CN116110225A - 一种基于数字孪生的车路协同云控***及方法 - Google Patents
一种基于数字孪生的车路协同云控***及方法 Download PDFInfo
- Publication number
- CN116110225A CN116110225A CN202310215713.9A CN202310215713A CN116110225A CN 116110225 A CN116110225 A CN 116110225A CN 202310215713 A CN202310215713 A CN 202310215713A CN 116110225 A CN116110225 A CN 116110225A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- road
- application program
- responsible
- 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 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006855 networking Effects 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 41
- 230000009286 beneficial effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于数字孪生的车路协同云控***及方法,***包括:基础设施层、数据层、支撑层、应用层及展示层;方法包括:构建多个三维场景,检测到实时的气象信息,同时结合季节和时空等环境参数进行三维场景的自定义;通过基础设施获取数据,通过数据层输入至应用程序,应用程序对数据进行处理,处理包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;用户访问应用程序,在展示终端展示应用程序处理后的数据,实现车辆与道路的协同。本发明数字孪生引擎以厘米级误差的高精度道路、车联网车辆和智慧基站为核心,对路边的建筑、树木、灯杆等进行1:1还原,获取车路协同汽车驾驶场景,为用户提供服务。
Description
技术领域
本发明涉及智能化交通技术领域,特别涉及一种基于数字孪生的车路协同云控***及方法。
背景技术
车路协同是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通***。车路协同相关产业处于爆发期前夕,技术方案已逐步成熟,已完成小规模的示范应用,2020年我国相关产业规模约为2000亿元。随着技术的逐步成熟、产品迭代升级,产业在2022年将进入爆发期,预计2025年产业规模将超万亿元。随着智能网联汽车驾驶环境感知网络和通信***建设日趋完善,管理者对无人驾驶环境感知设备、测试过程、场内调度、应急管控及设备运维等环节的要求越来越高,纵观车路协同产业发展,短期内,产业规模以车端设备为主;中期看随着各地新基建进程的推进,路侧设备将成为产业的主要增长点;长期看,随着设备渗透率的提升,基于智慧交通***的应用服务产品占比将逐步提升并成为产业新的发力点。传统车路协同云控平台大多基于二维平面地图搭建,已难以满足智能网联汽车驾驶环境精准管控的需求,即传统的车路协同云控平台已无法满足当前智能网联汽车驾驶环境全面管控的需求,主要体现在无人驾驶场景面积大、地形地物复杂,车、路全面管控难度大;车载、路侧等终端设备繁多,运维管理工作复杂;车辆和路侧设备运行状态缺乏动态感知,调度效率低;涉及信号、通信、雷达等多种硬件攻心,集成信息可视化展示困难。数字孪生初始主要应用于飞行器真实运动的镜像仿真模拟,后在工业、游戏、交通等不同的领域中逐渐得到应用。随着科学技术的不断进步和发展,交通的数字化升级改造越来越迫切,数字化是通过一定的技术将现实的信息转换为计算机所能识别的信息并进行处理的过程,实时反映到现实物理空间,再通过实际的运行情况进行更加深入的优化处理。
现有技术一,CN113178076B一种车路协同***和车路协同方法,车路协同***包括:边缘云、路侧计算节点和路侧微基站;路侧计算节点用于获取所述路侧基础设施采集的原始交通数据,并基于该原始交通数据确定交通信息;路侧微基站包括:近距离广播通讯模组和移动网络通讯模组,近距离广播通讯模组用于将获取的所述交通信息发送至第一覆盖范围内的交通参与元素,移动网络通讯模组用于将获取的所述交通信息发送至边缘云,所述第一覆盖范围为路侧微基站的覆盖范围。虽然能够降低车路协同***的时延和建设成本,并提高车路协同***处理效率,但是车辆和路侧设备运行状态缺乏动态感知,调度效率低。
现有技术二,CN113392172A车路协同方法,通过路端***和车载导航***实现;其中,路端***中的信息为基于道路标尺位置构建的信息,车载导航***中的信息为基于经纬度坐标位置构建的信息;方法包括:车载导航***基于道路标尺与经纬度坐标转换库将基于经纬度坐标位置构建的信息转换成基于道路标尺位置构建的信息,并发送至路端***;路端***基于道路标尺与经纬度坐标转换库将基于道路标尺位置构建的信息转换成基于经纬度坐标位置构建的信息,并发送至车载导航***。虽然能够实现基于经纬度坐标位置构建的信息和基于道路标尺位置构建的信息之间的准确互通,从而提高车路协同的效率,但是车载、路侧等终端设备繁多,运维管理工作复杂。
现有技术三,CN110430079B车路协同***,包括:业务***,业务***包括多个微服务模块,各个微服务模块用于对车路协同数据进行处理,以实现与各个微服务模块对应的业务功能;主控模块,用于存储微服务模块的注册信息,并用于根据多个微服务模块中的指定微服务模块的调用请求,向指定微服务模块反馈所需调用的目标微服务模块的注册信息,以使指定微服务模块根据目标微服务模块的注册信息对目标微服务模块进行调用。虽然提高了车路协同***的可扩展性与兼容性,但是涉及信号、通信、雷达等多种硬件攻心,集成信息可视化展示困难。
目前现有技术一、现有技术二和现有技术三均存在运维管理工作复杂,车辆和路侧设备运行状态缺乏动态感知,调度效率低,涉及信号、通信、雷达等多种硬件攻心,集成信息可视化展示困难。因而,本发明提供一种基于数字孪生的车路协同云控***即方法,在三维数字孪生引擎上,以厘米级误差的高精度道路、车联网车辆和智慧基站为核心,对路边的建筑、树木、灯杆等进行1:1还原,以电影级画面打造车路协同汽车驾驶场景,为用户提供车路协同服务、信息推送服务、指挥调度服务、智慧出行服务等,为智慧交通提供强大助力。
发明内容
为了解决上述技术问题,本发明提供了一种基于数字孪生的车路协同云控***,包括:
基础设施层,负责输出各个基础设施处理的数据;
数据层,负责以哈希树的形式存储基础设施层采集的数据;
支撑层,负责为各个应用程序的支撑,实现各个应用程序的运维、管理及维护;
应用层,负责实现展示终端和用户访问与应用程序之间的通信,也实现应用程序与应用程序之间的通信;
展示层,负责实现展示终端与用户访问交互信息,展示车路协同服务、信息推送服务、指挥调度服务及智慧出行服务。
可选的,基础设施包含:信号灯、定位基站、激光雷达、毫米波雷达、车载单元、路侧单元、摄像头及气象检测器;
应用程序包含:数字孪生引擎、数据库软件、应用中间件、地理信息***、雷达数据处理软件、高精度地图软件及通用支撑软件;
应用程序的功能包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;
展示终端包含:大屏、电脑、平板机手机,用户访问包含:管理员、测试人员、运维人员及普通用户的访问。
可选的,信号灯和路侧单元通过车联网与车载单元通信,定位基站通过局域网、5G、4G、WiFi或光纤与路侧单元通信,气象检测器与北斗卫星无线连接;
激光雷达包含:车载激光雷达和路侧激光雷达,摄像头包含:车载摄像头和视频监控摄像头;车载单元上设置有车载激光雷达、车载摄像头及车载终端,路侧单元上设置有路侧激光雷达、毫米波雷达和视频监控摄像头。
可选的,数据层,包括:
数据模块,负责对模型库中的数据进行添加、删除、修改和查询操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据;
模型库模块,负责实现对数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库。
可选的,支撑层,包括:
运维控制模块,负责对应用程序进行运维服务,运维服务包含:生命周期管理、应用访问方式管理、应用扩缩容、限流降级、变更记录、事件中心及日志管理;
功能控制模块,负责对应用程序进行创建、配置及监视;
维护控制模块,负责根据需求变化或硬件环境的变化对应用程序进行部分或全部的修改。
可选的,应用层,包括:
全景展示模块,负责获取真实环境数据,将道路、附属物设施及周边建筑元素,以真实大小、材质、纹理及位置进行1:1仿真;
环境设定模块,负责接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空环境参数自定义三维场景;
全息监控模块,负责通过时间和空间同步,检测交通参与者的位置、航向及速度动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;
车联网场景模块,负责实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;
行驶状态模块,负责模拟出车辆内外多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;
设备管理模块,负责通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理。
可选的,全景展示模块,包括:
三维全景子模块,负责将道路、附属物设施及周边建筑元素,以真实大小、材质、纹理及位置进行1:1仿真,得到真实环境的三维全景;
三维漫游子模块,负责在三维全景构建的全景空间里进行切换,浏览各个不同汽车驾驶场景;
对象定位子模块,负责获取定位对象的图像,并确定定位对象的目标参考点在三维全景中的位置坐标。
本发明提供的一种基于数字孪生的车路协同云控方法,包括以下步骤:
构建多个三维场景,检测到实时的气象信息,同时结合季节和时空环境参数进行三维场景的自定义;
通过基础设施获取数据,通过数据层输入至应用程序,应用程序对数据进行处理,处理包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;
用户访问应用程序,在展示终端展示应用程序处理后的数据,实现车辆与道路的协同。
可选的,数据层对基础设施获取数据的处理过程,包括:
模型库中的数据进行添加、删除、修改和查询操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据;
数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库。
可选的,应用程序对数据进行处理的过程,包括:
获取真实环境数据,将道路、附属物设施及周边建筑元素,以真实大小、材质、纹理及位置进行1:1仿真;
接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空环境参数自定义三维场景;
通过时间和空间同步,检测交通参与者的位置、航向及速度动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;
实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;
模拟出车辆内外多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;
通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理。
本发明的基础设施层输出各个基础设施处理的数据,基础设施包含:信号灯、定位基站、激光雷达、毫米波雷达、车载单元、路侧单元、摄像头及气象检测器等;数据层以哈希树的形式存储基础设施层采集的数据;支撑层为各个应用程序的支撑,实现各个应用程序的运维、管理及维护;应用程序包含:数字孪生引擎、数据库软件、应用中间件、地理信息***、雷达数据处理软件、高精度地图软件及通用支撑软件等;应用层实现展示终端和用户访问与应用程序或应用程序与应用程序之间的通信;应用程序的功能包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;上述方案通过设置基础设施层、数据层、支撑层、应用层及展示层实现车路协同运控***的构成,在数字孪生引擎上,以厘米级误差的高精度道路、车联网车辆和智慧基站为核心,对路边的建筑、树木、灯杆等进行1:1还原,以电影级画面打造车路协同汽车驾驶场景,为用户提供车路协同服务、信息推送服务、指挥调度服务及智慧出行服务等,为智慧交通提供强大助力;数字孪生引擎采用多线程动态渲染,构建数字孪生智慧交通管理***,充分利用物理模型、传感器更新及运行历史等数据,集成多学科、多物理量、多尺度及多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程;***具备实时性、闭环性,数字孪生技术在交通数字化治理应用中,很好地解决了治理离散化和信息孤岛化,以及治理模式相对单一且割裂等问题。本实施例实施后同步可视及模型推演,实现数据驱动决策精准定制和信号优化,为应急救援护航场景丰富及实景重现,加速智能驾驶落地全城视野和全局规划,寻找治理拥堵的最优解。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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为本发明实施例1中基于数字孪生的车路协同云控***框图;
图2为本发明实施例2中基础设施层框图;
图3为本发明实施例3中数据层框图;
图4为本发明实施例4中支撑层框图;
图5为本发明实施例5中应用层框图;
图6为本发明实施例6中全景展示模块框图;
图7为本发明实施例7中环境设定模块框图;
图8为本发明实施例8中全息监控模块框图;
图9为本发明实施例9中行驶状态模块框图;
图10为本发明实施例10中于数字孪生的车路协同云控方法流程图;
图11为本发明实施例11中数据层对基础设施获取数据的处理过程图;
图12为本发明实施例12中应用程序对数据进行处理的过程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
实施例1
如图1所示,本发明实施例提供了一种基于数字孪生的车路协同云控***,包括:
基础设施层,负责输出各个基础设施处理的数据,基础设施包含:信号灯、定位基站、激光雷达、毫米波雷达、车载单元、路侧单元、摄像头及气象检测器等;
数据层,负责以哈希树的形式存储基础设施层采集的数据;
支撑层,负责为各个应用程序的支撑,实现各个应用程序的运维、管理及维护;应用程序包含:数字孪生引擎、数据库软件、应用中间件、地理信息***、雷达数据处理软件、高精度地图软件及通用支撑软件等;
应用层,负责实现展示终端和用户访问与应用程序之间的通信,也实现应用程序与应用程序之间的通信;应用程序的功能包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;
展示层,负责实现展示终端与用户访问交互信息,展示车路协同服务、信息推送服务、指挥调度服务及智慧出行服务,展示终端包含:大屏、电脑、平板机手机等,用户访问包含:管理员、测试人员、运维人员及普通用户的访问等;
上述技术方案的工作原理和有益效果为:本实施例的基础设施层输出各个基础设施处理的数据,基础设施包含:信号灯、定位基站、激光雷达、毫米波雷达、车载单元、路侧单元、摄像头及气象检测器等;数据层以哈希树的形式存储基础设施层采集的数据;支撑层为各个应用程序的支撑,实现各个应用程序的运维、管理及维护;应用程序包含:数字孪生引擎、数据库软件、应用中间件、地理信息***、雷达数据处理软件、高精度地图软件及通用支撑软件等;应用层实现展示终端和用户访问与应用程序或应用程序与应用程序之间的通信;应用程序的功能包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;展示层,负责实现展示终端与用户交互信息,展示车路协同服务、信息推送服务、指挥调度服务及智慧出行服务的信息,用户包含:展示终端和用户访问;展示终端包含:大屏、电脑、平板机手机等,用户访问包含:管理员、测试人员、运维人员及普通用户的访问等;上述方案通过设置基础设施层、数据层、支撑层、应用层及展示层实现车路协同运控***的构成,在数字孪生引擎上,以厘米级误差的高精度道路、车联网车辆和智慧基站为核心,对路边的建筑、树木、灯杆等进行1:1还原,以电影级画面打造车路协同汽车驾驶场景,为用户提供车路协同服务、信息推送服务、指挥调度服务及智慧出行服务等,为智慧交通提供强大助力;数字孪生引擎采用多线程动态渲染,构建数字孪生智慧交通管理***,充分利用物理模型、传感器更新及运行历史等数据,集成多学科、多物理量、多尺度及多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程;***具备实时性、闭环性,数字孪生技术在交通数字化治理应用中,很好地解决了治理离散化和信息孤岛化,以及治理模式相对单一且割裂等问题。本实施例实施后同步可视及模型推演,实现数据驱动决策精准定制和信号优化,为应急救援护航场景丰富及实景重现,加速智能驾驶落地全城视野和全局规划,寻找治理拥堵的最优解。
实施例2
如图2所示,在实施例1的基础上,本发明实施例提供的基础设施层,包括:信号灯、定位基站、激光雷达、毫米波雷达、车载单元、路侧单元、摄像头及气象检测器;
信号灯和路侧单元通过车联网与车载单元通信,定位基站通过局域网、5G、4G、WiFi或光纤与路侧单元通信,气象检测器与北斗卫星无线连接;激光雷达包含:车载激光雷达和路侧激光雷达,摄像头包含:车载摄像头和视频监控摄像头;车载单元上设置有车载激光雷达、车载摄像头及车载终端等,路侧单元上设置有路侧激光雷达、毫米波雷达和视频监控摄像头等;
上述技术方案的工作原理和有益效果为:本实施例的信号灯和路侧单元通过车联网与车载单元通信,定位基站通过局域网、5G、4G、WiFi或光纤与路侧单元通信,气象检测器与北斗卫星无线连接;激光雷达包含:车载激光雷达和路侧激光雷达,摄像头包含:车载摄像头和视频监控摄像头;车载单元上设置有车载激光雷达、车载摄像头及车载终端等,路侧单元上设置有路侧激光雷达、毫米波雷达和视频监控摄像头等;上述方案采用多个基础设施组成基础设施层,实现了车路协同运控协同的数据来源的采集,实现了车载单元与路侧单元的有效通信,车载单元和路侧单元上均设置有激光雷达和毫米波雷达,实现了对车辆的精准识别,激光雷达和毫米波雷达的配合实现了300米-1000米的车辆及环境的探侧,不仅利用了激光雷达精度高的优点而且利用了毫米波雷达穿透力强的优势,实现了超距离探侧,有助于提升车路协同云控***的输入数据的精度,提升车路协同的效率;车路协同感知在结合现有的智能交通感知设备的基础上,增加了更加精密的路侧感知设备、车载感知设备和5G移动大数据,路侧感知设备包括:激光雷达、毫米波雷达和带目标识别功能的视频摄像机;车载感知设备包括:车载激光雷达、自动驾驶车辆能够感知到的数据,需要通过路侧单元实时上传到边缘计算节点。
实施例3
如图3所示,在实施例1的基础上,本发明实施例提供的数据层,包括:
数据模块,负责对模型库中的数据进行添加、删除、修改和查询等操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等;
模型库模块,负责实现对数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库等;
上述技术方案的工作原理和有益效果为:本实施例的数据模块对模型库中的数据进行添加、删除、修改和查询等操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等;模型库模块实现对数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库等;上述方案的数据模块对模型库中的数据进行添加、删除、修改和查询等操作,由于车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等数据的名称及类型不同,通过对数据进行操作保证了模型库中存储数据的有效性,避免存放垃圾数据;模型库模块采用哈希树的形式存储,哈希树的结构简单,叶节点创建简单且自由,初始化时间短,有助于存储车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等数据,提升了车路协同运控***的数据处理效率。
实施例4
如图4所示,在实施例1的基础上,本发明实施例提供的支撑层,包括:
运维控制模块,负责对应用程序进行运维服务,运维服务包含:生命周期管理、应用访问方式管理、应用扩缩容、限流降级、变更记录、事件中心及日志管理等;
功能控制模块,负责对应用程序进行创建、配置及监视;
维护控制模块,负责根据需求变化或硬件环境的变化对应用程序进行部分或全部的修改;
上述技术方案的工作原理和有益效果为:本实施例的运维控制模块对应用程序进行运维服务,运维服务包含:生命周期管理、应用访问方式管理、应用扩缩容、限流降级、变更记录、事件中心及日志管理等;管理控制模块对应用程序进行创建、配置、管理及监视;维护控制模块根据需求变化或硬件环境的变化对应用程序进行部分或全部的修改;上述方案数字孪生引擎用于提供云架构的车路协同的三维场景构建和发布,为实现车路协同云控奠定了硬件基础,通过对各个软件进行相应的运维、管理和维护,确保了支撑层的各个软件问确定且可靠的功能,高效的完成各个软件预设的功能,保证车路协同云控协同的运作;数据库软件用于对车路***云控***输入及输出的数据进行存储和管理;应用中间件用于实现数字孪生引擎、数据库软件、地理信息***、雷达数据处理软件、高精度地图软件及通用支撑软件之间的连接,用于数据的交互;地理信息***用于获取车辆的位置信息,查询和分析车辆周边环境信息,从而为车辆活动提供信息支持与服务;雷达数据处理软件用于实现激光雷达及毫米波雷达的数据处理;高精度地图软件用于地图匹配、辅助环境感知和路径规划,可以将车辆位置精准的定位于车道之上,帮助车辆获取更为准确有效全面的当前位置交通状况并为无人车规划制定最优路线,电子地图的绝对坐标精度更高且所含道路交通元素更丰富和细致的电子地图,其中绝对坐标精度是指地图上某个目标和真实的外部世界的事物之间的精度(厘米级);通用支撑软件用于编制和维护数字孪生引擎、数据库软件、地理信息***、雷达数据处理软件及高精度地图软件。
实施例5
如图5所示,在实施例1的基础上,本发明实施例提供的应用层,包括:
全景展示模块,负责获取真实环境数据,将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,以厘米级误差打造具有高真实度,高精细度和高流畅度的电影级画质;
环境设定模块,负责接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空等环境参数自定义三维场景;
全息监控模块,负责通过时间和空间同步,检测交通参与者的位置、航向及速度等动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;
车联网场景模块,负责实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;
行驶状态模块,负责模拟出车辆内外等多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;
设备管理模块,负责通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理;
上述技术方案的工作原理和有益效果为:本实施例的全景展示模块获取真实环境数据,将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,以厘米级误差打造具有高真实度,高精细度和高流畅度的电影级画质;环境设定模块接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空等环境参数自定义三维场景;全息监控模块通过时间和空间同步,检测交通参与者的位置、航向及速度等动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;车联网场景模块实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;行驶状态模块模拟出车辆内外等多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;设备管理模块通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理;上述方案通过全景展示模块实现了真实环境的还原,建立了高度还原环境的三维场景,为实现车路协同提供了良好的数据基础,有效提升车路协同的效率和精度;环境设定模块实现添加包含天气信息的环境参数的三维场景,让三维场景的构建更加人性化和实用化;通过车联网对车辆的实时状态进行检测,确保车载单元与路侧单元能够准确通信;采用设备管理模块实现对所有设备的管理,能够做到实时监测,确保各个设备能够可靠的运作,也提升了车路协同云控***的稳定性。
实施例6
如图6所示,在实施例5的基础上,本发明实施例提供的全景展示模块,包括:
三维全景子模块,负责将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,得到真实环境的三维全景;
三维漫游子模块,负责在三维全景构建的全景空间里进行切换,浏览各个不同汽车驾驶场景;
对象定位子模块,负责获取定位对象的图像,并确定定位对象的目标参考点在三维全景中的位置坐标;
上述技术方案的工作原理和有益效果为:本实施例的三维全景子模块将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,得到真实环境的三维全景;三维漫游子模块在三维全景构建的全景空间里进行切换,浏览各个不同汽车驾驶场景;对象定位子模块获取定位对象的图像,并确定定位对象的目标参考点在三维全景中的位置坐标;上述方案通过三维全景子模块实现了真实环境的三维全景构建,做到了真实大小、材质、纹理及位置进行1:1仿真,运用数字孪生技术实现了仿真还原,能够有效提升汽车驾驶场景的模拟,让驾驶者有身临其境的感觉;通过三维漫游子模块实现三维全景内的全景空间切换,满足驾驶者不同驾驶要求,提高了***的人性化能力;采用对象定位子模块实现定位对象的位置确定,辅助汽车驾驶场景的效果,以厘米级误差打造具有高真实度,高精细度和高流畅度的电影级画质。
实施例7
如图7所示,在实施例5的基础上,本发明实施例提供的环境设定模块,包括:
真实天气子模块,负责获取三维场景区域的实时天气信息;
环境设定子模块,负责根据实时天气信息及环境参数自定义三维场景;
上述技术方案的工作原理和有益效果为:本实施例的真实天气子模块获取三维场景区域的实时天气信息;环境设定子模块根据实时天气信息及环境参数自定义三维场景;上述方案根据天气信息及环境参数实现三维场景的自定义,一方面让三维场景的狗酱更加逼真,另一方面与现实环境参数相同,增加驾驶场景的模拟真实度,其中环境参数包含季节和时空等,不仅充分的与现实环境相吻合,而且增加了车路协同云控***的性能,扩展了***的使用范围。
实施例8
如图8所示,在实施例5的基础上,本发明实施例提供的全息监控模块,包括:
全域视频监控子模块,负责三维场景内的范围的视频监控,实现三维场景内的车辆及环境的视频数据的采集;
全域车辆跟踪子模块,负责三维场景内的车辆的跟踪,实现车辆位置信息的跟踪,并在三维场景中标注移动的位置及轨迹;
交通流量监测子模块,负责三维场景内的交通流量监测,交通流量监测内容包含:路段流量和交叉口流量,将观测时间内分时段记录的交通量累计得到累计交通量,路段观测时应按车辆类型记录,交叉口观测时记录左转、右转和辆数;
车辆统计分析子模块,负责三维场景内的车辆数据的统计和分析,统计和分析包含对车辆的出行规律(工作日出行率、出行时长、夜晚出行率等)、活跃时间段、活跃区域及落脚点等,满足三维场景内对不同维度车辆相关数据的分析需求。
上述技术方案的工作原理和有益效果为:本实施例的全域视频监控子模块负责三维场景内的范围的视频监控,实现三维场景内的车辆及环境的视频数据的采集;全域车辆跟踪子模块负责三维场景内的车辆的跟踪,实现车辆位置信息的跟踪,并在三维场景中标注移动的位置及轨迹;交通流量监测子模块负责三维场景内的交通流量监测,交通流量监测内容包含:路段流量和交叉口流量,将观测时间内分时段记录的交通量累计得到累计交通量,路段观测时应按车辆类型记录,交叉口观测时记录左转、右转和辆数;车辆统计分析子模块负责三维场景内的车辆数据的统计和分析,统计和分析包含对车辆的出行规律(工作日出行率、出行时长、夜晚出行率等)、活跃时间段、活跃区域及落脚点等,满足三维场景内对不同维度车辆相关数据的分析需求;上述方案实现了全域的视频监控,尤其是对车辆的跟踪监控,实现了对三维场景内的车辆的移动方向及轨迹;实现了通过时间和空间同步,检测交通参与者的位置、航向及速度等动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合。
实施例9
如图9所示,在实施例5的基础上,本发明实施例提供的行驶状态模块,包括:
车内视角跟随子模块,负责以车辆内部视角的方向实现车辆行驶状态的监测;
车外视角跟随子模块,负责以车辆外部视角的方向实现车辆行驶状态的监测;
车辆动态信息子模块,负责通过车辆的传感器及控制器,获取车辆的使用状况以及使用过程中的状况;
车辆行驶状态子模块,负责采集车辆在起步、加速、等速、减速、转弯、上下坡即停车等行驶工况;
上述技术方案的工作原理和有益效果为:本实施例的车内视角跟随子模块以车辆内部视角的方向实现车辆行驶状态的监测;车外视角跟随子模块以车辆外部视角的方向实现车辆行驶状态的监测;车辆动态信息子模块通过车辆的传感器及控制器,获取车辆的使用状况以及使用过程中的状况;车辆行驶状态子模块采集车辆在起步、加速、等速、减速、转弯、上下坡即停车等行驶工况;上述方案从车辆外部视角和车辆内部视角获知车辆的行驶状态,一方面从车内和车外获取的数据更加全面且准确,另一方面模拟出车辆内外等多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;另外,获取车辆的使用状况以及使用过程中的状况,采集行驶工况信息,实现了车辆使用各个过程的监控,能够更加细致的了解车辆的状态。
实施例10
如图10所示,在实施例1-实施例9的基础上,本发明实施例提供的基于数字孪生的车路协同云控方法,包括以下步骤:
S100:构建多个三维场景,检测到实时的气象信息,同时结合季节和时空等环境参数进行三维场景的自定义;
S200:通过基础设施获取数据,通过数据层输入至应用程序,应用程序对数据进行处理,处理包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;
S300:用户访问应用程序,在展示终端展示应用程序处理后的数据,实现车辆与道路的协同。
上述技术方案的工作原理和有益效果为:本实施例首先构建多个三维场景,检测到实时的气象信息,同时结合季节和时空等环境参数进行三维场景的自定义;其次通过基础设施获取数据,通过数据层输入至应用程序,应用程序对数据进行处理,处理包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;然后用户访问应用程序,在展示终端展示应用程序处理后的数据,实现车辆与道路的协同;上述方案通过车路协同运控***,在数字孪生引擎上,以厘米级误差的高精度道路、车联网车辆和智慧基站为核心,对路边的建筑、树木、灯杆等进行1:1还原,以电影级画面打造车路协同汽车驾驶场景,为用户提供车路协同服务、信息推送服务、指挥调度服务及智慧出行服务等,为智慧交通提供强大助力。
实施例11
如图11所示,在实施例10的基础上,本发明实施例提供的数据层对基础设施获取数据的处理过程,包括:
S201:模型库中的数据进行添加、删除、修改和查询等操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等;
S202:数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库等;
上述技术方案的工作原理和有益效果为:本实施例的首先对模型库中的数据进行添加、删除、修改和查询等操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等;然后实现对数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库等;上述方案的对模型库中的数据进行添加、删除、修改和查询等操作,由于车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等数据的名称及类型不同,通过对数据进行操作保证了模型库中存储数据的有效性,避免存放垃圾数据;采用哈希树的形式存储,哈希树的结构简单,叶节点创建简单且自由,初始化时间短,有助于存储车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据等数据,提升了车路协同运控***的数据处理效率。
实施例12
如图12所示,在实施例10的基础上,本发明实施例提供的应用程序对数据进行处理的过程,包括:
S203:获取真实环境数据,将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,以厘米级误差打造具有高真实度,高精细度和高流畅度的电影级画质;
S204:接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空等环境参数自定义三维场景;
S205:通过时间和空间同步,检测交通参与者的位置、航向及速度等动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;
S206:实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;
S207:模拟出车辆内外等多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;
S208:通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理;
上述技术方案的工作原理和有益效果为:本实施例首先获取真实环境数据,将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,以厘米级误差打造具有高真实度,高精细度和高流畅度的电影级画质;其次接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空等环境参数自定义三维场景;全息监控模块通过时间和空间同步,检测交通参与者的位置、航向及速度等动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;然后实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;最后模拟出车辆内外等多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理;上述方案实现了真实环境的还原,建立了高度还原环境的三维场景,为实现车路协同提供了良好的数据基础,有效提升车路协同的效率和精度;实现添加包含天气信息的环境参数的三维场景,让三维场景的构建更加人性化和实用化;通过车联网对车辆的实时状态进行检测,确保车载单元与路侧单元能够准确通信;实现对所有设备的管理,能够做到实时监测,确保各个设备能够可靠的运作,也提升了车路协同云控***的稳定性。
实施例13
在实施例10的基础上,本发明实施例提供的多个三维场景构建中使用的数学模型纠正畸变差参数,提高三维场景构建中的等比例仿真,数学模型的表达式为:
其中,
Δx=(x-x0)(K(r2+r4+r6+…))+K[r2+2(x-x0)2]+2K(x-x0)(y-y0)
Δy=(y-y0)(K(r2+r4+r6+…))+K[r2+2(y-y0)2]+2K(x-x0)(y-y0)
其中,(x,y)表示元素在平面内的坐标,(x0,y0,f)表示三维场景内方位的纠正的元素坐标,(XA,YA,ZA)表示目标元素A在三维场景空间的坐标,(XS,YS,ZS)表示摄像点S在三维场景空间的坐标,mi表示影响X轴方向的外方位角的元素构成的余弦值,ni表示影响Y轴方向的外方位角的元素构成的余弦值,μi表示影响Z轴方向的外方位角的元素构成的余弦值,i=1,2,3;r表示元素的向径,K表示畸变参数,Δx和Δy表示误差修正系数;
上述技术方案的工作原理和有益效果为:本发明采用数学模型纠正畸变差参数,提高三维场景构建中的等比例仿真,构建多个三维场景,检测到实时的气象信息,同时结合季节和时空等环境参数进行三维场景的自定义将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,以厘米级误差打造具有高真实度,高精细度和高流畅度的电影级画质。
实施例14
在实施例1-实施例13的基础上,本发明实施例在长安大学、密云金鼎湖智慧孪生隧道、JD车路协同云控平台、苏州高铁新城、顺义北小营和首钢冬奥园区进行实施,均达到了预期的技术效果,将道路、附属物设施及周边建筑等元素,以真实大小、材质、纹理及位置进行1:1仿真,减缓了交通拥堵,实现了车辆和环境的协调;本发明实施例还在清华大学、雄安新区、重庆两江新区、广州祈福隧道、移动孪生路口及中山大学孪生场也进行了实施,技术效果俱佳。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于数字孪生的车路协同云控***,其特征在于,包括:
基础设施层,负责输出各个基础设施处理的数据;
数据层,负责以哈希树的形式存储基础设施层采集的数据;
支撑层,负责为各个应用程序的支撑,实现各个应用程序的运维、管理及维护;
应用层,负责实现展示终端和用户访问与应用程序之间的通信,也实现应用程序与应用程序之间的通信;
展示层,负责实现展示终端与用户访问交互信息,展示车路协同服务、信息推送服务、指挥调度服务及智慧出行服务。
2.如权利要求1所述的基于数字孪生的车路协同云控***,其特征在于,基础设施包含:信号灯、定位基站、激光雷达、毫米波雷达、车载单元、路侧单元、摄像头及气象检测器;
应用程序包含:数字孪生引擎、数据库软件、应用中间件、地理信息***、雷达数据处理软件、高精度地图软件及通用支撑软件;
应用程序的功能包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;
展示终端包含:大屏、电脑、平板机手机,用户访问包含:管理员、测试人员、运维人员及普通用户的访问。
3.如权利要求2所述的基于数字孪生的车路协同云控***,其特征在于,信号灯和路侧单元通过车联网与车载单元通信,定位基站通过局域网、5G、4G、WiFi或光纤与路侧单元通信,气象检测器与北斗卫星无线连接;
激光雷达包含:车载激光雷达和路侧激光雷达,摄像头包含:车载摄像头和视频监控摄像头;车载单元上设置有车载激光雷达、车载摄像头及车载终端,路侧单元上设置有路侧激光雷达、毫米波雷达和视频监控摄像头。
4.如权利要求1所述的基于数字孪生的车路协同云控***,其特征在于,数据层,包括:
数据模块,负责对模型库中的数据进行添加、删除、修改和查询操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据;
模型库模块,负责实现对数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库。
5.如权利要求1所述的基于数字孪生的车路协同云控***,其特征在于,支撑层,包括:
运维控制模块,负责对应用程序进行运维服务,运维服务包含:生命周期管理、应用访问方式管理、应用扩缩容、限流降级、变更记录、事件中心及日志管理;
功能控制模块,负责对应用程序进行创建、配置及监视;
维护控制模块,负责根据需求变化或硬件环境的变化对应用程序进行部分或全部的修改。
6.如权利要求1所述的基于数字孪生的车路协同云控***,其特征在于,应用层,包括:
全景展示模块,负责获取真实环境数据,将道路、附属物设施及周边建筑元素,以真实大小、材质、纹理及位置进行1:1仿真;
环境设定模块,负责接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空环境参数自定义三维场景;
全息监控模块,负责通过时间和空间同步,检测交通参与者的位置、航向及速度动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;
车联网场景模块,负责实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;
行驶状态模块,负责模拟出车辆内外多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;
设备管理模块,负责通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理。
7.如权利要求6所述的基于数字孪生的车路协同云控***,其特征在于,全景展示模块,包括:
三维全景子模块,负责将道路、附属物设施及周边建筑元素,以真实大小、材质、纹理及位置进行1:1仿真,得到真实环境的三维全景;
三维漫游子模块,负责在三维全景构建的全景空间里进行切换,浏览各个不同汽车驾驶场景;
对象定位子模块,负责获取定位对象的图像,并确定定位对象的目标参考点在三维全景中的位置坐标。
8.一种基于数字孪生的车路协同云控方法,其特征在于,包括以下步骤:
构建多个三维场景,检测到实时的气象信息,同时结合季节和时空环境参数进行三维场景的自定义;
通过基础设施获取数据,通过数据层输入至应用程序,应用程序对数据进行处理,处理包含:全景展示、环境设定、全息监控、车联网场景、行驶状态及设备管理;
用户访问应用程序,在展示终端展示应用程序处理后的数据,实现车辆与道路的协同。
9.如权利要求8所述的基于数字孪生的车路协同云控方法,其特征在于,数据层对基础设施获取数据的处理过程,包括:
模型库中的数据进行添加、删除、修改和查询操作,并将数据传递给应用程序进行处理;数据包含:车辆运行数据、基础设施数据、交通/路政数据、环境/公共服务数据、互联网数据及高精度地图数据;
数据进行存储和管理,存储采用哈希树的形式存储;其中哈希树包含:叶节点、中间节点及根节点,叶节点为要存储的采集数据,中间节点为要存储的采集数据的哈希值,根节点为所有中间节点的哈希值;模型库包含:车辆模型库、人员模型库、交通设施模型库、天气环境模型库及道路模型库。
10.如权利要求8所述的基于数字孪生的车路协同云控方法,其特征在于,应用程序对数据进行处理的过程,包括:
获取真实环境数据,将道路、附属物设施及周边建筑元素,以真实大小、材质、纹理及位置进行1:1仿真;
接收实时天气信息,在三维场景中同步还原真实天气环境,同时结合季节和时空环境参数自定义三维场景;
通过时间和空间同步,检测交通参与者的位置、航向及速度动态信息;借助定位基站的感知能力,将感知结果和高精度地图在三维场景的模型上实时融合,构建出静态和动态数据结合的数字孪生***;
实现车辆的碰撞提醒、限速提醒、车辆编队及消息发布;
模拟出车辆内外多视角跟随行驶,真实还原车辆在道路环境中的动态信息和行驶状态;
通过设备状态监测对云端设备、边端设备、车端设备和路段设备进行管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310215713.9A CN116110225A (zh) | 2023-03-01 | 2023-03-01 | 一种基于数字孪生的车路协同云控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310215713.9A CN116110225A (zh) | 2023-03-01 | 2023-03-01 | 一种基于数字孪生的车路协同云控***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116110225A true CN116110225A (zh) | 2023-05-12 |
Family
ID=86259892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310215713.9A Pending CN116110225A (zh) | 2023-03-01 | 2023-03-01 | 一种基于数字孪生的车路协同云控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110225A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116414140A (zh) * | 2023-06-08 | 2023-07-11 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN117689827A (zh) * | 2023-12-01 | 2024-03-12 | 公安部道路交通安全研究中心 | 一种基于数字孪生模型的路网控制方法、装置及存储介质 |
CN118153905A (zh) * | 2024-05-07 | 2024-06-07 | 北京大唐高鸿数据网络技术有限公司 | 车辆调度沙盘推演***、方法、存储介质及程序产品 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976462A (zh) * | 2010-10-29 | 2011-02-16 | 中国测绘科学研究院 | 一种三维重建方法 |
WO2018028025A1 (zh) * | 2016-08-11 | 2018-02-15 | 江苏大学 | 车联网环境下行车服务主动感知***及方法 |
CN109410573A (zh) * | 2018-10-24 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理*** |
CN109724610A (zh) * | 2018-12-29 | 2019-05-07 | 河北德冠隆电子科技有限公司 | 一种全信息实景导航的方法及装置 |
CN110044336A (zh) * | 2019-03-04 | 2019-07-23 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机的非接触式线路覆冰测量方法 |
CN110689460A (zh) * | 2019-10-09 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 基于区块链的交通事故数据处理方法、装置、设备及介质 |
CN114049768A (zh) * | 2021-11-15 | 2022-02-15 | 山东省交通规划设计院集团有限公司 | 一种基于车路协同的低能见度通行车辆引导***及方法 |
CN114419897A (zh) * | 2022-03-30 | 2022-04-29 | 成都柔水科技有限公司 | 一种基于v2x技术的城市交通cim***及其展示方法 |
CN115240131A (zh) * | 2022-06-16 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于数字孪生的景区无人驾驶小车监管方法 |
WO2022237866A1 (zh) * | 2021-05-12 | 2022-11-17 | 中移智行网络科技有限公司 | 一种车路协同***、模拟仿真方法、车载设备和路侧设备 |
-
2023
- 2023-03-01 CN CN202310215713.9A patent/CN116110225A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976462A (zh) * | 2010-10-29 | 2011-02-16 | 中国测绘科学研究院 | 一种三维重建方法 |
WO2018028025A1 (zh) * | 2016-08-11 | 2018-02-15 | 江苏大学 | 车联网环境下行车服务主动感知***及方法 |
CN109410573A (zh) * | 2018-10-24 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理*** |
CN109724610A (zh) * | 2018-12-29 | 2019-05-07 | 河北德冠隆电子科技有限公司 | 一种全信息实景导航的方法及装置 |
CN110044336A (zh) * | 2019-03-04 | 2019-07-23 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机的非接触式线路覆冰测量方法 |
CN110689460A (zh) * | 2019-10-09 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 基于区块链的交通事故数据处理方法、装置、设备及介质 |
WO2022237866A1 (zh) * | 2021-05-12 | 2022-11-17 | 中移智行网络科技有限公司 | 一种车路协同***、模拟仿真方法、车载设备和路侧设备 |
CN114049768A (zh) * | 2021-11-15 | 2022-02-15 | 山东省交通规划设计院集团有限公司 | 一种基于车路协同的低能见度通行车辆引导***及方法 |
CN114419897A (zh) * | 2022-03-30 | 2022-04-29 | 成都柔水科技有限公司 | 一种基于v2x技术的城市交通cim***及其展示方法 |
CN115240131A (zh) * | 2022-06-16 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于数字孪生的景区无人驾驶小车监管方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116414140A (zh) * | 2023-06-08 | 2023-07-11 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN116414140B (zh) * | 2023-06-08 | 2023-08-04 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN117689827A (zh) * | 2023-12-01 | 2024-03-12 | 公安部道路交通安全研究中心 | 一种基于数字孪生模型的路网控制方法、装置及存储介质 |
CN118153905A (zh) * | 2024-05-07 | 2024-06-07 | 北京大唐高鸿数据网络技术有限公司 | 车辆调度沙盘推演***、方法、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11068516B2 (en) | High definition map and route storage management system for autonomous vehicles | |
CN116110225A (zh) | 一种基于数字孪生的车路协同云控***及方法 | |
CN110222137B (zh) | 一种基于倾斜摄影与增强现实技术智慧校园*** | |
US11598876B2 (en) | Segmenting ground points from non-ground points to assist with localization of autonomous vehicles | |
US20200401823A1 (en) | Lidar-based detection of traffic signs for navigation of autonomous vehicles | |
US20210004613A1 (en) | Annotating high definition map data with semantic labels | |
US11514682B2 (en) | Determining weights of points of a point cloud based on geometric features | |
US20180188038A1 (en) | Detection of vertical structures based on lidar scanner data for high-definition maps for autonomous vehicles | |
CN111797001A (zh) | 一种基于SCANeR的自动驾驶仿真测试模型的构建方法 | |
US11619724B2 (en) | Calibration of multiple lidars mounted on a vehicle using localization based on a high definition map | |
CN108986207A (zh) | 一种基于真实路面数据的道路及沿线建筑仿真建模方法 | |
CN113127590B (zh) | 地图更新方法及设备 | |
JP2003287434A (ja) | 画像情報検索システム | |
EP3708959B1 (en) | Road network change detection and local propagation of detected change | |
CN110189517B (zh) | 一种面向车联网隐私保护研究的仿真实验平台 | |
CN114863706B (zh) | 一种面向高速公路的车路协同自动驾驶仿真测试***及方法 | |
CN103632538A (zh) | 道路3d实景采集*** | |
US20230121226A1 (en) | Determining weights of points of a point cloud based on geometric features | |
CN110910511A (zh) | 一种基于混合现实的搜救流程仿真与交互***及方法 | |
WO2024114414A1 (zh) | 一种v2x事件的推送方法及装置 | |
US20200401845A1 (en) | Annotating high definition map points with measure of usefulness for localization | |
CN113538679A (zh) | 一种混合实景三维航道场景构建方法 | |
Liu et al. | Design and implementation of community safety management oriented public information platform for a smart city | |
CN112364112A (zh) | 高速公路两侧水土情况分析方法 | |
CN112732446A (zh) | 一种任务处理方法、装置及存储介质 |
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 |