CN114882698A - 基于v2x的微缩车动态路径规划车路协同*** - Google Patents

Abstract

本发明提供了一种基于V2X的微缩车动态路径规划车路协同***，涉及智能网联汽车与智能交通技术领域，包括：沙盘模型和微缩车模型；所述沙盘模型包括：道路、道路设施、电子元件以及传感器；其中，电子元件负责处理由传感器收集到的道路设施数据。本发明能够完成无人驾驶微缩车在仿真环境中的测试。

Description

基于V2X的微缩车动态路径规划车路协同***

技术领域

本发明涉及智能网联汽车与智能交通技术领域，具体地，涉及一种基于V2X的微缩车动态路径规划车路协同***。

背景技术

V2X是一种车联网领域中的车辆与其他元素之间进行高可靠低时延的通信方式，主要包括V2V(Vehicle-to-Vehicle)、V2I(Vehicle-to-Infrastructure)、V2P(Vehicle-to-Pedestrian)和V2N(Vehicle-to-Network)。随着社会的现代化发展，工业生产过程、交通运输、服务业对于自动化交通工具的需求越来越高。在这些需求之外，社会大环境也为自动驾驶的发展提供了良好的基础条件，现代汽车行业愈发朝向电动化、智能化、网联化的方向发展。在此基础上，AI、互联网行业的发展也为更便捷地引入智能的、网联的相关功能创造了良好的条件。

面对新兴的需求，自动驾驶的相关技术框架也日益发展。其中像是盲区监测、换道辅助、后方横向预警、紧急制动、夜视***、疲劳监测等驾驶的辅助功能也朝着完全自动化的方向发展。

目前国内自动驾驶的相关政策已经相继出现，并且不断发展完善。《中国智能网联汽车技术发展路线图》已指出规划国内自动驾驶具体发展方向与途径；工信部发布的《智能网联汽车道路测试管理规范(试行)》确定了测试主体包含驾驶人、车辆等检测目标应满足条的测试环境条件，以及测试的申请、管理、事故处理的相关内容。与此同时，在学术界国内各大高校先后自主研发出无人驾驶车辆，一些无人驾驶相关的大学生比赛也逐渐出现在视野之中。

随着自动驾驶技术近年来快速发展与自动驾驶技术日益成熟，基于自动驾驶应用与研究被大家广泛关注。例如对车辆进行规划和控制的方法也在不断变化。除了对单个车辆的控制外，研究同质车辆队列的整体调度也具有社会和经济价值，可以提高道路吞吐量和利用率。为了在实体车辆测试中达到更好的效果和收集更多的数据，需要搭建仿真环境进行测试。

目前的一些沙盘模型所具备的场景和功能都较为简单，只能完成有限的场景任务，如简单的路口行驶，等待红绿灯等场景。而本沙盘模型具备多种场景，包含了停车场，高架桥，十字路口，回环等。除此之外，还搭建了多种设备元器件及传感器，如激光雷达，毫米波雷达，摄像头，计算平台等。为无人自动驾驶微缩车的功能测试提供了硬件和软件的支持，并且能够支持单车与多车的无人自动驾驶的相关测试。

公开号为CN113453263A的发明专利，公开了一种车路协同V2I仿真测试***及其方法，***包括：场景虚拟仿真***、驾驶模拟器、RSU模拟设备、待测OBU、数据处理单元，所述场景虚拟仿真***包括场景数据库和参数设置单元；所述驾驶模拟器包括场景计算单元、路径规划单元、场景显示单元、信号传送单元，GPS模拟器；所述RSU模拟设备包括主机和射频单元；所述待测OBU包括GPS组件、车辆数据存储器、WLAN卡、以太网接口；所述数据处理单元包括数据存储器和数据分析***。

发明内容

针对现有技术中的缺陷，本发明提供一种基于V2X的微缩车动态路径规划车路协同***。

根据本发明提供的一种基于V2X的微缩车动态路径规划车路协同***，所述方案如下：

一种基于V2X的微缩车动态路径规划车路协同***，所述***包括：沙盘模型和微缩车模型；

所述沙盘模型包括：道路、道路设施、电子元件以及传感器；其中，电子元件负责处理由传感器收集到的道路设施数据。

优选地，所述道路包括十字路口、回环、高架桥、U型弯道以及S型弯道；

所述道路设施包括：停车场、泊车位、龙门吊架以及信号灯；

所述电子元件包括：计算平台；

所述传感器包括：激光雷达、毫米波雷达以及摄像头；

所述每个龙门吊架上配备有一个信号灯、一个摄像头和一个毫米波雷达；其中，信号灯用于指示微缩车停止和前进；摄像头用于提供视觉捕捉影像；毫米波雷达用于采集微缩车的车辆位置信息；计算平台用于将传感器收集到的数据进行处理；激光雷达用于扫描场景信息，生成云点图像。

优选地，所述信号灯、摄像头和毫米波雷达组成交通信号检测处理***；

所述激光雷达、计算平台和龙门吊架组成路口目标检测分析***。

优选地，所述龙门吊架上安装有架台，用于安置信号灯、摄像头和计算平台。

优选地，虚拟仿真模拟测试采用Gazebo模拟器，在进行微缩车仿真环境测试时，沙盘模型、各个传感器、计算平台以及微缩车模型都将导入到Gazebo中，在Gazebo上进行虚拟仿真模拟测试。

优选地，所述激光雷达采用的是十六线激光雷达，其内置十六组激光元器件，同时发射与接收高频率激光束，通过360旋转，进行实时3D成像。

优选地，所述毫米波雷达采用大陆航空提供的新型雷达传感器，能够同时测量相对距离250米的远距离速度和两个物体之间的角度关系，还能够实时扫描并完成检测目标与监测点的距离，识别检测目标车辆的行驶速度，进一步分析存在碰撞的风险。

优选地，所述沙盘模型中加入空间定位功能，搭建视觉参考***AprilTag完成沙盘模拟中的空间定位，结合激光2-D SLAM、WIFI定位与tag码定位三种定位方式；

利用AprilTag检测识别智能微缩车时，将标签统一贴在微缩车固定区域，通过AprilTag检测程序计算出标签码id来确认微缩车标号，同时识别出智能微缩车在沙盘中的3D位置以及方向。

优选地，所述在高架桥的上、下角以及长直道和一些弯道放置标签二维码，所述标签二维码包含整个地图和当前位置的信息。

优选地，所述2-D SLAM定位仅使用单线激光雷达传感器，并在激光雷达扫描的平面内进行二维定位；

所述WIFI定位在场地周围放置多个AP基站，微缩车接收WIFI信号，基站通过测算信号强弱来定位车辆；

所述tag码定位在道路中安放多个特征二维码，车辆的摄像头在拍到特征二维码后，再结合2-D SLAM得到的地图信息进行匹配，从而来定位车辆。

与现有技术相比，本发明具有如下的有益效果：

1、本发明通过采用SolidWorks搭建的沙盘模型，具有十字路口，回环，高架桥，停车场等场景，配备有摄像头，信号灯，毫米波雷达，激光雷达，计算平台等元器件，为无人驾驶微缩车完成在不同场景下的功能实现，提供了虚拟的仿真测试环境；

2、本发明通过运用通过龙门计算平台数据处理与沙盘服务器计算，为无人驾驶微缩车提供定位服务与路径优化服务，帮助联网车辆路径规划提早规避可能出现拥堵的路况，同时对城市道路未联网的车辆根据实时数据进行现场车辆引流，提升通勤效率；

3、本发明通过结合2-D SLAM、WIFI与Tag码各自的定位功能优势，搭建AprilTag检测***，当车辆处与不同高度、不同信号强度与检测设备环境中时都可以结合地图信息进行准确定位。当无人驾驶微缩车确认目的地后，相应的目的地周边也会为其保留对应时间段车位，利用更精确地Tag码达到智能停车指引的效果；

4、本发明可在路口等安装毫米波雷达的区域，通过毫米波雷达与计算平台分析，为联网微缩车分析碰撞风险，在距离接近时发出类似警示灯、蜂鸣声的信号提醒。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为微缩车实际图；

图2为沙盘平面俯视图；

图3为沙盘3D立体图；

图4为沙盘地面道路尺寸标注；

图5为沙盘高架尺寸标注；

图6为沙盘高架尺寸标注；

图7为沙盘十字路口尺寸标注；

图8为沙盘十字路口尺寸标注；

图9为沙盘圆环尺寸标注；

图10为沙盘圆环尺寸标注。

图11为沙盘停车场及泊车位尺寸标注；

图12为高架桥出口处龙门吊桥及元器件示意图；

图13为路口“雷达-计算平台”龙门检测模型示意图；

图14为高架桥入口处龙门吊桥及元器件示意图；

图15为高架桥侧面图；

图16为沙盘中激光雷达模型示意图；

图17为扫描角度示意图；

图18为毫米波雷达雷达3D模型示意图；

图19为几何学自行车模型；

图20为纯追踪算法示意图；

图21为微缩车高架桥行驶路线；

图22为十字路口场景侧面图；

图23为微缩车十字路口部分行驶路线；

图24为停车场场景车道线；

图25为微缩车根据车道线行驶的部分路线；

图26为微缩车根据车道线停车的部分路线；

图27为停车场的二维码；

图28为gazebo中的AprilTag布局图；

图29为2D激光雷达实时建图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明实施例提供了一种基于V2X的微缩车动态路径规划车路协同***，该***包括：沙盘模型和微缩车模型。沙盘模型包括：道路、道路设施、电子元件以及传感器；其中，电子元件负责处理由传感器收集到的道路设施数据。道路包括十字路口、回环、高架桥、U型弯道以及S型弯道；道路设施包括：停车场、泊车位、龙门吊架以及信号灯；电子元件包括：计算平台；传感器包括：激光雷达、毫米波雷达以及摄像头；每个龙门吊架上配备有一个信号灯、一个摄像头和一个毫米波雷达；其中，信号灯用于指示微缩车停止和前进；摄像头用于提供视觉捕捉影像；毫米波雷达用于采集微缩车的车辆位置信息；计算平台用于将传感器收集到的数据进行处理；激光雷达用于扫描场景信息，生成云点图像。

一、微缩车模型：

(1)微缩车介绍：

本设计中的仿真实验和实际实验采用的车辆模型均为微缩车模型，如图1所示的是一辆微缩车，它所使用的传感器包括一个360度扫描半径12米的激光雷达、两个高清视频摄像头和集成了的加速度计和陀螺仪。除此之外车辆本身配有Intel AtomTM处理器的计算平台、WIFI模块和大容量电池足以完成测试任务。

(2)微缩车车辆控制：

微缩车的底盘有一个舵机来控制前轮的方向还有一个电机来控制后轮的转动，这里采用的控制方式均为PWM控制。值得指出的是，由于微缩车的车轮没有安装速度传感器，电机的控制为开环控制。

二、Gazebo：

Gazebo是一个3D动态模拟器，能够准确有效地模拟复杂的室内和室外环境中的机器人群体。虽然与游戏引擎相似，但Gazebo提供了保真度更高的物理模拟，一套传感器，以及用户和程序的接口。Gazebo的典型用途包括测试机器人的算法、设计机器人、用真实的场景进行回归测试等。其主要特点包括具备多个物理学引擎、丰富的机器人模型和环境库，涵盖各式各样的传感器，以及较为方便的程序化功能和图形化界面等。

三、沙盘模型：

(1)整体模型配置：

沙盘整体模型如图2和图3所示，主要由道路，道路设施，电子元件及传感器组成。道路特征包含了十字路口，回环，高架桥，U型弯道，S型弯道。道路设施包含了停车场及泊车位，龙门吊架，信号灯。用于检测的电子元件主体为计算平台，其余部分由激光雷达、毫米波雷达、图像处理的摄像头等传感器组成。如图4所示为整体沙盘俯视图及其组成的尺寸标注；如图5、6、7、8、9、10和11所示为沙盘各个部分的尺寸标注。由信号灯、摄像头、毫米波雷达组成的交通信号检测处理***模型如图12所示；由激光雷达、计算平台、龙门吊架组成的路口目标检测分析***模型如图13和图14所示。

参照图15所示，整个沙盘的道路路面可分为停车场，十字路口，回环，高架桥和一般道路五大部分，接下来将逐一介绍每个部分。停车场部分包含了8个泊车位，其中每个泊车位长600mm，宽480mm。整个停车场的长为4000mm，宽为2000mm。十字路口部分包含了1个龙门吊架，一个方形架台，4个信号灯，4个摄像头，1个计算平台和1个激光雷达。龙门吊架的长度为1240mm，高度为500mm。在龙门吊架上装有一个方形的架台用于安置信号灯，摄像头和计算平台。方形架台的边长为600mm，在其每一边都安装了1个信号灯和1个摄像头。在方形架台的中间安装了1个计算平台。激光雷达位于十字路口的右上方，其测量范围可涵盖整个十字路口。回环部分包含了1个龙门吊架，4个摄像头，1个计算平台，1个激光雷达。龙门吊架的长度为2340mm，高度为500mm。在龙门吊架上装有1个计算平台，4个摄像头和1个激光雷达，龙门吊架的最上方安置计算平台，以90度夹角设立的支架四周安装摄像头检测各个方向道路信息，每个方向安置1个摄像头，共安置4个；摄像头下方安置了1个激光雷达，可以进行360°的旋转，其距离地面高度为145mm，监测范围为整个圆环及其3个出入口处。高架桥的部分包含了2个龙门吊架，2个信号灯，2个摄像头，2个毫米波雷达。其高度为350mm，道路宽度为250mm，上下坡道角度为20°，坡道长度均为1400mm，弯道半径为1300mm。在高架的出入口都安置了1龙门吊架，龙门吊架的高度为360mm。在龙门吊架上安置了1个信号灯，1个毫米波雷达和1个摄像头。一般道路的部分包含4个弯道，分别为2个普通弯道，1个U型弯道和1个S型弯道。2个普通弯道的半径为325mm，U型弯道的半径为870mm，S型弯道的半径为445mm。

(2)激光雷达：

在本沙盘模型中配置有2个激光雷达如图16所示为激光雷达3D立体图。激光雷达是检测物体时最常用的传感器，具有高精度、高分辨率、远距离和扫描面积广等优点，可快速、实时获取被测物体的三维空间信息，进一步获取物理模型三维点云，如图17所示为所用激光雷达扫面角度与可扫描识别的区域。相比视觉相机，激光雷达不仅能够迅速获取大规模三维点云数据，提供环境的精确几何信息，并对光照强度变化、天气条件具有很强的鲁棒性，激光雷达凭借稳定可靠的性能在目标检测任务中发挥重要作用。本发明中激光雷达主要用于复杂条件下目标检测及障碍物检测，进而为行人人身安全、汽车驾驶员以及自动驾驶汽车等单元提供安全保障，为缓解城市道路交通运转压力以及减少出行人途中因拥堵浪费的时间提供理论支持。

介绍中激光雷达采用的是16线激光雷达。该雷达最大的特点是体积小巧且能耗低，在国内乃至世界拥有领先优势，现阶段多用于机器人环境感知、自动驾驶汽车周边环境感知、移动设备智能安防检测、无人机测绘等领域。

其内置16组激光元器件，同时发射与接收高频率激光束，通过360旋转，进行实时3D成像，提供精确的三维空间点云数据及物体反射率，让机器获得可靠的环境信息，在定位、避障、导航调度中发挥着不可或缺的作用，传感器参数功能如下表1所示，激光雷达输出端口介绍如下表2所示。

表1 16线激光雷达传感器参数

表2多线激光雷达输出模块介绍

(3)毫米波雷达：

在本沙盘模型中配置有2个毫米波雷达，毫米波雷达传感器对恶劣光线和天气条件产生的环境影响具有鲁棒性，可以在复杂场景下识别目标；毫米波雷达体积更小且在处理数据时能耗低更低、速度更快。随着77GHz毫米波雷达技术的发展与完善，工业界逐步从24GHz雷达升级至更有优势的77GHz雷达，利用毫米波雷达进行目标检测时频率更高、波长更短，检测精度及测量范围已达到交通检测要求。

将毫米波雷达与视觉摄像头等多传感器融合，结合激光雷达三维点云数据识别处理复杂的交通环境，可极大提高危险目标探测能力及检测准确性，提升城市交通安全以及运营效率。

沙盘中采用大陆航空提供的一种新型雷达传感器，如图18所示。该传感器可独立测量到物体的距离和速度(多普勒原理)，由于FMCW(调频连续波)具有非常快的斜坡，在一个测量周期内没有反射器，其实时扫描速度为17/s。该设备的一个特点是可以同时测量相对距离250米的远距离速度和两个物体之间的角度关系。此外该毫米波雷达还能够实时扫描并完成检测目标与监测点的距离，识别检测目标车辆的行驶速度，进一步分析可能存在碰撞风险。

在汽车行业供应快发展过程中，毫米波雷达拥有更精简的测量技术原理以及更小的体积，传感器还拥有自我检测功能，能够自动感知、监测传感器环境、识别传感器故障并反馈故障信息，在远距离航向控制、远距离区域检测、车辆防撞、混乱中目标检测等场景拥有更可靠技术和更为广泛应用。毫米波雷达测量性能表如下表3所示：

表3毫米波雷达测量性能表

(4)弯道设计原理：

沙盘模型中弯道的设计原理是基于微缩车的车道线检测和追踪模块，车道线检测和追踪模块对应的实现功能为U型弯掉头和S弯行驶两部分。基于单侧车道线判断车辆位置的算法如下：

首先为视觉处理，将摄像头读入的图片进行转换，调整为灰度图，用10x10的矩形进行膨胀(对白色进行膨胀等同于对包含车道线在内的黑色部分进行腐蚀)以去除黑色噪点，随后进行反阈值变换，再进行透视变换转换成鸟瞰图，下面从鸟瞰图中提取出车道线。

统计一半大小的x方向上白点的数量分布，将最大值所在的x坐标认为是车道线的起点，然后用滑窗法计入车道线的像素点坐标分布，二次曲线拟合处理该坐标分布，以二次曲线在真实坐标系(以摄像头为坐标原点建立的平行于地面的坐标系)下与车头平行线交点位置判断识别出的车道线是左车道还是右车道，即得到了所需车道线的全部几何信息。

得到了车道的二次曲线方程以及是左车道还是右车道的信息后，接下来就是更为重要的轨迹规划和运动控制，运用纯追踪法分析，基于几何追踪的方法推导简单直观。

如图19所示为一个几何学自行车模型。运用阿克曼转向设计弯道，一般来说先用转换矩阵找出左右转向角关系，再求得轮距与轴距间转向误差，最后由阿克曼转向几何求得最小误差的目标函数，由此将转向误差降至最低。图中自行车模型可以简单直观的模拟阿克曼转向几何中的模型。

沙盘中实际应用的智能微缩车为四轮车，设计时利用自行车模型将四轮车辆简化成两轮车辆模型，并且假定车辆只在平面上行驶，此设计优点在于前轮转向角与后轴行驶的曲率之间的几何关系满足：

其中，δ表示前轮的转角，L表示自行车前后车轮间的轴距(Wheelbase)，R则为在给定的转向角下后轴遵循着的圆的半径。设计时运用自行车几何关系式可对车辆行驶做出估计，特别是在车辆转弯以较低速度行驶的场景中预估结果更加准确。运用纯跟踪算法，以几何学自行车模型的后车轴为切点,车辆纵向车身为切线,通过控制前轮转角，车辆就可以沿着一条经过目标路点(goal point)的圆弧行驶，如图20所示。

经过简单的几何推导，可以得到几何学自行车模型转弯设计中，纯追踪算法控制量的最终表达式：

其中，l_d表示车辆前后两轴轴距；α表示车辆姿态航向角；在以车辆中心为原点，前进方向为y轴正向建立起的坐标系下，纯追踪模型的形式为：

此处忽略x及δ的正负，其中I为前后轮轴心距离，x为目标点的横坐标，L为目标点到原点(车辆中心点)的距离。

(5)场景功能：

为了让无人驾驶微缩车更好地完成在不同道路场景下的测试，在此沙盘模型中加入了高架桥，回环，十字路口，停车场场景。

1)高架桥：

高架桥的场景中有1个入口和1个出口，包含的设备有2个龙门吊架，2个信号灯，2个摄像头，2个毫米波雷达。高架桥的道路宽度为250mm，可容纳1辆微缩车行驶；高架桥上的U型弯道的半径为1300mm；高架入口和出口的上下坡角度均为20°，上下坡的道路长度均为1400mm；高架桥到路面的高度为350mm。2个龙门吊架安置在高架桥的入口和出口处，高度均为360mm；每个龙门吊架上配备有1个信号灯，1个摄像头和1个毫米波雷达。信号灯的作用是指示微缩车停止和前进；摄像头的作用是提供视觉捕捉影像；毫米波雷达的作用是采集微缩车的车辆位置信息；计算平台的作用是将传感器收集到的数据进行处理。

场景运作模式为：使用毫米波雷达采集微缩车的车辆位置信息，和摄像头捕捉到的画面信息，通过计算平台将信息融合与处理，进行整个场景的运作。在高架上坡入口处的信号灯默认为红灯，通过毫米波雷达检测是否有微缩车在道路上等待驶入高架。微缩车会先在高架入口停车，此时毫米波雷达和摄像头检测到有微缩车正在等待通过，控制信号灯变为绿灯。微缩车检测到入口处信号灯为绿灯后，开始行驶。一直行驶至高架下坡出口处，微缩车检测到出口处信号灯为红灯，然后停车。此时出口处的毫米波雷达和摄像头会检测到有微缩车正在等待驶出高架，控制信号灯变为绿灯。微缩车检测到出口处信号灯为绿灯后，开始驶出高架。整个微缩车的行驶路线如图21所示。

2)回环：

回环的场景中有3个出入口，包含的设备有1个龙门吊架，4个摄像头，1个计算平台，1个激光雷达。路面宽度为500mm；3个出入口分别位于回环的左上方，正右方和左下方，微缩车通过回环可以完成90°和120°的转向。在正右方和左下方的出入口处设有人行横道线。龙门吊架位于圆环的中心，其长度为2340mm，高度为500mm。在龙门吊架上装有1个计算平台，4个摄像头和1个激光雷达，龙门吊架的最上方安置计算平台，以90度夹角设立的支架四周安装摄像头检测各个方向道路信息，每个方向安置1个摄像头，共安置4个；摄像头下方安置了1个激光雷达，可以进行360°的旋转，其距离地面高度为145mm，检测范围为整个圆环及其3个出入口处。激光雷达的作用是扫描场景信息，生成云点图像；摄像头的作用是捕捉视觉图像；计算平台的作用是将传感器收集到的数据进行处理。

场景运作模式为：使用360°的激光雷达扫描当前的环境信息生成点云信息，和摄像头捕捉到的画面信息，通过计算平台将信息融合与处理，进行整个场景的运作。运用V2X车路协同***给予车流规划的支持，使单辆微缩车或是整个车队顺利的通过回环场景。在正右方和左下方设置了人行横道线，若激光雷达检测到有行人从人行横道线通过，则通过计算平台控制微缩车，使微缩车的运动停止。待行人通过人行横道线后，再控制微缩车驶入或驶出回环。

3)十字路口：

在沙盘模型中包含了1个十字路口和2个T字形路口。十字路口的部分包含了1个龙门吊架，1个方形架台，4个信号灯，4个摄像头，1个计算平台和1个激光雷达。龙门吊架的长度为1240mm，高度为500mm。在龙门吊架上装有一个方形的架台用于安置信号灯，摄像头和计算平台。方形架台的边长为600mm，在其每一边都安装了1个信号灯和1个摄像头。在方形架台的中间安装了1个计算平台。激光雷达位于十字路口的右上方，其测量范围可涵盖整个十字路口。激光雷达的作用是扫描场景信息，生成云点图像；摄像头的作用是捕捉视觉图像；计算平台的作用是将传感器收集到的数据进行处理。在十字路口的4个路面都设有人行横道线，如图22所示。

场景运作模式为：使用360°的激光雷达扫描当前的环境信息生成点云信息，和摄像头捕捉到的画面信息，通过计算平台将信息融合与处理，进行整个场景的运作。运用V2X车路协同***给予车流规划的支持，使单辆微缩车或是整个车队顺利的通过十字路口场景。信号灯会根据当前路况亮红灯或者绿灯，如果横向道路有车辆行驶，则横向道路的2个信号灯会亮绿灯，纵向道路的2个信号灯会亮红灯。反之，如果纵向道路有车辆行驶，则纵向道路的2个信号灯会亮绿灯，横向道路的2个信号灯会亮红灯。微缩车行驶到十字路口场景时，可以选择进行直行，左转弯或右转弯。如果微缩车选择直行，根据信号灯判断是否可用继续行驶。若信号灯为绿灯，则继续行驶；若信号灯为红灯，则停车等待至信号灯变为绿灯，再重新开始行驶。如果微缩车选择左转，当信号灯为绿灯时，激光雷达监测其对侧是否有来车通过。若其对侧无来车，则开始进行左转弯；若其对侧有来车准备或正在通过，则等待对侧来车通过之后，再进行左转弯。同时，激光雷达会监测其左侧人行横道是否有行人通行，若有行人通行，则微缩车在人行横道线前停止，等待行人通行完成后再重新行驶。如果微缩车选择右转弯，当信号灯会绿灯时，则直接进行右转弯，同时激光雷达会监测其右侧人行横道是否有行人通行，若有行人通行，则微缩车在人行横道线前停止，等待行人通行完成后再继续进行右转弯；当信号灯为红灯时，则通过激光雷达判断其左侧是否有来车通过，如左侧有来车，则等待左侧车辆通行完成后，再进行右转弯。同时激光雷达会监测其右侧人行横道是否有行人通行，若有行人通行，则微缩车在人行横道线前停止，等待行人通行完成后再继续进行右转弯。

微缩车在十字路口场景的部分行驶路线如23所示。

4)停车场场景：

停车场部分包含了8个泊车位，其中每个泊车位长600mm，宽480mm。整个停车场的长为4000mm，宽为2000mm。在每个停车位前方，均标有T字形的白色车道线，供微缩车的双摄头进行识别，从而实现自动泊车的场景功能，车道线如图24所示。

当微缩车进入停车场时，可用根据车道线的引导前进至停车位前方，如图25所示。

微缩车行驶至停车位前方后，借助微缩车后方的2个摄像头可捕捉路面信息的功能特点，微缩车可以去定位停车位的中心线，如图26所示。

微缩车通过识别停车场场景的车道线，可以完成自动泊车的场景功能实现。除此之外，在停车场的路面上还有标有空间位置信息的二维码，微缩车的摄像头通过扫描此二维码可以采集到当前的位置信息，与识别到的车道线信息相融合进行处理，做出更加精准的停车动作。停车场的二维码标识如图27所示：

(6)空间定位：

为了让无人驾驶微缩车更精确地完成道路的行驶，在此沙盘模型中加入了空间定位功能。车辆的空间定位一般有激光2-D SLAM、WIFI定位与tag码定位等方法。2-D SLAM定位的方法仅使用单线激光雷达传感器，并在激光雷达扫描的平面内进行二维定位，但因为实际测量中是无法始终保持激光头保持在同一个平面上，地面得到颠簸，行进的速度，甚至轮胎亏气，都会导致定位失准，因此仅使用2-D SLAM是有局限性的。WIFI定位首先在场地周围放置几个AP基站，微缩车接收WIFI信号，基站通过测算信号强弱来定位车辆，但其定位精度也受到WIFI信号强度的制约。tag码定位在道路中安放许多个特征二维码，车辆的摄像头在拍到这些二维码后，再结合2-D SLAM得到的地图信息进行匹配，从而来定位车辆。

综上三种定位方式了解到，无论采用哪种定位方式都各有优缺点，本设计中结合上述三种定位方式优点，搭建AprilTag的测试方式来完成沙盘模拟中的空间定位。AprilTag是一个视觉参考***，标志物标签类似于条形码或者二维码。利用AprilTag检测识别智能微缩车时，将标签统一贴在微缩车固定区域，通过AprilTag检测程序可以计算出标签码id来确认微缩车标号，同时可以识别出智能微缩车在沙盘中的3D位置以及方向。该方法对智能微缩车在沙盘中的编号识别、空间定位、方向识别以及后续各个方向的详细研究具有重要意义。

如图28所示，在高架桥的上、下角以及长直道和一些弯道放置了一些标签二维码，以便汽车能够更准确地定位。

这些二维码包含了整个地图和当前位置的信息。当微缩车扫描到二维码时，可以根据读取二维码获得的信息定位到当前的位置信息，有助于为之后的行驶路线做规划。

利用ROS中gmapping包中的slam_gmapping来对目标进行建图，建图过程中利用键盘控制车辆的运动使得激光雷达可以扫过整个沙盘，从而完成2-D建图，其中在gazebo和RVIZ中的示意图如图29所示。

本发明实施例提供了一种基于V2X的微缩车动态路径规划车路协同***，为自动驾驶云平台的微缩车提供一个可以进行测试的沙盘模型，其中包含了自动驾驶测试要求的要点特征：十字路口、回环、高架桥和泊车位，搭配路口红绿灯，利用图像检测技术、摄像头、毫米波雷达和激光雷达等传感器，共同配合完成无人驾驶微缩车在仿真环境中的测试。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于V2X的微缩车动态路径规划车路协同***，其特征在于，包括：沙盘模型和微缩车模型；

所述沙盘模型包括：道路、道路设施、电子元件以及传感器；其中，电子元件负责处理由传感器收集到的道路设施数据。

2.根据权利要求1所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述道路包括十字路口、回环、高架桥、U型弯道以及S型弯道；

所述道路设施包括：停车场、泊车位、龙门吊架以及信号灯；

所述电子元件包括：计算平台；

所述传感器包括：激光雷达、毫米波雷达以及摄像头；

所述每个龙门吊架上配备有一个信号灯、一个摄像头和一个毫米波雷达；其中，信号灯用于指示微缩车停止和前进；摄像头用于提供视觉捕捉影像；毫米波雷达用于采集微缩车的车辆位置信息；计算平台用于将传感器收集到的数据进行处理；激光雷达用于扫描场景信息，生成云点图像。

3.根据权利要求2所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述信号灯、摄像头和毫米波雷达组成交通信号检测处理***；

所述激光雷达、计算平台和龙门吊架组成路口目标检测分析***。

4.根据权利要求2所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述龙门吊架上安装有架台，用于安置信号灯、摄像头和计算平台。

5.根据权利要求2所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，虚拟仿真模拟测试采用Gazebo模拟器，在进行微缩车仿真环境测试时，沙盘模型、各个传感器、计算平台以及微缩车模型都将导入到Gazebo中，在Gazebo上进行虚拟仿真模拟测试。

6.根据权利要求2所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述激光雷达采用的是十六线激光雷达，其内置十六组激光元器件，同时发射与接收高频率激光束，通过360旋转，进行实时3D成像。

7.根据权利要求2所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述毫米波雷达采用大陆航空提供的新型雷达传感器，能够同时测量相对距离250米的远距离速度和两个物体之间的角度关系，还能够实时扫描并完成检测目标与监测点的距离，识别检测目标车辆的行驶速度，进一步分析存在碰撞的风险。

8.根据权利要求1所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述沙盘模型中加入空间定位功能，搭建视觉参考***AprilTag完成沙盘模拟中的空间定位，结合激光2-D SLAM、WIFI定位与tag码定位三种定位方式；

利用AprilTag检测识别智能微缩车时，将标签统一贴在微缩车固定区域，通过AprilTag检测程序计算出标签码id来确认微缩车标号，同时识别出智能微缩车在沙盘中的3D位置以及方向。

9.根据权利要求8所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述在高架桥的上、下角以及长直道和一些弯道放置标签二维码，所述标签二维码包含整个地图和当前位置的信息。

10.根据权利要求8所述的基于V2X的微缩车动态路径规划车路协同***，其特征在于，所述2-D SLAM定位仅使用单线激光雷达传感器，并在激光雷达扫描的平面内进行二维定位；

所述WIFI定位在场地周围放置多个AP基站，微缩车接收WIFI信号，基站通过测算信号强弱来定位车辆；

所述tag码定位在道路中安放多个特征二维码，车辆的摄像头在拍到特征二维码后，再结合2-D SLAM得到的地图信息进行匹配，从而来定位车辆。

Images