CN115691223A - 一种基于云边端协同的碰撞预警方法及*** - Google Patents
一种基于云边端协同的碰撞预警方法及*** Download PDFInfo
- Publication number
- CN115691223A CN115691223A CN202211728302.1A CN202211728302A CN115691223A CN 115691223 A CN115691223 A CN 115691223A CN 202211728302 A CN202211728302 A CN 202211728302A CN 115691223 A CN115691223 A CN 115691223A
- Authority
- CN
- China
- Prior art keywords
- collision
- information
- data
- early warning
- traffic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008447 perception Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000497429 Obus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种基于云边端协同的碰撞预警方法及***，所述方法包括：将原始数据传输至边缘云；识别原始数据的数据信息，根据数据信息对原始数据进行结构化分类和标准化处理；根据标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；基于轨迹信息，对交通参与者进行碰撞检查，计算碰撞参与者的碰撞风险指标；结合碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，生成预警信息，并当判断生成预警信息发布至中心云。采用本方法能够大幅提升数据计算效率，同时也对交通参与者进行了全面的碰撞检测，提高了计算结果的准确性，也实现高效的车与车、车与弱势交通参与者之间碰撞预警。
Description
技术领域
本发明涉及边缘云计算技术领域，尤其涉及一种基于云边端协同的碰撞预警方法及***。
背景技术
近年来，随着5G、C-V2X等新基建的快速部署实施，全国范围内建设了多个基于车路协同的C-V2X先导试验区，加速了C-V2X产业的商业化进程。随着C-V2X基础设施建设的推进，中国汽车工程学会发布了团体标准《合作式智能运输*** 车用通信***应用层及应用数据交互标准》（第一阶段与第二阶段），对包括碰撞预警在内的17 + 12种典型的C-V2X应用场景进行了定义和规范。
当前阶段，这些应用场景在具体实现时，往往存在依赖于定制化设备，感知或预警不及时，受天气、视线、遮挡物干扰等问题，影响了C-V2X应用场景实施的实际效果，导致对于碰撞预警的感知不准确或不及时。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于云边端协同的碰撞预警方法及***。
本发明实施例提供一种基于云边端协同的碰撞预警方法，包括：
通过感知设备采集路侧及车载的原始数据，并将所述原始数据传输至边缘云；
识别所述原始数据的数据信息，根据所述数据信息对所述原始数据进行结构化分类，得到结构化数据，所述结构化数据包括：交通事件、交通标志、交通参与者；
获取所述结构化数据对应的信息标准，基于所述信息标准对所述结构化数据进行标准化处理，得到对应的标准化数据；
根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；
基于所述轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标；
获取预设的碰撞指标阈值，结合所述碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据所述预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将所述预警信息发布至中心云。
在其中一个实施例中，所述方法还包括：
基于所述标准化数据，计算交通参与者的运动学信息，并根据所述运动学信息的参数，自适应选择对应的轨迹预测模型，所述运动学信息包括：速度、加速度、航向角偏转值及角速度；
结合所述运动学信息及轨迹预测模型，计算所述交通参与者的未来轨迹信息。
在其中一个实施例中，所述交通参与者，包括：
车辆、弱势交通参与者；
所述基于轨迹信息，对每一帧数据中的交通参与者进行碰撞检查，包括：
基于所述轨迹信息，对每一帧数据中的n个车辆、m个弱势交通参与者进行Cn 2 次车辆间碰撞检查及n*m次车辆与弱势交通参与者间碰撞检查。
在其中一个实施例中，所述方法还包括：
获取所述碰撞检查结果对应的碰撞类型，根据所述碰撞类型选取对应的估计算法，并通过所述估计算法计算所述碰撞参与者的碰撞风险指标；
所述估计算法，包括：
基于TTC的时间接近度碰撞风险指标计算方法、基于PSD的时间接近度碰撞指标计算方法以及基于模糊数学的弱势交通群体碰撞危险度估计方法。
在其中一个实施例中，所述方法还包括：
根据所述估计算法的算法类型，获取对应的碰撞指标阈值。
在其中一个实施例中，所述方法还包括：
通过路侧感知设备采集感知数据，通过OBU采集车载数据，通过交通基础设施采集交通控制信息，通过GNSS提供定位信息及授时信息。
本发明实施例提供一种基于云边端协同的碰撞预警***，包括：
采集模块，用于通过感知设备采集路侧及车载的原始数据，并将所述原始数据传输至边缘云；
结构化模块，用于识别所述原始数据的数据信息，根据所述数据信息对所述原始数据进行结构化分类，得到结构化数据，所述结构化数据包括：交通事件、交通标志、交通参与者；
标准化模块，用于获取所述结构化数据对应的信息标准，基于所述信息标准对所述结构化数据进行标准化处理，得到对应的标准化数据；
计算模块，用于根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；
碰撞检查模块，用于基于所述轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标；
预警模块，用于获取预设的碰撞指标阈值，结合所述碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据所述预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将所述预警信息发布至中心云。
在其中一个实施例中，所述***还包括：
第二计算模块，用于基于所述标准化数据，计算交通参与者的运动学信息，并根据所述运动学信息的参数，自适应选择对应的轨迹预测模型，所述运动学信息包括：速度、加速度、航向角偏转值及角速度；
第三计算模块，用于结合所述运动学信息及轨迹预测模型，计算所述交通参与者的未来轨迹信息。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于云边端协同的碰撞预警方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于云边端协同的碰撞预警方法的步骤。
本发明实施例提供的一种基于云边端协同的碰撞预警方法及***，通过感知设备采集路侧及车载的原始数据，并将原始数据传输至边缘云；识别原始数据的数据信息，根据数据信息对原始数据进行结构化分类，得到结构化数据，结构化数据包括：交通事件、交通标志、交通参与者；获取结构化数据对应的信息标准，基于信息标准对结构化数据进行标准化处理，得到对应的标准化数据；根据标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；基于轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于碰撞检查结果与对应的碰撞参与者的时空位置信息，计算碰撞参与者的碰撞风险指标；获取预设的碰撞指标阈值，结合碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将预警信息发布至中心云。这样不仅能够将复杂的数据计算放在边缘云云端处理，可大幅提升数据计算效率，解决端设备计算能力不足的问题，同时也对交通参与者进行了全面的碰撞检测，提高了计算结果的准确性，也实现高效的车与车、车与弱势交通参与者之间碰撞预警，同时采用车路协同的感知方案，实现全域感知且不受天气、视线、遮挡物干扰等影响，解决单车智能可能存在的感知范围有限、无法及时感知的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于云边端协同的碰撞预警方法的流程图；
图2为本发明实施例中一种基于云边端协同的碰撞预警***的结构图；
图3为本发明实施例中电子设备结构示意图。
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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于云边端协同的碰撞预警方法的流程示意图，如图1所示，本发明实施例提供了一种基于云边端协同的碰撞预警方法，包括：
步骤S101，通过感知设备采集路侧及车载的原始数据，并将所述原始数据传输至边缘云。
具体地，通过各种类型的协议接入所有相关的路侧设备及车载设备的数据，即为原始数据，比如通过路侧感知设备收集原始的感知数据（如视频流等），OBU收集车载数据，交通基础设施收集交通控制信息，GNSS提供精确定位信息及授时信息，然后在汇集上述原始信息到RSU后，将原始数据上传到边缘云，或不经过RSU汇集直接上传边缘云。边缘云为部署在网络边缘的云计算平台，通常采用私有云部署，部署方式包括虚拟化部署或容器化部署。
步骤S102，识别所述原始数据的数据信息，根据所述数据信息对所述原始数据进行结构化分类，得到结构化数据，所述结构化数据包括：交通事件、交通标志、交通参与者。
具体地，在接收到原始数据后，采用AI训练推理算法，对路侧感知设备输出的原始数据进行目标识别，识别数据信息后，进行数据信息的融合、分析、去重，并通过标准化坐标体系与时间切片，实现路侧多种设备的数据融合，生成路侧交通事件、交通标志、交通参与者的结构化数据。
另外，具体的数据结构化方法可以包括：针对多个不同类型感知设备生成的结构化数据，为解决不同源数据匹配精度低、源数据噪声干扰导致融合数据质量差、直接融合后数据失真与细节丢失等问题，本实施例采用匈牙利匹配算法与卡尔曼滤波为内核，经过局部坐标系转换，并融合丰富微观交通运动特征的时空轨迹历史数据，实现了同目标轨迹的精准匹配，滤波过程较好的剔除异常值，在滤波过程中对轨迹点高频采样以保证融合结果的低延迟高精度。
步骤S103，获取所述结构化数据对应的信息标准，基于所述信息标准对所述结构化数据进行标准化处理，得到对应的标准化数据。
具体地，依据V2X相关标准要求对结构化数据进行标准化处理，生成符合信息标准的RSM（Roadside Safety Message）、RSI（Road Side Information）等标准化数据。标准化后的数据需要符合行业标准或团体标准要求，例如，交通事件数据需包括事件类型、事件来源、事件位置、事件影响半径、时间、优先级、关联路径、关联路段、可信度等信息，交通标志数据需包括标志类型、标志位置、时间、优先级、关联路径、关联路段、描述等信息，交通参与者数据需包括参与者类型、参与者ID、信息来源、时间、位置、速度、航向角、尺寸、车辆类型等信息。
步骤S104，根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息。
具体地，基于标准化数据计算交通参与者的运动学信息包括速度、加速度、角速度等，并根据运动学特征自动选取适当的轨迹预测模型，计算未来轨迹和足迹信息，具体包括：
基于标准化数据计算出交通参与者的各个轨迹点之间的速度、加速度、航向角偏转值以及角速度。其次，计算各运动学参数平均值，作为最后一个轨迹点的当前平均速度、加速度、角速度。轨迹点的数量由参数调控。
轨迹预测模型可以包括下述4种：
CV (Constant Velocity) 恒定速度模型；
CA (Constant Acceleration) 恒定加速度模型；
CTRV (Constant Turn Rate and Velocity) 恒定转弯速率及速度模型；
CTRA (Constant Turn Rate and Acceleration) 恒定转弯速率及加速度模型；
通过分析交通参与者历史运动轨迹，并运用汽车运动学特征算法，自适应地计算得出最合适采用的轨迹预测模型；
最后，足迹指车辆占据道路的形状，算法分别对车辆与弱势交通参与者使用了基于条带的足迹计算和基于圆的足迹计算方法。基于条带的足迹计算，用矩形表示车身形状；基于圆的足迹计算以圆近似交通参与者形状。
步骤S105，基于所述轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标。
具体地，基于轨迹信息，对每一帧标准化数据中的交通参与者的轨迹信息进行两两之间的碰撞检测，具体可以包括：基于轨迹信息，对每一帧数据中的n个车辆、m个弱势交通参与者进行Cn 2 次车辆间碰撞检查及n*m次车辆与弱势交通参与者间碰撞检查，并对于每一对参与者，依据轨迹点序列与足迹序列，基于多种空间几何图形位置判别函数，逐点计算两车辆的碰撞情况，若足迹在时空上有重叠，则认为存在碰撞的可能。
然后基于碰撞检查结果与对应的碰撞参与者的时空位置信息，计算碰撞参与者的碰撞风险指标，比如根据碰撞类型选取对应的估计算法，并通过估计算法计算所述碰撞参与者的碰撞风险指标，具体包括：
1、基于TTC的时间接近度碰撞指标计算：
距离碰撞时间( Time to Collision, TTC)是使用最为广泛的碰撞指标，最适用于追尾冲突，其定义为“如果保持碰撞方向和速度差，两辆车发生碰撞前剩余的时间”, 公式如下：
TTC = d/△v
其中 d 是车辆 1与车辆 2之间的空间距离，△v 是两车的速度差。
TTC临界阈值一般假定为 2s 至 3s。若冲突双方的TTC小于临界阈值，则认为双方之间存在严重冲突，甚至有很大概率发生碰撞，触发预警机制。
2、基于PSD的时间接近度碰撞指标计算：
停车距离比( Proportion of Stopping Distance, PSD)是广泛使用的基于距离接近度的冲突指标，是指相互靠近的存在碰撞可能性的双方中的一方发现冲突对象时，距离潜在碰撞点的剩余距离与最小可接受停止距离之间的比值，如下式所示：
PSD = RD / MSD
其中 RD 是距离潜在碰撞点的距离，MSD 是最小可接受停止距离。
通常 MSD 是驾驶员或者骑行者以最大可接受减速度减速至完全停下来的距离，如下式所示:
MSD = v2/2amax
其中 v 是驾驶员或者骑行者发现冲突开始减速的起始初速度， amax 是最大可接受减速度。
若冲突双方发现冲突时的 RD 小于 MSD，则认为双方之间存在严重冲突，甚至有很大概率发生碰撞，触发预警机制。
3、基于模糊数学的弱势交通群体碰撞危险度估计：
基于模糊数学评价的思想，选取距离碰撞时间（TTC）、最小会遇距离（MMD）、最小会遇距离变化速率（MMS）三种指标构建因素集，从迫切性与严重性两个维度，分别构造安全评价与危险评价的隶属度函数，最终得到融合危险度
步骤S106，获取预设的碰撞指标阈值，结合所述碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据所述预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将所述预警信息发布至中心云。
具体地，获取预设的碰撞指标阈值，其中，碰撞指标阈值可以根据估计算法的类型确定，比如，对于 TTC 指标，依据采集到的大量实验数据，经过对比优化，选取2.14s作为默认推荐判断阈值；对于 PSD 指标，依据采集到的大量实验数据，经过对比优化，选取3.4m/s2作为大多数驾驶员的 amax（最大可接受减速度），PSD 的预警阈值由公式结构（PSD = RD/ MSD）决定，固定为1；对于基于模糊数学的碰撞危险度指标，依据采集到的大量实验数据，经过对比优化，选取0.4为预警阈值，然后结合碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据预警迫切等级判断是否生成预警信息，比如当碰撞风险指标大于碰撞指标阈值时，需要生成对应的预警信息，将预警信息发布至中心云，方便在中心云的监控大屏上进行显示，同时还可以通过RSU转发至OBU，及时提醒驾驶员可能会发生的碰撞情况。
本发明实施例提供的一种基于云边端协同的碰撞预警方法，通过感知设备采集路侧及车载的原始数据，并将原始数据传输至边缘云；识别原始数据的数据信息，根据数据信息对原始数据进行结构化分类，得到结构化数据，结构化数据包括：交通事件、交通标志、交通参与者；获取结构化数据对应的信息标准，基于信息标准对结构化数据进行标准化处理，得到对应的标准化数据；根据标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；基于轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于碰撞检查结果与对应的碰撞参与者的时空位置信息，计算碰撞参与者的碰撞风险指标；获取预设的碰撞指标阈值，结合碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将预警信息发布至中心云。这样不仅能够将复杂的数据计算放在边缘云云端处理，可大幅提升数据计算效率，解决端设备计算能力不足的问题，同时也对交通参与者进行了全面的碰撞检测，提高了计算结果的准确性，也采用车路协同的感知方案，实现全域感知且不受天气、视线、遮挡物干扰等影响，解决单车智能可能存在的感知范围有限，无法及时感知的问题。
图2为本发明实施例提供的一种基于云边端协同的碰撞预警***，包括：采集模块S201、结构化模块S202、标准化模块S203、计算模块S204、碰撞检查模块S205、预警模块S206，其中：
采集模块S201，用于通过感知设备采集路侧及车载的原始数据，并将所述原始数据传输至边缘云。
结构化模块S202，用于识别所述原始数据的数据信息，根据所述数据信息对所述原始数据进行结构化分类，得到结构化数据，所述结构化数据包括：交通事件、交通标志、交通参与者。
标准化模块S203，用于获取所述结构化数据对应的信息标准，基于所述信息标准对所述结构化数据进行标准化处理，得到对应的标准化数据。
计算模块S204，用于根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息。
碰撞检查模块S205，用于基于所述轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标。
预警模块S206，用于获取预设的碰撞指标阈值，结合所述碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据所述预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将所述预警信息发布至中心云。
在其中一个实施例中，所述***还包括：
第二计算模块，用于基于所述标准化数据，计算交通参与者的运动学信息，并根据所述运动学信息的参数，自适应选择对应的轨迹预测模型，所述运动学信息包括：速度、加速度、航向角偏转值及角速度。
第三计算模块，用于结合所述运动学信息及轨迹预测模型，计算所述交通参与者的未来轨迹信息。
关于基于云边端协同的碰撞预警***的具体限定可以参见上文中对于基于云边端协同的碰撞预警方法的限定，在此不再赘述。上述基于云边端协同的碰撞预警***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：通过感知设备采集路侧及车载的原始数据，并将原始数据传输至边缘云；识别原始数据的数据信息，根据数据信息对原始数据进行结构化分类，得到结构化数据，结构化数据包括：交通事件、交通标志、交通参与者；获取结构化数据对应的信息标准，基于信息标准对结构化数据进行标准化处理，得到对应的标准化数据；根据标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；基于轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于碰撞检查结果与对应的碰撞参与者的时空位置信息，计算碰撞参与者的碰撞风险指标；获取预设的碰撞指标阈值，结合碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将预警信息发布至中心云。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：通过感知设备采集路侧及车载的原始数据，并将原始数据传输至边缘云；识别原始数据的数据信息，根据数据信息对原始数据进行结构化分类，得到结构化数据，结构化数据包括：交通事件、交通标志、交通参与者；获取结构化数据对应的信息标准，基于信息标准对结构化数据进行标准化处理，得到对应的标准化数据；根据标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；基于轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于碰撞检查结果与对应的碰撞参与者的时空位置信息，计算碰撞参与者的碰撞风险指标；获取预设的碰撞指标阈值，结合碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将预警信息发布至中心云。
以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于云边端协同的碰撞预警方法，其特征在于，包括：
通过感知设备采集路侧及车载的原始数据，并将所述原始数据传输至边缘云；
识别所述原始数据的数据信息，根据所述数据信息对所述原始数据进行结构化分类，得到结构化数据，所述结构化数据包括：交通事件、交通标志、交通参与者；
获取所述结构化数据对应的信息标准，基于所述信息标准对所述结构化数据进行标准化处理，得到对应的标准化数据；
根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；
基于所述轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标；
获取预设的碰撞指标阈值，结合所述碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据所述预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将所述预警信息发布至中心云。
2.根据权利要求1所述的基于云边端协同的碰撞预警方法，其特征在于，所述根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息后，包括：
基于所述标准化数据，计算交通参与者的运动学信息，并根据所述运动学信息的参数，自适应选择对应的轨迹预测模型，所述运动学信息包括：速度、加速度、航向角偏转值及角速度；
结合所述运动学信息及轨迹预测模型，计算所述交通参与者的未来轨迹信息。
3.根据权利要求1所述的基于云边端协同的碰撞预警方法，其特征在于，所述交通参与者，包括：
车辆、弱势交通参与者；
所述基于所述轨迹信息，对每一帧数据中的交通参与者进行碰撞检查，包括：
基于所述轨迹信息，对每一帧数据中的n个车辆、m个弱势交通参与者进行Cn 2次车辆间碰撞检查及n*m次车辆与弱势交通参与者间碰撞检查。
4.根据权利要求1所述的基于云边端协同的碰撞预警方法，其特征在于，所述基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标，包括：
获取所述碰撞检查结果对应的碰撞类型，根据所述碰撞类型选取对应的估计算法，并通过所述估计算法计算所述碰撞参与者的碰撞风险指标；
所述估计算法，包括：
基于TTC的时间接近度碰撞风险指标计算方法、基于PSD的时间接近度碰撞指标计算方法以及基于模糊数学的弱势交通群体碰撞危险度估计方法。
5.根据权利要求4所述的基于云边端协同的碰撞预警方法，其特征在于，所述获取预设的碰撞指标阈值，包括：
根据所述估计算法的算法类型，获取对应的碰撞指标阈值。
6.根据权利要求1所述的基于云边端协同的碰撞预警方法，其特征在于，所述通过感知设备采集路侧及车载的原始数据，包括：
通过路侧感知设备采集感知数据，通过OBU采集车载数据，通过交通基础设施采集交通控制信息，通过GNSS提供定位信息及授时信息。
7.一种基于云边端协同的碰撞预警***，其特征在于，所述***包括：
采集模块，用于通过感知设备采集路侧及车载的原始数据，并将所述原始数据传输至边缘云；
结构化模块，用于识别所述原始数据的数据信息，根据所述数据信息进行对所述原始数据进行结构化分类，得到结构化数据，所述结构化数据包括：交通事件、交通标志、交通参与者；
标准化模块，用于获取所述结构化数据对应的信息标准，基于所述信息标准对所述结构化数据进行标准化处理，得到对应的标准化数据；
计算模块，用于根据所述标准化数据，结合预设的轨迹预测模型，计算交通参与者的未来轨迹信息；
碰撞检查模块，用于基于所述轨迹信息，对每一帧标准化数据中的交通参与者进行碰撞检查，并基于所述碰撞检查结果与对应的碰撞参与者的时空位置信息，计算所述碰撞参与者的碰撞风险指标；
预警模块，用于获取预设的碰撞指标阈值，结合所述碰撞风险指标及碰撞指标阈值判断交通参与者的预警迫切等级，并根据所述预警迫切等级判断是否生成预警信息，并当判断生成预警信息时，将所述预警信息发布至中心云。
8.根据权利要求7所述的基于云边端协同的碰撞预警***，其特征在于，所述***还包括：
第二计算模块，用于基于所述标准化数据，计算交通参与者的运动学信息，并根据所述运动学信息的参数，自适应选择对应的轨迹预测模型，所述运动学信息包括：速度、加速度、航向角偏转值及角速度；
第三计算模块，用于结合所述运动学信息及轨迹预测模型，计算所述交通参与者的未来轨迹信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于云边端协同的碰撞预警方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于云边端协同的碰撞预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211728302.1A CN115691223A (zh) | 2022-12-31 | 2022-12-31 | 一种基于云边端协同的碰撞预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211728302.1A CN115691223A (zh) | 2022-12-31 | 2022-12-31 | 一种基于云边端协同的碰撞预警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115691223A true CN115691223A (zh) | 2023-02-03 |
Family
ID=85057017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211728302.1A Pending CN115691223A (zh) | 2022-12-31 | 2022-12-31 | 一种基于云边端协同的碰撞预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115691223A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116166939A (zh) * | 2023-02-09 | 2023-05-26 | 浙江九州云信息科技有限公司 | 一种基于车路协同的数据预处理方法及*** |
| CN117746632A (zh) * | 2023-12-20 | 2024-03-22 | 南京智慧交通信息股份有限公司 | 一种基于智能网联的公交车驾驶风险评估预警***及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143488A1 (en) * | 2009-08-31 | 2012-06-07 | Toyota Motor Europe Nv/Sa | Vehicle or traffic control method and system |
| CN111986477A (zh) * | 2020-08-12 | 2020-11-24 | 南京市德赛西威汽车电子有限公司 | 一种基于v2x的避让弱势交通参与者的预警方法 |
| CN114579657A (zh) * | 2022-05-09 | 2022-06-03 | 浙江九州云信息科技有限公司 | 一种基于车路协同的v2x边缘云控方法及*** |
| CN115131990A (zh) * | 2022-05-20 | 2022-09-30 | 兆边(上海)科技有限公司 | 一种无信控路口混合流碰撞风险预警方法与*** |
-
2022
- 2022-12-31 CN CN202211728302.1A patent/CN115691223A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143488A1 (en) * | 2009-08-31 | 2012-06-07 | Toyota Motor Europe Nv/Sa | Vehicle or traffic control method and system |
| CN111986477A (zh) * | 2020-08-12 | 2020-11-24 | 南京市德赛西威汽车电子有限公司 | 一种基于v2x的避让弱势交通参与者的预警方法 |
| CN114579657A (zh) * | 2022-05-09 | 2022-06-03 | 浙江九州云信息科技有限公司 | 一种基于车路协同的v2x边缘云控方法及*** |
| CN115131990A (zh) * | 2022-05-20 | 2022-09-30 | 兆边(上海)科技有限公司 | 一种无信控路口混合流碰撞风险预警方法与*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116166939A (zh) * | 2023-02-09 | 2023-05-26 | 浙江九州云信息科技有限公司 | 一种基于车路协同的数据预处理方法及*** |
| CN117746632A (zh) * | 2023-12-20 | 2024-03-22 | 南京智慧交通信息股份有限公司 | 一种基于智能网联的公交车驾驶风险评估预警***及方法 |
| CN117746632B (zh) * | 2023-12-20 | 2024-06-07 | 南京智慧交通信息股份有限公司 | 一种基于智能网联的公交车驾驶风险评估预警***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489588B (zh) | 车辆驾驶风险预警方法及装置、设备、存储介质 | |
| CN115691223A (zh) | 一种基于云边端协同的碰撞预警方法及*** | |
| CN113424121A (zh) | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 | |
| CN111382768A (zh) | 多传感器数据融合方法和装置 | |
| US20190212746A1 (en) | Sensor System for Multiple Perspective Sensor Data Sets | |
| CN112781887A (zh) | 测试车辆性能的方法、装置和*** | |
| CN111383480B (zh) | 用于交通工具的危险预警的方法、装置、设备和介质 | |
| EP4089659A1 (en) | Map updating method, apparatus and device | |
| CN106781697A (zh) | 车载式不良天气实时感知及防碰撞预警方法 | |
| CN113192331B (zh) | 一种网联环境下面向骑行安全的智能预警***及预警方法 | |
| WO2023274071A1 (zh) | 驾驶行为监控方法、装置、电子设备及存储介质 | |
| CN113870553A (zh) | 一种面向混合交通流的路网运行状态检测***及方法 | |
| CN112373467A (zh) | 无人驾驶汽车的智能避障*** | |
| CN111464972A (zh) | 经优先级排序的车辆消息传递 | |
| JP2019519041A (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
| WO2023179494A1 (zh) | 危险预警的方法、装置和车辆 | |
| KR102323692B1 (ko) | Adas를 이용한 운전자 평가 방법 및 장치 | |
| CN114677848B (zh) | 感知预警***、方法、装置及计算机程序产品 | |
| CN115731695A (zh) | 一种场景安全等级确定方法、装置、设备及存储介质 | |
| CN117416375A (zh) | 车辆避让方法、装置、设备及存储介质 | |
| CN113178081B (zh) | 一种车辆汇入预警方法、装置及电子设备 | |
| CN115631626A (zh) | 一种车辆数据监控分析方法、装置、设备及介质 | |
| CN115547106A (zh) | 道路信息预警方法、***、电子设备及存储介质 | |
| CN113538893B (zh) | 车辆预警方法、控制方法、装置及电子设备 | |
| CN115064006A (zh) | 交通弱势参与者预警方法、装置、设备、存储介质和*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |