CN114858214A - 一种城市道路性能监测*** - Google Patents

一种城市道路性能监测*** Download PDF

Info

Publication number
CN114858214A
CN114858214A CN202210459008.9A CN202210459008A CN114858214A CN 114858214 A CN114858214 A CN 114858214A CN 202210459008 A CN202210459008 A CN 202210459008A CN 114858214 A CN114858214 A CN 114858214A
Authority
CN
China
Prior art keywords
road
data
monitoring
laser radar
performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210459008.9A
Other languages
English (en)
Other versions
CN114858214B (zh
Inventor
郑海峰
夏波
杨大春
李家红
另大兵
陈磊磊
王泽�
唐玉成
胡艺峰
张辰辰
王腾
商正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Hui Construction Technology Co ltd
Original Assignee
China Hui Construction Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Hui Construction Technology Co ltd filed Critical China Hui Construction Technology Co ltd
Priority to CN202210459008.9A priority Critical patent/CN114858214B/zh
Publication of CN114858214A publication Critical patent/CN114858214A/zh
Application granted granted Critical
Publication of CN114858214B publication Critical patent/CN114858214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市道路性能监测***,涉及道路监测技术领域，***首先依据各类数据的特点将其分成表观类数据、高差类数据、抗滑性能评价数据和其他类数据并依据特征分别选择了监测设备类型。然后针对监测设备的不同类型进行了调研，将它们在性能、成本等多个角度做了横向对比，确定其中最适合本发明的设备型号。在此基础上，结合现有路侧监测设备的分布情况，从监测设备的监测范围以及成本的角度确定设计实验确定了不同监测设备的布置间隔。考虑到在城市中全部路段布置监测***的成本高昂，本发明还提供了一种判断路段是否应该布置路侧设备的方法。

Description

一种城市道路性能监测***
技术领域
本发明涉及道路监测技术领域，尤其是一种城市道路性能监测***。
背景技术
为明确建设道路状况监测***对现有道路的改造情况，首先需要对现有城市道路监测***进行评价。
目前，除部分城市开展修建的智慧道路项目路段外，城市中布置的监测设备包括交通摄像头、测速仪和雨量监测站，但是缺少激光雷达、车路通信设备等路面性能监测***所必需的设备，而且摄像头等的监测设备也应该根据项目需要适当加密。
交通摄像头和测速仪主要分布在交叉口附近以及关键路段中，能准确捕捉交通违法违章行为，为交管部门执法提供可靠依据。此外，借助摄像头拍摄画面，可完成对交叉口车流量的统计，为交叉口红绿灯配时设计和新建或改建道路设计提供依据。虽然现有交通摄像头足以满足对上述功能的需求，但是其分布密度和像素尚不足以完全实现对面向自动驾驶的道路性能监测。根据调研，城市中的交通摄像头分布密度较低，例如南京市内摄像分布密度约为2.3公里/处，以单处摄像头监测200m路段来算，监测覆盖率仅为8.7％。此外，为了满足识别路面微小病害的要求，摄像头像素应不低于800万像素，而现有交通摄像头因选型不同，其像素差异较大，通常在500万像素到1000万像素之间，仅部分摄像头满足要求。
城市中的雨量监测站由气象部门设置，用于估算所在区域的总降雨量和发出强降雨警告。但是雨量监测站分布密度较低，平均密度约为80平方公里/个，在距离监测站点较远区域的道路降雨量精度偏低，为了满足检测***需求，需要对其适量增设雨量站提高分布密度。
为了获取城市道路性能评价模型所需的详尽数据，精确评价道路的性能状态，需要监测设备覆盖城市道路所有路段的全部区域，但是如此实施的成本高昂，可实施性差。根据我国目前的国情，对于模型所需数据的获取，应分步实施，首先在流量大、当量面积大、重要度大、有代表性的路段上安装设备，等运行一段时间后，再逐步扩展。让设备分布到最有代表性的路段上，需要对即将布设设备的路段进行实地考察并论证，排除不必要的路段和不合理的路段，避免采集的信息重复，造成资源的浪费，充分发挥设备的作用。
发明内容
本发明的一目的在于提供一种城市道路性能监测***，该***建立在城市道路网之上，由传感器模块、数据中心和通信模块三大模块组成。
其中，传感器模块包括摄像头、激光雷达、温度传感器、雨量传感器和车辆检测器；摄像头用于道路路面性能的监测；激光雷达用于监测、识别、收集道路交通数据；温度传感器用于监测道路的温度状况；雨量传感器用于监测道路上的雨量；车辆检测器用于对交通量进行监测；
所述数据中心由数据处理模块和储存模块组成；
所述数据处理模块用于对接收到的数据和储存数据进行分析，具体包括道路性能评价和道路性能预测；
所述储存模块用于将监测数据按时间、所属路段分类储存，其中摄像头和激光雷达的数据储存处理模块处理完成后获得的数据，其他传感器和横向力系数检测车的数据直接储存；
所述通信模块包括路侧通信设备以及连接各个传感器模块与数据中心、数据中心与路侧通信设备的通信光纤；路侧通信设备通过光纤与数据中心相连，用于接收所在路段的评价结果，再在智能汽车向其发起服务请求时为请求者提供数据服务。
优选的，监测摄像头采用CCD相机，所述摄像头的横向监测范围包括待监测区域所有车道；摄像头可清晰拍摄沿行车道方向至少100m范围内路面性能；摄像头像素不应低于200万；在路侧安装摄像头，摄像头的安装间隔取为80m。
优选的，激光雷达采用半固态激光雷达；激光雷达的水平视场角为30°，考虑到在设置激光雷达监测两条车道时，其横向监测距离不应小于7.5m；所述激光雷达安装高度为14m，对于16线激光雷达，安装间隔应为50m，对于32线激光雷达，安装间隔应为 110m。
优选的，温度传感器采用IC温度传感器，在市区内布置温度传感器时，应以6km 为间隔，而在市郊过渡区，应以2-3km为间隔布置。
优选的，雨量传感器采用雷达式雨量计或压电式雨量计，所述雨量传感器的布置间隔为4-5km/台。
优选的，车辆检测器采用微波式车辆检测器；单个路段中，安装一台车辆检测器于路段中间位置。
优选的，路侧通信设备采用LTE-V技术的车路协同通信设备。
基于上述，本发明的另一目的在于提供一种道路性能评价方法，其步骤如下：
S1：将接收到的传感器数据按照发送时间、传感器所在路段进行分类；
S2：对图像数据和激光点云数据进行预处理获得横纵向裂缝长度、坑槽面积等数据；
S3：将归属于同一路段的数据输入到评价模型，由评价模型计算并得到路段的评分和驾驶建议。
基于上述，本发明的另一目的在于提供一种路面性能预测方法，其步骤如下：
S1：分别计算路段全年的平均评分和年降雨量等数据；
S2：将数据输入到预测模型中，计算路段未来几年的路面性能评分，作为是否需要对路段进行养护的依据。
基于上述，考虑到在城市中全部路段布置监测***的成本，本发明的再一目的在于提供了一种判断路段是否应该布置路侧设备的方法，所述传感器模块(即监测设备)的布置路段依据路段重要度得分，路段重要度得分计算公式为：
T＝0.5ω+0.5Q
式中：
ω：某条道路的等级评价值；
Q：某条道路交通流量归一化值；
T：道路重要度；
各条道路交通流量归一化值计算公式为：
Figure BDA0003619833680000031
式中：
Q：某条道路交通流量归一化值；
q：某条道路交通流量值；
qmax：该地区道路最大交通流量；
qmin：该地区道路最小交通流量。
其中，所述某条道路的等级评价值ω属定性指标，需要对两两指标的重要程度进行对比，可采用层次分析法进行确定。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是道路性能监测***组成示意图；
图2是激光雷达水平安装时激光点云图；
图3是激光雷达垂直安装时激光点云图；
图4是不同条件激光雷达横向监测距离；
图5是不同条件激光雷达纵向监测距离；
图6是路段出入***通量差值。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例
针对道路性能评价体系和预测模型所需的数据，本申请实施例的目的在于确定各类数据的监测设备和手段。然后，为使数据能够在车、设备之间交流，确定了城市道路性能监测***的组成部分，并对所选设备进行了调研，确定各类设备的选型和性能要求。此外，为保证建设资金得到充分利用，对现有路侧设备进行了分析并在此基础上提出监测***布置的设计方案。
一、城市道路性能监测需求分析
依据评价模型和预测模型的需求，需要安装设备城市道路性能进行监测，获取评价、预测模型所需的数据。考虑到部分病害之间具有相似的特征，可采取同一设备进行监测，依据数据之间的相似性，监测内容可将其分为以下几大类：
(1)表观类数据：包括评价裂缝状况所需的网状裂缝面积、横纵向裂缝长度；评价坑槽状况所需的坑槽长度、宽度和位置信息以及障碍物的面积。此类病害发生区域与周围区域之间的颜色及亮度区别显著，基于深度学习算法对布设在路侧的摄像头拍摄路面图片进行色差分析确定病害区域，进而根据区域形状和色差特点确定区域病害类型并得到数据。
(2)高差类数据：包括评价车辙状况所需的车辙深度；评价平整度所需的路面最大间隙高度以及障碍物高度。此类病害的病害区域均与周围区域之间存在一定高差，采用对激光雷达扫描获得的点云数据进行分析获得。激光雷达工作时首先结合摄像头画面判断扫描区域内有无障碍物，有障碍物时先根据点云高度变化计算确定障碍物高度并剔除障碍物点云再进行后续分析，无障碍物时则直接进行后续分析。在后续分析中，需要分别计算点云在沿道路行进方向和垂直方向上的点云高度变化得到车辙深度和路面最大间隙高度数据。
(3)抗滑性能评价所需数据：包括温度和路面横向力系数，其中温度数据采用温度传感器进行自动监测，而横向力系数尚缺乏成熟的自动化监测手段，数据采用横向力系数检测车按月检测的方式获取。
(4)其它类数据：为满足预测模型需要，除上述数据外，还需获取降雨量和交通量数据。其中降雨量数据采用在路侧布置雨量计的方式获得，交通量通过车辆检测器来获取。
二、本实施例***架构及功能
道路性能监测***建立在城市道路网之上，结合城市道路特点和检测***的监测内容，整个***由传感器模块、通信模块和数据中心三大模块组成，其组成如图1所示。
(1)传感器模块
监测***包括摄像头、激光雷达、温度传感器、雨量传感器和车辆检测器五种传感器。为满足检测***采集精度要求同时尽可能减少成本，需要对传感器的成本、性能等各方面进行调研、综合比选，确定应用于本***中的传感器。
①摄像头
根据感光芯片的区别，摄像头可分为电行耦合元件相机(Charge-CoupledDevice，CCD)和互补金属氧化物半导体(ComplementaryMetalOxideSemiconductor，CMOS)相机，两者在性能方面的对比如表1所示：
表1：CCD和CMOS性能比较
Figure BDA0003619833680000061
根据表1，CCD相机在成像质量和最低照度方面的表现均优于CMOS相机，仅在噪声量方面比CMOS相机差，由此产生的影响是在相同的清晰度条件下，CCD相机拍摄画面的数据量更大，更占内存。但CCD相机在成像质量和最低照度方面的优越表现使得CCD相机能够拥有比CMOS相机更高的拍摄精度与更长的工作时间，可达到更高的路面性能监测准确度，因此推荐采用CCD相机作为监测摄像头。
为了满足监测的需要，所选的CCD相机的性能应满足以下几点要求：(1)为确保道路上不存在盲区，摄像头的横向监测范围应包括待监测区域所有车道；(2)摄像头可清晰拍摄沿行车道方向至少100m范围内路面性能；(3)为确保拍摄画面能够清晰反映出路面裂缝，摄像头的像素不应低于200万。
②激光雷达
激光雷达部件较多，每个部件技术选择的不同就会造成效果和成本的不同，这导致了激光雷达技术路线的多元化。激光雷达从测距方式、发射方式、光束操作方式、探测方式以及数据处理方式可分解为五个核心技术，每个核心技术均有不同的技术分支，不同分支的激光雷达在性能、成本、当前量产难度等方面各有不同，在五个核心技术上不同的分支技术选取也导致了各家企业激光雷达技术路线的差异。
激光雷达有多种分类模式，其中主流的方法是按照扫描部件分为三大类，机械式、半固态式和固态式三大类，详情如下：
ⅰ)机械式：机械部分(扫描模块)和电子部分(激光收发模块)都在运动——被电机带着360度旋转；
ⅱ)半固态式：激光收发模块是不运动的，只有扫描模块在运动；
ⅲ)固态式：不仅激光收发模块不运动，而且扫描模块也没有机械运动。
其中，半固态激光雷达按扫描模块的运动方式可划分为为MEMS、转镜式和棱镜式三种，固态激光雷达则被分为OPA相控和Flash两种。各类激光雷达的比较如表2所示。
表2：各类激光雷达的比较
Figure BDA0003619833680000071
基于上表2可知，三种激光雷达中，机械式激光雷达的优势在于技术成熟度最高、测距精度最佳，但是存在体积巨大，成本高昂的缺点，在相同线数条件下，其成本是半固态激光雷达的数倍，是半固态激光雷达的十数倍。而固态激光雷达目前相关研究技术尚未成熟，没有被投入量产使用。相比于前两者，半固态激光雷达技术已较为成熟，已有部分机型在部分企业开始量产并应用在智能汽车上。虽然在单束激光测距的精度方面，半固态激光雷达不及机械激光雷达，但是在相同价位时，半固态激光雷达的激光发射器数量为机械激光雷达的一倍以上，形成的点云密度更高，整体检测效果更佳。综合以上描述，选择半固态激光雷达作为监测设备。
③温度传感器
市场上常用的温度传感器有电阻式温度检测器、热电偶、热敏电阻器和IC温度传感器。它们之间的对比如下表3所示：
表3：各类温度传感器的比较
Figure BDA0003619833680000081
根据上表3所示，四种传感器的测温范围都符合本发明的要求。四种传感器中，电阻式温度检测器的精度最佳；热敏电阻器和IC温度传感器在精度方面稍差一些，一般在0.1℃左右，足以满足监测需要；而热电偶的测量精度取决于电压测量精度。而从电路图复杂程度和成本角度考虑，IC温度传感器远优于其余三者，具有极低的成本和简单的电路图构造。此外，由于电路图简单，IC温度传感器的体积也是四者之中最小的，安装最为方便。综合所有条件，IC温度传感器最适合，选择IC温度传感器来监测道路的温度状况。
④雨量计
从构造角度分析，雨量计可以分为机械式和非机械式两种。其中，机械式雨量计包括翻斗式雨量计、虹吸式雨量计和双阀容栅式雨量计等，非机械式雨量计包括雷达式雨量计、压力感应式雨量计和激光式雨量计。各类型雨量计的对比如下表4所示。
表4：各类型雨量计的对比
Figure BDA0003619833680000091
机械式雨量计往往需要经常维护，而且体积巨大，安装在路侧时极易对车辆造成遮挡进而诱发交通事故，不适合本发明采用。非机械式雨量计在精度方面大致相仿，足以满足监测需要。其中雷达式雨量计和压电式雨量计可长期使用不需进行定期维护，因此采用雷达式雨量计或压电式雨量计。
⑤车辆检测器
目前我国用于交通量检测的设备种类繁多，其中应用较为广泛的包括线圈式车辆检测器、微波式车辆检测器和视频车辆检测器等。
(ⅰ)线圈式车辆检测器
线圈式车辆检测器是一种基于电磁感应原理的车辆检测器，埋在路面下的线圈作为车辆检测器的传感器，当车辆通过线圈时，引起线圈回路中电感量变化，检测器根据这种变化测出车辆的存在、车速等关系。
经过几十年的发展，线圈式车辆检测器已经相当成熟，在高速公路行业得到了广泛的应用，具有测速精度和交通量计数精度高，工作稳定性好，不受气象和交通环境的影响，抗干扰能力强等优点；但是需要在沥青路面施工完成后对路面进行切割并埋入其中，不仅对路面损伤严重，而且路面沉降、裂缝等会影响其使用效果，大型车辆的碾压、线圈老化、环境变化等会影响车辆检测器性能，布置和后期运营维修成本极高。
(ⅱ)微波式车辆检测器
微波式车辆检测器是一种利用数字雷达微波检测技术的交通数据产品，它通过安装在门架或路侧立柱上的发射天线实时向检测区域发出微波波束。当车辆经过检测区域时，微波接收模块接收到不同频率微波，微波式车辆检测器的发射、接收器通过测出这种频率变化，测定车辆的通过和存在，得出车流量、车速、车型等数据。
微波式车辆检测器的优势是安装简单，调试方便，有利于后期的运维管理，而且能够全天候工作。其存在的劣势是受环境影响较大，若其附近存在障碍物或其他信号发射装置，会对其检测精度产生影响，所以不能和激光雷达安装在同一位置。
(ⅲ)视频车辆检测器
视频车辆检测器是一种利用图像处理技术实现对交通目标检测的计算机处理***。它通过对道路交通状况信息与交通目标的实时检测，实现自动统计交通路段上行驶的机动车数量、计算行驶车辆的速度以及识别划分行驶车辆的类别等各种有关交通参数。
视频车辆检测器与微波式车辆检测器类似，具有不需要破坏路面、检测器安装拆卸方便、无线且检测范围较大的优点。但是其测量精度非常受现场照明的限制，无法在夜间工作，而且无法检测静止的车辆。
对比三种检测器，线圈式车辆检测器需要将检测线圈埋设到道路中，会对路面造成破坏，而且如果发生检修，还会对路面造成二次破坏，不宜采用；视频车辆检测器的在夜间时无法工作，监测数据不完整，无法得到精确的交通量数据；只有微波式车辆检测器具有能够在不破坏路面的前提下，连续不间断工作，符合本发明对交通量检测的所有需求。所以，选用微波式车辆检测器来对交通量进行监测。
(2)数据中心
数据中心由数据处理模块和储存模块组成。
数据处理模块负责对接收到的数据和储存数据进行分析，具体可分为道路性能评价和道路性能预测。
道路性能评价的步骤如下：
S1：将接收到的传感器数据按照发送时间、传感器所在路段进行分类；
S2：对图像数据和激光点云数据进行预处理获得横纵向裂缝长度、坑槽面积等数据；
S3：将归属于同一路段的数据输入到评价模型，由评价模型计算并得到路段的评分和驾驶建议。
路面性能预测的步骤如下：
S1：分别计算路段全年的平均评分和年降雨量等数据；
S2：将数据输入到预测模型中，计算路段未来几年的路面性能评分，作为是否需要对路段进行养护的依据。
储存模块负责将监测数据按时间、所属路段分类储存，其中摄像头和激光雷达的数据储存处理模块处理完成后获得的数据，其他传感器和横向力系数检测车的数据直接储存。
(3)通信模块
通信模块包括路侧通信设备以及连接各个传感器与数据中心、数据中心与路侧通信设备的通信光纤。
路侧通信设备通过光纤与数据中心相连，负责接收所在路段的评价结果，再在智能汽车向其发起服务请求时为请求者提供数据服务。
从全球范围看，在车路通信领域，目前主要存在LTE-V(4GLTE通信)与DSRC(基于WiFi的车用短程通信)两条不同的技术路线。其中LTE-V主要由国内企业(包括大唐、华为等)推动，而DSRC则是由美国主导推动的。DSRC经过十余年发展，技术已趋于成熟，另外其完备的标准使得其在推广部署时占据先机；但相对而言，DSRC采用的高频段穿透性不如LTE-V的低频信号。LTE-V则是提供了更高带宽、更高传输速率、更大覆盖范围，并能重复使用现有的蜂巢式基础建设和频谱，以此实现。
另外，从技术角度，LTE-V在设计过程中充分借鉴了DSRC的经验和不足，在***容量、覆盖范围等方面具有显著的性能优势；LTE-V可以充分利用LTE蜂窝网络优势，保证业务的连续性和可靠性，还能够利用基站与托管的云端服务器连接，进行如高清影音等高速数据传输，具有一定的优越性。
从产业角度，LTE-V是拥有自主知识产权的通讯技术，有利于国内企业规避专利风险，而且网络部署维护投入低，基于现有的LTE网络基站设备和安全机制进行升级就可以实现。
综合而言，本申请实施例选用的是国内企业生产的采用LTE-V技术的车路协同通信设备。
三、城市道路监测设备布置方案
(1)监测设备布置间隔设计
ⅰ)摄像头布置间隔设计
在焦距、像素一定时，摄像头拍摄画面内与摄像头距离越远处的路面清晰度越低。而为了准确识别获取路面病害信息，摄像头拍摄画面中的图像需要满足图像识别软件的精度需求。因此，在安装摄像头时需要综合考虑方面因素，综合确定摄像头的安装高度、角度以及摄像头焦距等信息，在满足对监测精度要求的前提下尽可能监测更广的路面范围。为了确定摄像头的最佳安装要求，拟采用正交实验法安排实验进行研究。正交实验法是研究多因素多水平的一种设计方法，它依据Galois理论从全面实验中挑选出部分具有代表性的水平组合进行实验，并对结果进行分析从而找出最优的水平组合。既能正交实验法既能减少实验次数，又能收到较好的效果。
城市中交通摄像头的焦距大多为8mm或12mm，安装高度采用6.5m最多，安装角度为75°。而且依据相关规范要求，门架式交通标志杆距离路面的距离不能低于5m。参考上述条件，确定摄像头的焦距采用6、8、12、16mm四个水平；安装高度采用5、7、9、 11m四个水平；安装角度采用65°、70°、75°、80°四个水平进行实验，并利用L16(43) 的正交表进行实验设计。为确保实验结果准确，避免无关因素干扰，实验用摄像头均采用800万像素，在晴天中午、摄像头拍摄画面无遮挡的条件下进行。得到的实验结果如下表5所示，其中近点距离是指摄像头的最小监测范围，远点距离是指摄像头的最大监测范围。
表5：正交实验结果表
Figure BDA0003619833680000131
根据上述实验统计数据可知，在摄像头焦距为16mm，安装高度为6m，安装竖向角为80°时，摄像头的监测道路面积最大，为80m。因此，推荐按该参数在路侧安装摄像头，摄像头的安装间隔取为80m。
ⅱ)激光雷达布置间隔设计
激光雷达固定在道路上时，单束激光产生的点云为一条弧状曲线，根据部署方式不同，由点云组成的曲线也不同。采用水平安装时，得到的点云图像为向外扩散的圆环，如图2所示；采用垂直安装时，得到的点云图像为一簇双曲线，如图3所示。相较于垂直安装，水平安装的监测范围更大，但是点云密度更低，而且在激光雷达下方区域存在一片监测盲区，该盲区随着激光雷达安装高度增大而增大，对评价结果会产生较大干扰。因此，将激光雷达垂直安装的监测效果更佳，本申请实施例推荐垂直安装。
市场调研结果表明，激光雷达垂直视场角绝大多数在30°或40°，激光线束有8 束、16束、32束等，激光线束越多，点云密度越高，但是成本也越高。根据图3，激光雷达垂直安装时，激光雷达正下方处的点云密度最高，同时监测宽度最窄，然后沿激光扫射方向点云密度逐渐变小，照射到路面上的激光束逐渐减少，激光束间距离逐渐增大，监测盲区逐渐扩大。取车道宽度3.75m，单条车道上有3、4、5条激光束照射时的激光间隔分别为1.25、0.94、0.75。激光束少于4条时的激光间隔已远大于1m，将无法检测到大部分病害，所以激光线束小于4条的路面区域应视为激光雷达监测范围外。
激光雷达垂直安装在道路区域时，可分别计算出16束和32束激光雷达在不同水平视场角和安装高度时的纵向检测范围(L)和横向监测范围(W)。其中L指沿行车道方向激光雷达的监测范围，W指在激光雷达在正下方处垂直于行车道方向的监测范围。计算结果如下表6所示。
表6：激光雷达监测范围
Figure BDA0003619833680000141
结合图4所示，激光雷达的横向监测范围受激光雷达的水平视场角和安装高度影响均较大，在采用较小的水平视场角时也可通过增加安装高度来提高横向监测距离。而根据图5，激光雷达纵向监测范围随安装高度变化的变化幅度很小，而随激光线束数量和水平视场角影响很大，水平视场角为30°时纵向检测范围约为40°时的1.5倍，所以推荐采用水平视场角为30°的激光雷达。考虑到在设置激光雷达监测两条车道时，其横向监测距离不应小于7.5m，参考表6可得安装高度为14m，对于16线激光雷达，安装间隔应为50m，对于32线激光雷达，安装间隔应为110m。
ⅲ)温度传感器布置间隔设计
随着社会经济快速发展，城市的规模快速扩张，由此导致的热岛效应也越来越显著，其具体表现为城区气温明显高于***郊区。为了合理确定温度传感器的布置间隔，减小道路温度测量的误差，需要确定温度随空间变化的规律。
为了确定城市中温度随地点变化的规律，以3km为间隔依次布置温度传感器，传感器布置位置从城市区域逐渐过渡到周围郊区。其中a、b、c点位于市区内，d、e、f点位于市区与郊区过渡区域。依次读取温度传感器在8:00、14:00、18:00和22:00的数据，读取的数据如下表7所示：
表7：温度传感器读数
Figure BDA0003619833680000151
根据上表7所示，在市区内的测点间的温度差异明显小于市郊过去区间的温差，市区内相邻测点间的温差不大于1℃，而且变化相对随机，而在市区向郊区过渡区间，各测点间的温差一般在2℃左右，而且温度呈逐渐下降趋势。因此，在市区内布置温度传感器时，应以6km为间隔，而在市郊过渡区，应以2-3km为间隔布置。
ⅳ)雨量传感器布置间隔设计
为了确定降雨量随空间位置变化的规律，以4km为间隔布置三台雨量传感器来对降雨量进行监测，以5min为间隔记录一场降雨过程中的降雨量，记录总时长为1h。得到的数据如下表8所示，其中变化率指每千米降雨年美国增加或减少的量，单位是mm/km。
表8：雨量传感器读读数
Figure BDA0003619833680000152
根据表8的数据可知，降雨量在降雨中心区域时最大，距离中心位置越远降雨量越小，所以各点的降雨量基本呈现先增大后减小的变化趋势，因而对于两雨量传感器中间的位置，采用以距离为权重将距该点最近的两台雨量传感器数据加权平均计算能有效减少误差。根据表中数据计算可知平均1km降雨量的变化率为1.85％。根据《降水量观测规范》(SL21—2006)，降雨量监测的误差不应大于4％，结合降雨量的平均变化率，可得雨量传感器的布置间隔应取为4-5km/台最为合适。
ⅴ)车辆检测器布置间隔设计
城市中不同路段的交通量往往差异较大，且不具有规律性，而路段中的交通量变化较为有限，路段中的交通量变化主要由部分车辆进出小区或停车场引发。在早高峰时，车辆从小区或停车场中驶出的数量远高于驶入的，因而该路段入口处的车辆少于路段出口处的车辆，而在晚高峰时则正好相反。因此，为了分析城市道路***中交通量的变化规律，需要对城市路段中进出口处的交通量进行统计分析。我们采集了解放路各个区间路段进出口处的早晚高峰交通量。其数据如下表9所示。并在此基础上对解放路各个路段进出口位置的交通量差值进行分析，如下表10和图6所示。
表9：交通量统计表
Figure BDA0003619833680000161
表10：路段出入***通量差值
Figure BDA0003619833680000162
由上述计算结果可知，路段内早高峰或晚高峰的交通量变化值一般小于150台，早高峰和晚高峰的交通量之和的路段内交通量变化量一般小于80台，约占总交通量的5％。因此，在单个路段中布置一台车辆检测器导致的监测误差可控制在5％以内，小于车辆检测器自身监测误差，对最终统计结果影响微小。路段中的交通量分布近似呈线性关系，路段中间位置的交通量最接近路段内平均交通量。此外，相较于路段出入口，路段中间的车辆行驶速度最稳定。因此，将车辆检测器安装在路段中间得到的监测数据误差最小。综上所述，单个路段中需要安装一台车辆检测器并安装在路段中间位置。
四、监测设备布置路段选择
为了更好地利用建设资金，需要对城市中的所有路段进行对比，选择出最重要的路段布置监测***。城市道路的重要性主要体现在道路等级和路段交通量两方面，分别对每条路段的道路等级和路段交通量进行打分，通过将路段按得分总和进行排序来确定需要布置的路段。
(1)等级指标量化
路段等级指标属定性指标，需要对两两指标的重要程度进行对比，可采用层次分析法进行确定。构建的重要度判断矩阵如下表11所示。
表11：重要度判断矩阵
Figure BDA0003619833680000171
由上表11中数据经计算可得各个指标的相对重要性系数，快速路为0.535，主干路为0.296，次干路为0.109，支路为0.06。
(2)交通流量指标量化
由于路网内各条道路的流量差别很大，需对各条道路交通流量进行归一化处理，以便和道路等级指标结合起来评价一条公路的重要度。归一化方法见下式：
Figure BDA0003619833680000181
式中：
Q：某条道路交通流量归一化值；
q：某条道路交通流量值；
qmax：该地区道路最大交通流量；
qmin：该地区道路最小交通流量。
(3)路段重要度评价
结合上述结果，取等级和交通量相等的权重，最终可得路段重要度得分计算公式：
T＝0.5ω+0.5Q
式中：
ω：某条道路的等级评价值；
Q：某条道路交通流量归一化值；
T：道路重要度。
综上，为了获取城市道路性能各项评价指标模型中所需的监测数据，本申请实施例首先依据各类数据的特点将其分成表观类数据、高差类数据、抗滑性能评价数据和其他类数据并依据特征分别选择了监测设备类型。然后针对监测设备的不同类型进行了调研，将它们在性能、成本等多个角度做了横向对比，确定其中最适合本发明的设备型号。在此基础上，结合现有路侧监测设备的分布情况，从监测设备的监测范围以及成本的角度确定设计实验确定了不同监测设备的布置间隔。考虑到在城市中全部路段布置监测***的成本高昂，本申请实施例提供了一种判断路段是否应该布置路侧设备的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种城市道路性能监测***，其特征在于，所述***建立在城市道路网之上；
***由传感器模块、数据中心和通信模块三大模块组成，
所述传感器模块包括摄像头、激光雷达、温度传感器、雨量传感器和车辆检测器；
其中，所述摄像头用于道路路面性能的监测；激光雷达用于监测、识别、收集道路交通数据；温度传感器用于监测道路的温度状况；雨量传感器用于监测道路上的雨量；车辆检测器用于对交通量进行监测；
所述数据中心由数据处理模块和储存模块组成；
数据处理模块用于对接收到的数据和储存数据进行分析，具体包括道路性能评价和道路性能预测；
储存模块用于将监测数据按时间、所属路段分类储存，其中摄像头和激光雷达的数据储存处理模块处理完成后获得的数据，其他传感器和横向力系数检测车的数据直接储存；
通信模块包括路侧通信设备以及连接各个传感器模块与数据中心、数据中心与路侧通信设备的通信光纤；路侧通信设备通过光纤与数据中心相连，用于接收所在路段的评价结果，再在智能汽车向其发起服务请求时为请求者提供数据服务。
2.根据权利要求1所述的城市道路性能监测***，其特征在于，所述监测摄像头采用CCD相机，所述摄像头的横向监测范围包括待监测区域所有车道；摄像头可清晰拍摄沿行车道方向至少100m范围内路面性能；摄像头像素不应低于200万；在路侧安装摄像头，摄像头的安装间隔取为80m。
3.根据权利要求1所述的城市道路性能监测***，其特征在于，所述激光雷达采用半固态激光雷达；激光雷达的水平视场角为30°，考虑到在设置激光雷达监测两条车道时，其横向监测距离不应小于7.5m；所述激光雷达安装高度为14m，对于16线激光雷达，安装间隔应为50m，对于32线激光雷达，安装间隔应为110m。
4.根据权利要求1所述的城市道路性能监测***，其特征在于，所述温度传感器采用IC温度传感器，在市区内布置温度传感器时，应以6km为间隔，而在市郊过渡区，应以2-3km为间隔布置。
5.根据权利要求1所述的城市道路性能监测***，其特征在于，所述雨量传感器采用雷达式雨量计或压电式雨量计，所述雨量传感器的布置间隔为4-5km/台。
6.根据权利要求1所述的城市道路性能监测***，其特征在于，所述车辆检测器采用微波式车辆检测器；单个路段中，安装一台车辆检测器于路段中间位置。
7.根据权利要求1所述的城市道路性能监测***，其特征在于，所述路侧通信设备采用LTE-V技术的车路协同通信设备。
8.根据权利要求1所述的城市道路性能监测***，其特征在于，所述道路性能评价的步骤如下：
S1：将接收到的传感器数据按照发送时间、传感器所在路段进行分类；
S2：对图像数据和激光点云数据进行预处理获得横纵向裂缝长度、坑槽面积等数据；
S3：将归属于同一路段的数据输入到评价模型，由评价模型计算并得到路段的评分和驾驶建议。
9.根据权利要求1所述的城市道路性能监测***，其特征在于，所述路面性能预测的步骤如下：
S1：分别计算路段全年的平均评分和年降雨量等数据；
S2：将数据输入到预测模型中，计算路段未来几年的路面性能评分，作为是否需要对路段进行养护的依据。
10.根据权利要求1所述的城市道路性能监测***，其特征在于，所述传感器模块的布置路段依据路段重要度得分，路段重要度得分计算公式为：
T＝0.5ω+0.5Q
式中：
ω：某条道路的等级评价值；
Q：某条道路交通流量归一化值；
T：道路重要度；
各条道路交通流量归一化值计算公式为：
Figure FDA0003619833670000021
式中：
Q：某条道路交通流量归一化值；
q：某条道路交通流量值；
qmax：该地区道路最大交通流量；
qmin：该地区道路最小交通流量。
所述某条道路的等级评价值ω属定性指标，需要对两两指标的重要程度进行对比，可采用层次分析法进行确定。
CN202210459008.9A 2022-04-27 2022-04-27 一种城市道路性能监测*** Active CN114858214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210459008.9A CN114858214B (zh) 2022-04-27 2022-04-27 一种城市道路性能监测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210459008.9A CN114858214B (zh) 2022-04-27 2022-04-27 一种城市道路性能监测***

Publications (2)

Publication Number Publication Date
CN114858214A true CN114858214A (zh) 2022-08-05
CN114858214B CN114858214B (zh) 2023-08-25

Family

ID=82633283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210459008.9A Active CN114858214B (zh) 2022-04-27 2022-04-27 一种城市道路性能监测***

Country Status (1)

Country Link
CN (1) CN114858214B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881783A (zh) * 2023-06-21 2023-10-13 清华大学 道路损伤检测方法、装置、计算机设备、存储介质
CN117270913A (zh) * 2023-11-08 2023-12-22 腾讯科技（深圳）有限公司 地图更新方法、装置、电子设备和存储介质
CN117350985A (zh) * 2023-10-24 2024-01-05 云途信息科技(杭州)有限公司 井盖病害检测方法、装置、计算机设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0991586A (ja) * 1995-09-26 1997-04-04 Babcock Hitachi Kk 道路状態監視方法と装置
JP2006344188A (ja) * 2005-06-07 2006-12-21 Asia Kaientai:Kk 交通渋滞と「つるつる路面」検知装置および河川流量計測監視装置と防災防犯監視および防災救助装置
CN101278325A (zh) * 2003-04-07 2008-10-01 顾德庞特技术基础设施管理***软件与咨询服务公司 用于收集、分析和发布与交通基础设施和状况相关的信息的中央设备和智能车载车辆平台
CN105303832A (zh) * 2015-11-05 2016-02-03 安徽四创电子股份有限公司 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法
CN107092020A (zh) * 2017-04-19 2017-08-25 北京大学 融合无人机LiDAR和高分影像的路面平整度监测方法
CN108550262A (zh) * 2018-06-01 2018-09-18 中物汽车电子扬州有限公司 基于毫米波雷达的城市交通感知***
US20180292224A1 (en) * 2017-04-05 2018-10-11 Gregory Brodski System and method for traffic volume estimation
CN109284619A (zh) * 2018-11-07 2019-01-29 重庆光电信息研究院有限公司 异源城市物联网的区域定置式边缘计算***及方法
CN109544912A (zh) * 2018-11-07 2019-03-29 北京城市***工程研究中心 一种基于多源数据融合的城市路网积水状态预测方法
CN109639762A (zh) * 2018-11-07 2019-04-16 重庆光电信息研究院有限公司 城市物联网信息分级处理***及方法
CN111612224A (zh) * 2020-05-06 2020-09-01 中咨公路养护检测技术有限公司 一种路面多车道状况预测与养护规划方法
CN112702692A (zh) * 2020-12-16 2021-04-23 新奇点智能科技集团有限公司 基于智能交通***的路况信息提供方法以及智能交通***
CN113030450A (zh) * 2021-03-15 2021-06-25 海南省交通工程检测中心 沥青路面全周期性能监测评估方法及***

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0991586A (ja) * 1995-09-26 1997-04-04 Babcock Hitachi Kk 道路状態監視方法と装置
CN101278325A (zh) * 2003-04-07 2008-10-01 顾德庞特技术基础设施管理***软件与咨询服务公司 用于收集、分析和发布与交通基础设施和状况相关的信息的中央设备和智能车载车辆平台
JP2006344188A (ja) * 2005-06-07 2006-12-21 Asia Kaientai:Kk 交通渋滞と「つるつる路面」検知装置および河川流量計測監視装置と防災防犯監視および防災救助装置
CN105303832A (zh) * 2015-11-05 2016-02-03 安徽四创电子股份有限公司 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法
US20180292224A1 (en) * 2017-04-05 2018-10-11 Gregory Brodski System and method for traffic volume estimation
CN107092020A (zh) * 2017-04-19 2017-08-25 北京大学 融合无人机LiDAR和高分影像的路面平整度监测方法
CN108550262A (zh) * 2018-06-01 2018-09-18 中物汽车电子扬州有限公司 基于毫米波雷达的城市交通感知***
CN109284619A (zh) * 2018-11-07 2019-01-29 重庆光电信息研究院有限公司 异源城市物联网的区域定置式边缘计算***及方法
CN109544912A (zh) * 2018-11-07 2019-03-29 北京城市***工程研究中心 一种基于多源数据融合的城市路网积水状态预测方法
CN109639762A (zh) * 2018-11-07 2019-04-16 重庆光电信息研究院有限公司 城市物联网信息分级处理***及方法
CN111612224A (zh) * 2020-05-06 2020-09-01 中咨公路养护检测技术有限公司 一种路面多车道状况预测与养护规划方法
CN112702692A (zh) * 2020-12-16 2021-04-23 新奇点智能科技集团有限公司 基于智能交通***的路况信息提供方法以及智能交通***
CN113030450A (zh) * 2021-03-15 2021-06-25 海南省交通工程检测中心 沥青路面全周期性能监测评估方法及***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881783A (zh) * 2023-06-21 2023-10-13 清华大学 道路损伤检测方法、装置、计算机设备、存储介质
CN116881783B (zh) * 2023-06-21 2024-04-09 清华大学 道路损伤检测方法、装置、计算机设备、存储介质
CN117350985A (zh) * 2023-10-24 2024-01-05 云途信息科技(杭州)有限公司 井盖病害检测方法、装置、计算机设备及存储介质
CN117350985B (zh) * 2023-10-24 2024-04-19 云途信息科技(杭州)有限公司 井盖病害检测方法、装置、计算机设备及存储介质
CN117270913A (zh) * 2023-11-08 2023-12-22 腾讯科技（深圳）有限公司 地图更新方法、装置、电子设备和存储介质
CN117270913B (zh) * 2023-11-08 2024-02-27 腾讯科技（深圳）有限公司 地图更新方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN114858214B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN110570664B (zh) 一种高速公路交通事件自动检测***
CN114858214B (zh) 一种城市道路性能监测***
Martin et al. Detector technology evaluation
CN104851295B (zh) 获取路况信息的方法和***
CN104613892B (zh) 融合视频检测技术和激光测距技术的复合雪深监测***
JP6652915B2 (ja) 移動式くぼみ検出システム及び方法
CN208422108U (zh) 基于毫米波雷达与激光雷达的交通情况调查装置
US20150371094A1 (en) A road marking analyser and a method of analysis of road markings and an apparatus and method for detecting vehicle weave
CN103985250A (zh) 轻量级的全息道路交通状态视觉检测装置
CN112965077A (zh) 一种基于车载激光雷达的道路巡检***与方法
CN103149603B (zh) 一种基于视频的道路气象检测方法
CN103810855A (zh) 面向多用户群的多特征量综合交通检测***
US20070263222A1 (en) Monitoring Road Reflectance and Street Lighting
CN117354347B (zh) 用于物联网多功能智慧灯杆的车路协同控制方法及装置
CN117198057A (zh) 一种面向路侧感知轨迹数据质量检评的实验方法及***
Bahler et al. Field test of nonintrusive traffic detection technologies
Golze et al. Impact analysis of accidents on the traffic flow based on massive floating car data
CN116165655A (zh) 一种基于毫米波雷达组群的全域车辆轨迹跟踪***
KR101035122B1 (ko) 차종 시퀀스 패턴을 이용한 구간통행시간 계측방법
CN113917451A (zh) 一种高速公路沥青路面状况的检测方法、装置以及***
CN105629333A (zh) 一种基于视频的道路气象检测方法
KR20220107875A (ko) 카메라를 활용한 딥러닝 기반 다차로 무인교통과속단속 시스템
Yu et al. Reliability of automatic traffic monitoring with non-intrusive sensors
Tao et al. Traffic incident detection based on mmWave radar and improvement using fusion with camera
WO2002015144A2 (en) System for road sign sheeting classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant