CN117975736B - 一种无人驾驶车辆车路协同应用场景测试方法及*** - Google Patents
一种无人驾驶车辆车路协同应用场景测试方法及*** Download PDFInfo
- Publication number
- CN117975736B CN117975736B CN202410371229.XA CN202410371229A CN117975736B CN 117975736 B CN117975736 B CN 117975736B CN 202410371229 A CN202410371229 A CN 202410371229A CN 117975736 B CN117975736 B CN 117975736B
- Authority
- CN
- China
- Prior art keywords
- scene
- traffic
- data
- flow
- road
- 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.)
- Active
Links
- 238000010998 test method Methods 0.000 title abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000011217 control strategy Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 20
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 15
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000006798 recombination Effects 0.000 claims description 10
- 238000005215 recombination Methods 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000002035 prolonged effect Effects 0.000 claims description 6
- 230000002277 temperature effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003912 environmental pollution Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人驾驶车辆车路协同应用场景测试方法及***,涉及车路协同测试技术领域,包括:布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数;基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为;在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类;根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景。本发明提供的无人驾驶车辆车路协同应用场景测试方法显著提升了交通流的效率,同时增强了交通***的安全性。减少了环境污染,改善了城市居民的生活质量。
Description
技术领域
本发明涉及车路协同测试技术领域,具体为一种无人驾驶车辆车路协同应用场景测试方法及***。
背景技术
近年来交通监控技术和无人驾驶技术的发展为交通控制***提供了大量实时数据,但数据的有效整合、分析和利用仍然是一个挑战。传统的交通控制***往往无法充分利用这些数据进行精确的交通流预测和管理,缺乏足够的灵活性和智能性来应对城市交通网络中的动态变化。
传统方法主要依靠固定的信号计划和简单的传感器反馈进行交通控制。这些方法在处理简单交通状况时效果明显,但在面对复杂的城市交通环境时,如多变的交通流、突发事件和极端天气条件等,往往显得力不从心。传统方法缺乏对实时交通数据深度分析和预测的能力,无法实现对交通状况的动态适应和优化,导致交通拥堵、事故频发和环境污染等问题。
因此亟需一种无人驾驶车辆车路协同应用场景测试方法结合了交通数据融合、场景识别、机器学习和动态交通控制策略,旨在实现更加智能和动态的交通控制。有效缓解交通拥堵,提高道路安全性和通行效率。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的静态交通管理和控制方法存在灵活性不足、无法充分利用实时数据进行动态调整,以及如何根据实时交通情况和多源数据进行综合分析与应用的优化问题。
为解决上述技术问题,本发明提供如下技术方案:一种无人驾驶车辆车路协同应用场景测试方法,包括:布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数;基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为;在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类;根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景;所述交通控制数据包括交通流量数据、交叉口类型和信号灯数据、车辆行为数据、行人流动数据、环境因素数据、特殊事件数据以及实时交通状态数据;所述构建交通控制场景库包括通过ETL数据融合技术处理不同来源的数据,基于卷积神经网络提取车辆流量和行人流量信息,利用时间序列分析从传感器数据中提取关键特征,所述关键特征包括车辆和行人流量、车辆行驶速度和等待时间;使用K-means算法,将场景进行自动分类为早高峰流量场景、周末公园人流场景、夜间住宅场景、施工重组交通场景以及突发事件交通场景;基于所述关键特征对判断的场景进行场景定义,应用机器学习方法根据场景的时间特性、空间特性和事件类型构建所述场景定义下的参数模型。
作为本发明所述的无人驾驶车辆车路协同应用场景测试方法的一种优选方案,其中:所述构建交通场景模拟算法包括采用自编码器网络将所述场景定义下的参数模型进行特征压缩和编码,转换为的场景表示向量;利用生成对抗网络GAN基于场景表示向量生成特定场景下的交通流模式;引入图神经网络GNN模拟车辆和行人在特定交通场景下的行为模式;结合强化学习算法,对模拟过程中的场景参数进行调整;将模拟结果应用于数字孪生环境,与实时交通数据进行同步,提供实时的模拟与预测反馈;所述利用交通数据和场景参数识别场景分类包括采用基于5G网络的通信协议模型,引入基于图的深度学习技术,从交通流和行为模式中提取网络结构特征,通过图嵌入技术将交通网络的结构信息编码为特征向量;利用提取的网络结构特征和交通特征,训练集成的深度神经网络模型,结合GAT图注意力网络进行场景分类为早高峰流量场景、周末公园人流场景、夜间住宅场景、施工重组交通场景以及突发事件交通场景,并将识别结果反馈给通信协议模型,优化数据传输策略;所述根据识别结果,制定并执行适应性策略包括若分类为早高峰流量场景,执行第一调整策略;若分类为周末公园人流场景,执行第二调整策略;夜间住宅场景,执行第三调整策略;施工重组交通场景,执行第四调整策略;突发事件交通场景,执行第五调整策略。
作为本发明所述的无人驾驶车辆车路协同应用场景测试方法的一种优选方案,其中:所述执行第一调整策略包括当判断为早高峰流量场景,实时监测交通流量数据和交叉口类型数据,通过拥堵指数识别模型识别区域拥堵情况,基于所述拥堵情况执行调度策略,通过V2X通信,向车辆发送替代路线信息;监测策略效果,并根据反馈调整调度策略;
所述拥堵指数识别模型表示为,
其中,表示在位置/>和时间/>的拥堵指数,/>表示观测点的空间位置,/>表示观测的时间点,/>表示积分的起始空间位置,指观测路段的起点,0表示积分的起始时间点,是分析周期的开始,/>表示在位置/>和时间/>的交通密度,/>表示位置微元,/>表示时间微元,/>表示考虑交通密度/>和环境参数/>时的车流速度,/>表示环境参数集合,/>表示无拥堵情况下的最大车流速度,/>表示当前时刻位置和时间的交通密度,/>表示导致交通流停滞的最大密度,/>表示描述密度对速度影响的非线性参数,/>表示环境因素对车流速度影响的调整系数。
作为本发明所述的无人驾驶车辆车路协同应用场景测试方法的一种优选方案,其中:所述执行第二调整策略包括若判断为周末公园人流场景,利用行人流动数据和环境因素数据,构建人流密度识别模型,识别人流高密度区域;
所述人流密度识别模型表示为,
其中,表示第/>个区域内的实际人数,/>表示第/>个监测区域的面积,/>表示环境条件影响,/>表示单位面积内的人流密度,/>分别表示环境条件、特殊事件和时间段对人流密度的综合影响,/>表示温度效应,是基于当前温度与最适温度之差,/>表示湿度效应,是基于当前湿度与最适湿度之差,/>表示天气效应,根据天气状况赋值,/>表示特殊事件影响,根据特殊事件影响赋值,/>表示事件类型,基于事件预期人流吸引力,根据人流吸引力影响赋值,/>表示预计参与人数,/>表示时间段影响,/>表示一天中的不同时间段的影响值,/>表示周末与工作日的差异影响值,/>、/>分别表示观测期内人流密度的最小值和最大值,用于归一化处理,/>表示调整系数,/>表示归一化后的人流密度;
若>0.7,判断为人流高密度区域,在公园进出口及交通路口,根据人流密度识别结果动态调整交通信号配时,延长行人过街的绿灯时间,在人流高峰时段,延长公园出口附近路段的绿灯时间,在人流高密度区域设置临时行人过街区域分散人流,利用可移动栏杆和临时标志引导行人使用指定的过街区域,避免随意横穿马路,通过路侧单元RSU、电子信息板以及移动应用,实时发布公园周边的交通状况、推荐路线、停车场空位信息,对于周末预约到访公园的游客,提前通过社交媒体、公园官网渠道发布访问建议和时段选择指南。
作为本发明所述的无人驾驶车辆车路协同应用场景测试方法的一种优选方案,其中:所述执行第三调整策略包括若判断为夜间住宅场景,制定车速限制和信号灯配时初步调整规则,若交通流量低于晚间平均水平的20%,降低车速限制至30公里/小时,并将信号灯的变换频率降低,延长绿灯和红灯时长至正常周期的1.5倍;在住宅区域安装噪音监测设备,实时监测夜间噪音水平,设置噪音安全阈值作为调整策略的反馈指标,执行车速和信号灯配时调整规则,并实时监测其对噪音水平的影响,若监测到的噪音水平超过安全阈值,判断初步调整规则未能降低噪音污染,根据噪音监测结果,动态调整车速限制和信号灯配时,直至噪音水平降至安全阈值以下;所述执行第四调整策略包括若判断为施工重组交通场景,收集特殊事件数据和施工区域信息,设置临时交通标志和信号,发布绕行信息,通过V2X通信通知驾驶员施工信息和绕行路线,根据交通流变化调整标志和信号设置。
作为本发明所述的无人驾驶车辆车路协同应用场景测试方法的一种优选方案,其中:所述执行第五调整策略包括若判断为突发事件交通场景,实时处理特殊事件数据和交通流量信息,识别事故影响范围,实施紧急交通管制,临时关闭事故路段,启动紧急路线导航,通过V2X为驾驶员提供实时交通信息并推荐最佳避让路线。
作为本发明所述的无人驾驶车辆车路协同应用场景测试方法的一种优选方案,其中:识别事故影响范围包括通过堵指数识别模型,根据交通流量和速度数据计算拥堵指数;通过人流密度识别模型,评估事故区域及其周边的人流密度;将拥堵指数和人流密度评估的结果作为决策树模型的输入分析事故对交通和人流的综合影响,根据综合分析结果,识别出事故影响范围,所述事故影响范围包括事故影响的道路段、事故影响程度及受事故影响的人流区域;所述推荐最佳避让路线包括将事故影响的道路段、事故影响程度及受事故影响的人流区域,整合为路径规划算法的输入参数;根据事故影响范围的分析结果,更新路网图模型中受影响道路段的状态,所述状态包括增加受影响道路的通行成本或设置为不可通行;利用算法结合GANs图注意力网络,进行动态路径规划;根据实时更新的路网状态和交通信息,计算出从当前位置到目标位置的最佳避让路线;所述/>算法结合GANs图注意力网络包括将事故影响的道路段、事故影响程度及受事故影响的人流区域的信息数据转换为图模型中的节点和边的属性,其中道路段对应图中的边,事故影响程度和人流区域对应边和节点的权重;在路网图模型中,根据事故影响范围的分析结果动态更新受影响道路段的状态;应用GANs图注意力网络分析更新后的路网图模型,通过图注意力机制,模型自动学习到各个道路段和交叉点的重要性。
本发明的另外一个目的是提供一种无人驾驶车辆车路协同应用场景测试***,其能通过实时数据驱动的动态分析和决策机制,解决了传统静态交通控制方法无法适应复杂、变化的交通环境的问题。
为解决上述技术问题,本发明提供如下技术方案:一种无人驾驶车辆车路协同应用场景测试***,包括:数据采集模块、场景模拟模块、场景分类模块以及场景测试模块;所述数据采集模块用于布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数;所述场景模拟模块用于基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为;所述场景分类模块用于在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类;所述场景测试模块用于根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述无人驾驶车辆车路协同应用场景测试方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述无人驾驶车辆车路协同应用场景测试方法的步骤。
本发明的有益效果:本发明提供的无人驾驶车辆车路协同应用场景测试方法通过准确识别和分类交通场景,以及基于场景信息动态调整交通控制策略,有效减少了交通拥堵,缩短通行时间,并提高了道路通行能力。实时监测和响应突发事件,减少了交通事故发生,提高了无人驾驶车辆的安全性。此外,优化的交通流减少车辆排放,有助于减轻城市空气污染和降低能源消耗,推动绿色交通的发展。个性化导航服务提升了用户的出行体验。本发明为智能交通***的发展提供了重要支持,对于提升城市交通管理的效率和效果具有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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它的附图。
图1为本发明一个实施例提供的一种无人驾驶车辆车路协同应用场景测试方法的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
实施例1
参照图1,为本发明的一个实施例,提供了一种无人驾驶车辆车路协同应用场景测试方法,包括:
布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数。
基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为。
在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类。
根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景。
交通控制数据包括交通流量数据、交叉口类型和信号灯数据、车辆行为数据、行人流动数据、环境因素数据、特殊事件数据以及实时交通状态数据。
交通流量数据包括车辆计数:每个时间段内通过特定路段的车辆数量;车型分布:不同类型车辆(如小汽车、大货车、公交车)的比例和分布;交叉口类型和信号灯数据包括交叉口布局:交叉口的类型(如T型、X型、环形)及其维度信息;信号灯模式:各个交叉口信号灯的配时方案,包括红绿灯持续时间、相位差等。
车辆行为数据包括速度分布:不同时间、不同路段的车辆行驶速度;行为模式:车辆在交叉口的行为模式,如直行、左转、右转等;行人流动数据包括行人计数:特定时间段内通过特定区域的行人数量;行人行为:行人在交叉口等地的行为模式,如穿越马路、等待信号灯等。
环境因素数据包括天气状况:温度、降雨量、雪、雾等天气状况对交通的影响;光照条件:白天、夜间或特定天气条件下的光照状况;特殊事件数据包括交通事故:事故的时间、地点、类型以及对交通流的影响;道路施工:施工的时间、地点、类型以及期间的交通管制措施。
实时交通状态数据包括交通拥堵指数:不同路段的实时交通拥堵状况;实时车速:主要路段的实时平均车速。
构建交通控制场景库包括通过ETL数据融合技术处理不同来源的数据,基于卷积神经网络提取车辆流量和行人流量信息,利用时间序列分析从传感器数据中提取关键特征,关键特征包括车辆和行人流量、车辆行驶速度和等待时间;使用K-means算法,将场景进行自动分类为早高峰流量场景、周末公园人流场景、夜间住宅场景、施工重组交通场景以及突发事件交通场景;基于关键特征对判断的场景进行场景定义,应用机器学习方法根据场景的时间特性、空间特性和事件类型构建场景定义下的参数模型。
自动收集来自交通摄像头、传感器、社交媒体和天气应用的数据,清洗数据以去除错误和不一致,去除图像中的非交通元素、标准化社交媒体消息格式,将所有数据转换为统一格式,将所有时间戳统一为UTC时间,将所有位置信息统一为GPS坐标,使用加权平均算法合并数据,提高数据的准确性和可靠性。从融合的数据中提取有助于理解交通场景的关键信息,使用卷积神经网络识别图像中的车辆和行人数量、类型及其移动方向,应用时间序列分析方法分析传感器数据中的交通流量和车速变化趋势,使用自然语言处理技术从社交媒体数据中提取交通相关事件和情绪。将提取的特征转换为数值向量形式,为聚类算法的输入做准备,应用K-means算法对特征向量进行聚类,根据特征的相似度自动分组形成不同的场景,为每个聚类结果分配一个明确的场景标签数据集划分:根据场景分类结果,为每个场景划分训练和测试数据集,针对每个场景选择机器学习模型,并使用相应场景的数据集训练模型。使用测试数据集评估模型的准确性和泛化能力,根据评估结果调整模型参数,优化模型性能。
构建交通场景模拟算法包括采用自编码器网络将所述场景定义下的参数模型进行特征压缩和编码,转换为的场景表示向量;利用生成对抗网络GAN基于场景表示向量生成特定场景下的交通流模式;引入图神经网络GNN模拟车辆和行人在特定交通场景下的行为模式;结合强化学习算法,对模拟过程中的场景参数进行调整;将模拟结果应用于数字孪生环境,与实时交通数据进行同步,提供实时的模拟与预测反馈。
通过与实时交通数据同步,直接验证模拟算法生成的交通流和行为模式的准确性。确保模拟结果可靠性的关键步骤,提供了一个实时的校正机制。实时数据的反馈使得模拟***能够根据最新的交通状况进行调整和优化。这增加了模拟***的适应性,使其能够反映和预测复杂、变化多端的实际交通场景。实时反馈提供了评估不同交通控制策略效果的直接依据,支持交通管理决策的迭代优化,帮助找到最适合当前交通状况的控制策略。将模拟结果与实时数据同步,形成一个闭环的测试、评估、优化和反馈***。这不仅提升了模拟的实用性和精确性,也为持续改进交通控制策略提供了机制。
利用交通数据和场景参数识别场景分类包括采用基于5G网络的通信协议模型,引入基于图的深度学习技术,从交通流和行为模式中提取网络结构特征,通过图嵌入技术将交通网络的结构信息编码为特征向量;
利用提取的网络结构特征和交通特征,训练集成的深度神经网络模型,结合GAT图注意力网络进行场景分类为早高峰流量场景、周末公园人流场景、夜间住宅场景、施工重组交通场景以及突发事件交通场景,并将识别结果反馈给通信协议模型,优化数据传输策略。
优化数据传输策略是基于场景识别的效果和实施的交通控制策略收集反馈,不断迭代优化场景识别模型和交通控制策略。利用在线学习方法,使***能够自适应复杂变化的交通环境。
根据识别结果,制定并执行适应性策略包括若分类为早高峰流量场景,执行第一调整策略;若分类为周末公园人流场景,执行第二调整策略;夜间住宅场景,执行第三调整策略;施工重组交通场景,执行第四调整策略;突发事件交通场景,执行第五调整策略。
自编码器网络应用包括自编码器网络用于将复杂的场景定义下的参数模型进行特征压缩和编码,生成场景表示向量。通过自编码器的编码器部分实现,将高维的场景参数数据转换为低维的场景表示向量。压缩过程捕捉了场景参数中最重要的特征,为后续生成特定场景下的交通流模式提供了精简而精确的输入。
基于上一步得到的场景表示向量,生成对抗网络(GAN)被用来生成特定场景下的交通流模式。GAN由生成器和判别器组成,生成器负责生成数据,判别器负责判断数据是真实的还是由生成器生成的。在这里,生成器尝试生成与真实场景相符的交通流模式,而判别器指导生成器改进其生成的交通流模式,直至生成的数据与真实场景数据难以区分。
引入图神经网络(GNN)来模拟车辆和行人在特定交通场景下的行为模式。GNN能够处理图结构数据,使其特别适用于交通网络的分析。每个节点可能代表一个交叉口或路段,边代表道路。GNN通过图结构学习交通流中的复杂相互作用,以模拟车辆和行人的行为模式。
结合强化学习算法对模拟过程中的场景参数进行调整。强化学习算法通过奖励机制来指导模型自我优化,通过持续的学习过程,找到在给定场景下优化交通流的策略。算法会尝试不同的场景参数配置,通过模拟的结果反馈来调整参数,以达到优化模拟结果的目的。
将模拟结果应用于数字孪生环境,并与实时交通数据进行同步,提供实时的模拟与预测反馈。数字孪生环境是一个虚拟的镜像,能够实时反映物理世界的状态。通过将模拟结果应用于数字孪生,实现对真实交通环境的即时映射和预测,帮助交通管理者做出更加准确和及时的决策。
基于5G网络的通信协议模型和深度学习技术从交通流和行为模式中提取网络结构特征,进一步训练集成的深度神经网络模型,进行场景分类。利用了图嵌入技术和GAT图注意力网络,为每个场景提供了精准的分类,并根据识别结果通过5G网络优化数据传输策略,确保信息的实时和准确传输。
执行第一调整策略包括当判断为早高峰流量场景,实时监测交通流量数据和交叉口类型数据,通过拥堵指数识别模型识别区域拥堵情况,基于拥堵情况执行调度策略,通过V2X通信,向车辆发送替代路线信息;监测策略效果,并根据反馈调整调度策略;
拥堵指数识别模型表示为,
其中,表示在位置/>和时间/>的拥堵指数,/>表示观测点的空间位置,/>表示观测的时间点,/>表示积分的起始空间位置,指观测路段的起点,0表示积分的起始时间点,是分析周期的开始,/>表示在位置/>和时间/>的交通密度,单位长度上的车辆数,/>表示位置微元,/>表示时间微元, />表示考虑交通密度/>和环境参数/>时的车流速度,/>表示环境参数集合,包括影响交通流速度的各种因素,如天气状况、时间段、特殊事件等,表示无拥堵情况下的最大车流速度,/>表示当前时刻位置和时间的交通密度,/>表示导致交通流停滞的最大密度,/>表示描述密度对速度影响的非线性参数,/>表示环境因素对车流速度影响的调整系数。
交通密度是通过实时监测得到的,反映了特定位置 x 和时间t 的道路上单位长度内的车辆数量。
非线性参数α用于描述交通密度与车流速度之间非线性关系的参数,取值范围介于0和1之间,这个范围有助于确保速度随密度增加而递减的模型行为与实际观测相符。
当α接近0时,这意味着车流速度对交通密度的变化非常敏感;即交通密度的轻微增加就会导致车流速度的大幅下降。
当α接近1时,车流速度对交通密度的变化不那么敏感;这表明只有当交通密度接近其最大值时,车流速度才会显著下降。
α的最佳取值应根据具体的交通流特性以及实际观测数据来确定,以确保模型能够准确反映现实世界中的交通流动态。在实际应用中,需要进行实验和数据分析来确定适用于特定道路或交通情境的α值。
若大于第一拥堵阈值,判断当前路段发生拥堵情况,立即调取相对方向路段的传感器数据,获取相对方向路段的拥堵情况分类;当前路段为A路段,相对方向路段为B路段;
当大于第一拥堵阈值且小于第二拥堵阈值时,判断为轻度拥堵,与B路段拥堵情况进行对比,若B路段同样发生拥堵情况, 维持当前信号灯配时,若B路段未发生拥堵,调整信号灯配时,增加A路段绿灯时间10秒,调整红绿灯时间后均对当前路段绿灯时间进行实时交通数据分析,不会对交叉口的其他方向造成不利影响,通过V2X通信向A路段驾驶员发布B路段流畅的实时交通信息,推荐使用B路段作为替代路线,续监测信号灯配时调整后A路段和B路段的交通状况变化进行调整效果评估,动态优化调整策略;
当大于等于第二拥堵阈值且小于等于第三拥堵阈值时,判断为中度拥堵,与B路段拥堵情况进行对比,若B路段未发生拥堵,增加A路段绿灯时间至最多10秒,同时利用交通信息发布***推荐司机利用B路段绕行,并通过V2X通信提供明确的路线切换指引;若B路段为轻度拥堵,对A路段绿灯时间增加5秒,通过交通***均衡分流,同时发布A路段和B路段的实时交通状态,引导司机根据个人情况和实时交通信息做出最佳决策;若B路段为中度拥堵,保持A路段信号灯配时不变,通过加强交通信息发布,明确告知两路段均存在中度拥堵情况,寻找其他替代路线,并考虑调整出行时间以避开高峰期;若B路段为重度拥堵,在A路段实施紧急交通管制措施,临时车道调整或入口限流,同时发布交通警告和紧急避堵信息,建议避开A路段和B路段,并提供详细的迂回导航建议;
当大于第三拥堵阈值时,判断为重度拥堵,不判断B路段拥堵情况分类,启动预设的紧急响应计划,紧急响应计划包括临时改变路线使用规则、启用紧急车道、临时禁止车辆进入特定区域以及设置单向通行路段;通过V2X通信和社交媒体平台,发布紧急避堵信息及替代路线建议,引导驾驶员根据实时交通情况选择其他流畅路线。
执行第二调整策略包括若判断为周末公园人流场景,利用行人流动数据和环境因素数据,构建人流密度识别模型,识别人流高密度区域;
人流密度识别模型表示为,
其中,表示第/>个区域内的实际人数,/>表示第/>个监测区域的面积,/>表示环境条件影响,/>表示单位面积内的人流密度,/>分别表示环境条件、特殊事件和时间段对人流密度的综合影响,/>表示温度效应,是基于当前温度与最适温度之差,/>表示湿度效应,是基于当前湿度与最适湿度之差,/>表示天气效应,根据天气状况赋值,/>表示特殊事件影响,根据特殊事件影响赋值,/>表示事件类型,基于事件预期人流吸引力,根据人流吸引力影响赋值,/>表示预计参与人数,/>表示时间段影响,/>表示一天中的不同时间段的影响值,/>表示周末与工作日的差异影响值,/>、/>分别表示观测期内人流密度的最小值和最大值,用于归一化处理,/>表示调整系数,/>表示归一化后的人流密度。
若>0.7,判断为人流高密度区域,在公园进出口及交通路口,根据人流密度识别结果动态调整交通信号配时,延长行人过街的绿灯时间,在人流高峰时段,延长公园出口附近路段的绿灯时间,在人流高密度区域设置临时行人过街区域分散人流,利用可移动栏杆和临时标志引导行人使用指定的过街区域,避免随意横穿马路,通过路侧单元RSU、电子信息板以及移动应用,实时发布公园周边的交通状况、推荐路线、停车场空位信息,对于周末预约到访公园的游客,提前通过社交媒体、公园官网渠道发布访问建议和时段选择指南。
温度效应利用历史天气数据和人流量数据进行相关性分析,确定最适温度区间。然后,实时温度数据与最适温度区间比较,计算出温度效应值。若最适温度区间为/>至/>,当前温度为/>,则计算出的温度效应值反映了温度超出最适区间的程度。
湿度效应类似温度效应的方法,通过分析历史湿度数据和人流数据,确定舒适湿度区间。当前湿度与舒适湿度区间的差异用于计算湿度效应值,表明湿度对人流量的潜在影响。
天气效应基于历史天气情况和人流数据,为不同天气条件(晴天、雨天、雪天等)赋予不同的权重。这些权重值通过机器学习模型学习得到,模型训练时使用历史天气条件和对应的人流数据作为输入。
事件类型分析历史中各类事件对人流量的影响,为不同类型的事件分配权重。这些权重可以基于事件的历史吸引力和参与度统计分析得出。
预计参与人数对于即将发生的事件,根据其类型、规模和宣传力度等因素,使用预测模型估算预计参与人数。通过分析类似事件的历史数据,结合社交媒体趋势分析,以及事件组织方提供的信息进行预测。
时间段影响通过分析历史人流数据,识别一天中人流量变化的模式,为不同时间段赋予不同的影响值。
周末与工作日差异分析工作日与周末的人流数据差异,确定周末效应的量化值。通过统计分析特定地点周末与工作日的人流量差异得到。
执行第三调整策略包括若判断为夜间住宅场景,制定车速限制和信号灯配时初步调整规则,若交通流量低于晚间平均水平的20%,降低车速限制至30公里/小时,并将信号灯的变换频率降低,延长绿灯和红灯时长至正常周期的1.5倍;
在住宅区域安装噪音监测设备,实时监测夜间噪音水平,设置噪音安全阈值作为调整策略的反馈指标,执行车速和信号灯配时调整规则,并实时监测其对噪音水平的影响,若监测到的噪音水平超过安全阈值,判断初步调整规则未能降低噪音污染,根据噪音监测结果,动态调整车速限制和信号灯配时,降低车速限制并延长信号灯红灯时长,减少车辆通过住宅区的频率,直至噪音水平降至安全阈值以下;
执行第四调整策略包括若判断为施工重组交通场景,收集特殊事件数据和施工区域信息,设置临时交通标志和信号,发布绕行信息,通过V2X通信通知驾驶员施工信息和绕行路线,根据交通流变化调整标志和信号设置。
执行第五调整策略包括若判断为突发事件交通场景,实时处理特殊事件数据和交通流量信息,识别事故影响范围,实施紧急交通管制,临时关闭事故路段,启动紧急路线导航,通过V2X为驾驶员提供实时交通信息并推荐最佳避让路线。
识别事故影响范围包括通过堵指数识别模型,根据交通流量和速度数据计算拥堵指数;通过人流密度识别模型,评估事故区域及其周边的人流密度;将拥堵指数和人流密度评估的结果作为决策树模型的输入分析事故对交通和人流的综合影响,根据综合分析结果,识别出事故影响范围,事故影响范围包括事故影响的道路段、事故影响程度及受事故影响的人流区域;
推荐最佳避让路线包括将事故影响的道路段、事故影响程度及受事故影响的人流区域,整合为路径规划算法的输入参数;根据事故影响范围的分析结果,更新路网图模型中受影响道路段的状态,状态包括增加受影响道路的通行成本或设置为不可通行;利用算法结合GANs图注意力网络,进行动态路径规划;根据实时更新的路网状态和交通信息,计算出从当前位置到目标位置的最佳避让路线;利用/>算法结合GANs图注意力网络,进行动态路径规划;根据实时更新的路网状态和交通信息,计算出从当前位置到目标位置的最佳避让路线。
算法结合GANs图注意力网络包括将事故影响的道路段、事故影响程度及受事故影响的人流区域的信息数据转换为图模型中的节点和边的属性,其中道路段对应图中的边,事故影响程度和人流区域对应边和节点的权重;在路网图模型中,根据事故影响范围的分析结果动态更新受影响道路段的状态,这涉及调整对应道路段(边)的权重,通过增加事故严重道路段的权重(通行成本)或对严重受影响的道路段设置极高的权重值以模拟不可通行状态;应用GANs图注意力网络分析更新后的路网图模型,通过图注意力机制,模型自动学习到各个道路段和交叉点的重要性,在事故影响下的交通流重组中,使得模型能够在进行路径规划时,更加关注对避让路线选择影响最大的路段和交叉点,基于通过图注意力网络加权的路网图模型,应用/>算法进行路径规划时采用启发式函数,所述启发式函数考虑传统的距离成本,结合由图注意力网络提供的事故影响权重,以及实时交通信息 ;/>算法基于路网图模型,寻找从起点到终点的最佳路径,判断为最佳避让路线。
实施例2
本发明的第二个实施例提供了一种无人驾驶车辆车路协同应用场景测试***,包括:
数据采集模块、场景模拟模块、场景分类模块以及场景测试模块。
数据采集模块用于布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数。
场景模拟模块用于基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为。
场景分类模块用于在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类。
场景测试模块用于根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景。
实施例3
本发明的一个实施例,其不同于前两个实施例的是:
所述功能如果以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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例4
为本发明的一个实施例,提供了一种无人驾驶车辆车路协同应用场景测试方法,为了验证本发明的有益效果,评估本发明技术方案在提高交通效率、降低事故率、减少车辆排放和提升用户满意度方面相对于传统交通管理方法的效果,通过仿真实验进行科学论证。
设计一个包含多个交通场景的虚拟城市,具有复杂的路网、多样的交通流量和环境条件。
通过SUMO仿真软件模拟交通流,收集交通流量、速度、事故记录、排放数据等信息。
实验覆盖不同时间段,包括早晚高峰、平峰期、周末和节假日,每个时段至少模拟24小时,重复3次以获得稳定的实验结果。
传统方法采用固定的信号灯配时方案、标准交通流管理措施,不根据实时交通数据调整交通控制策略。
本发明方法实施动态信号灯配时调整、基于实时数据的交通流预测和拥堵识别以及适应***通控制策略。
实验过程包括,准备阶段,设置虚拟城市环境,定义路网、交通流模型和环境变量;模拟运行,分别运行传统方法和本发明方法,收集实验指标数据;数据分析:对收集的数据进行统计分析,评估两种方案的性能差异;结果对比,使用图表和统计方法展示两种方案在不同指标上的表现差异,实验结果如表1所示。
表1 实验结果对比表
本发明方法采用了基于实时交通数据的拥堵指数识别模型与深度神经网络,优化了交通流动与信号灯调度。相较于传统的固定时段信号配时方法,本发明减少了平均通行时间,提高了道路使用效率。
通过利用人流密度识别模型和环境因素数据分析,实现了动态的交通信号与行人过街区域调整。这种方法较传统靠经验调整的方法更科学、精确,显著提高了行人安全和交通流畅度。
本发明通过监测夜间交通流量和噪音水平,动态调整车速限制和信号灯配时,与传统的非动态调整方法相比,有效降低了噪音污染,改善了居民的生活质量。
采用了基于实时交通和施工信息的交通流重组策略,较传统的预设施工路线调整策略更加灵活有效,减少了交通延误,提高了驾驶者满意度。
结合了交通流和人流密度的实时监测与分析,通过改进的路径规划算法,快速响应突发事件,与传统方法相比,显著提高了紧急事件下的交通管理效率和安全性。
本发明方法通过整合多源数据处理、深度学习与车路协同技术,在多个关键交通场景中实现了对交通流的优化、提高安全性与环境友好性,显著优于传统交通管理方法。不仅提高了交通***的整体效率,也增强了***对各种情况的适应能力。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种无人驾驶车辆车路协同应用场景测试方法,其特征在于,包括:
布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数;
基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为;
在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类;
根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景;
所述交通控制数据包括交通流量数据、交叉口类型和信号灯数据、车辆行为数据、行人流动数据、环境因素数据、特殊事件数据以及实时交通状态数据;
所述构建交通控制场景库包括通过ETL数据融合技术处理不同来源的数据,基于卷积神经网络提取车辆流量和行人流量信息,利用时间序列分析从传感器数据中提取关键特征,所述关键特征包括车辆和行人流量、车辆行驶速度和等待时间;使用K-means算法,将场景进行自动分类为早高峰流量场景、周末公园人流场景、夜间住宅场景、施工重组交通场景以及突发事件交通场景;基于所述关键特征对判断的场景进行场景定义,应用机器学习方法根据场景的时间特性、空间特性和事件类型构建场景定义下的参数模型;
所述构建交通场景模拟算法包括采用自编码器网络将场景定义下的参数模型进行特征压缩和编码,转换为的场景表示向量;利用生成对抗网络GAN基于场景表示向量生成特定场景下的交通流模式;引入图神经网络GNN模拟车辆和行人在特定交通场景下的行为模式;结合强化学习算法,对模拟过程中的场景参数进行调整;将模拟结果应用于数字孪生环境,与实时交通数据进行同步,提供实时的模拟与预测反馈;
所述利用交通数据和场景参数识别场景分类包括采用基于5G网络的通信协议模型,引入基于图的深度学习技术,从交通流和行为模式中提取网络结构特征,通过图嵌入技术将交通网络的结构信息编码为特征向量;
利用提取的网络结构特征和交通特征,训练集成的深度神经网络模型,结合GAT图注意力网络进行场景分类为早高峰流量场景、周末公园人流场景、夜间住宅场景、施工重组交通场景以及突发事件交通场景,并将识别结果反馈给通信协议模型,优化数据传输策略;
根据识别结果,制定并执行适应性策略包括若分类为早高峰流量场景,执行第一调整策略;若分类为周末公园人流场景,执行第二调整策略;夜间住宅场景,执行第三调整策略;施工重组交通场景,执行第四调整策略;突发事件交通场景,执行第五调整策略。
2.如权利要求1所述的无人驾驶车辆车路协同应用场景测试方法,其特征在于:所述执行第一调整策略包括当判断为早高峰流量场景,实时监测交通流量数据和交叉口类型数据,通过拥堵指数识别模型识别区域拥堵情况,基于拥堵情况执行调度策略,通过V2X通信,向车辆发送替代路线信息;监测策略效果,并根据反馈调整调度策略;
所述拥堵指数识别模型表示为,
其中,表示在位置/>和时间/>的拥堵指数,/>表示观测点的空间位置,/>表示观测的时间点,/>表示积分的起始空间位置,指观测路段的起点,0表示积分的起始时间点,是分析周期的开始,/>表示在位置/>和时间/>的交通密度,/>表示位置微元,/>表示时间微元,/>表示考虑交通密度/>和环境参数/>时的车流速度,/>表示环境参数集合,/>表示无拥堵情况下的最大车流速度,/>表示当前时刻位置和时间的交通密度,/>表示导致交通流停滞的最大密度,/>表示描述密度对速度影响的非线性参数,/>表示环境因素对车流速度影响的调整系数。
3.如权利要求2所述的无人驾驶车辆车路协同应用场景测试方法,其特征在于:所述执行第二调整策略包括若判断为周末公园人流场景,利用行人流动数据和环境因素数据,构建人流密度识别模型,识别人流高密度区域;
所述人流密度识别模型表示为,
其中,表示第/>个区域内的实际人数,/>表示第/>个监测区域的面积,/>表示环境条件影响,/>表示单位面积内的人流密度,/>分别表示环境条件、特殊事件和时间段对人流密度的综合影响,/>表示温度效应,是基于当前温度与最适温度之差,/>表示湿度效应,是基于当前湿度与最适湿度之差,/>表示天气效应,根据天气状况赋值,/>表示特殊事件影响,根据特殊事件影响赋值,/>表示事件类型,基于事件预期人流吸引力,根据人流吸引力影响赋值,/>表示预计参与人数,/>表示时间段影响,/>表示一天中的不同时间段的影响值,/>表示周末与工作日的差异影响值,/>、/>分别表示观测期内人流密度的最小值和最大值,用于归一化处理,/>表示调整系数,/>表示归一化后的人流密度;
若>0.7,判断为人流高密度区域,在公园进出口及交通路口,根据人流密度识别结果动态调整交通信号配时,延长行人过街的绿灯时间,在人流高峰时段,延长公园出口附近路段的绿灯时间,在人流高密度区域设置临时行人过街区域分散人流,利用可移动栏杆和临时标志引导行人使用指定的过街区域,避免随意横穿马路,通过路侧单元RSU、电子信息板以及移动应用,实时发布公园周边的交通状况、推荐路线、停车场空位信息,对于周末预约到访公园的游客,提前通过社交媒体、公园官网渠道发布访问建议和时段选择指南。
4.如权利要求3所述的无人驾驶车辆车路协同应用场景测试方法,其特征在于:所述执行第三调整策略包括若判断为夜间住宅场景,制定车速限制和信号灯配时初步调整规则,若交通流量低于晚间平均水平的20%,降低车速限制至30公里/小时,并将信号灯的变换频率降低,延长绿灯和红灯时长至正常周期的1.5倍;
在住宅区域安装噪音监测设备,实时监测夜间噪音水平,设置噪音安全阈值作为调整策略的反馈指标,执行车速和信号灯配时调整规则,并实时监测其对噪音水平的影响,若监测到的噪音水平超过安全阈值,判断初步调整规则未能降低噪音污染,根据噪音监测结果,动态调整车速限制和信号灯配时,直至噪音水平降至安全阈值以下;
所述执行第四调整策略包括若判断为施工重组交通场景,收集特殊事件数据和施工区域信息,设置临时交通标志和信号,发布绕行信息,通过V2X通信通知驾驶员施工信息和绕行路线,根据交通流变化调整标志和信号设置。
5.如权利要求4所述的无人驾驶车辆车路协同应用场景测试方法,其特征在于:所述执行第五调整策略包括若判断为突发事件交通场景,实时处理特殊事件数据和交通流量信息,识别事故影响范围,实施紧急交通管制,临时关闭事故路段,启动紧急路线导航,通过V2X为驾驶员提供实时交通信息并推荐最佳避让路线。
6.如权利要求5所述的无人驾驶车辆车路协同应用场景测试方法,其特征在于:所述识别事故影响范围包括通过堵指数识别模型,根据交通流量和速度数据计算拥堵指数;通过人流密度识别模型,评估事故区域及其周边的人流密度;将拥堵指数和人流密度评估的结果作为决策树模型的输入分析事故对交通和人流的综合影响,根据综合分析结果,识别出事故影响范围,事故影响范围包括事故影响的道路段、事故影响程度及受事故影响的人流区域;
所述推荐最佳避让路线包括将事故影响的道路段、事故影响程度及受事故影响的人流区域,整合为路径规划算法的输入参数;根据事故影响范围的分析结果,更新路网图模型中受影响道路段的道路状态,所述道路状态包括增加受影响道路的通行成本或设置为不可通行;利用算法结合GANs图注意力网络,进行动态路径规划;根据实时更新的路网状态和交通信息,计算出从当前位置到目标位置的最佳避让路线;
所述算法结合GANs图注意力网络包括将事故影响的道路段、事故影响程度及受事故影响的人流区域的信息数据转换为图模型中的节点和边的属性,其中道路段对应图中的边,事故影响程度和人流区域对应边和节点的权重;在路网图模型中,根据事故影响范围的分析结果动态更新受影响道路段的道路状态;应用GANs图注意力网络分析更新后的路网图模型,通过图注意力机制,模型自动学习到各个道路段和交叉点的重要性。
7.一种采用如权利要求1~6任一所述的无人驾驶车辆车路协同应用场景测试方法的***,其特征在于,包括:数据采集模块、场景模拟模块、场景分类模块以及场景测试模块;
所述数据采集模块用于布置传感器收集交通控制数据,构建交通控制场景库,进行场景分类,基于场景分类结果确定场景参数;
所述场景模拟模块用于基于交通控制场景库中的场景参数,构建交通场景模拟算法,模拟特定场景下的交通流和车辆行为;
所述场景分类模块用于在模拟环境中部署并验证通信协议模型,通过机器学习算法训练,利用交通数据和场景参数识别场景分类;
所述场景测试模块用于根据识别结果,制定并执行适应性策略,调整车辆行为和交通控制策略以适应当前交通场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410371229.XA CN117975736B (zh) | 2024-03-29 | 2024-03-29 | 一种无人驾驶车辆车路协同应用场景测试方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410371229.XA CN117975736B (zh) | 2024-03-29 | 2024-03-29 | 一种无人驾驶车辆车路协同应用场景测试方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117975736A CN117975736A (zh) | 2024-05-03 |
CN117975736B true CN117975736B (zh) | 2024-06-07 |
Family
ID=90858332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410371229.XA Active CN117975736B (zh) | 2024-03-29 | 2024-03-29 | 一种无人驾驶车辆车路协同应用场景测试方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975736B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646586A (zh) * | 2018-03-20 | 2018-10-12 | 重庆邮电大学 | 一种智能网联汽车在环仿真、测试验证***与方法 |
CN109714421A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于车路协同的智能网联汽车运行*** |
CN111260924A (zh) * | 2020-02-10 | 2020-06-09 | 北京中交国通智能交通***技术有限公司 | 适应边缘计算的交通智能管控与服务发布策略方法 |
CN111859618A (zh) * | 2020-06-16 | 2020-10-30 | 长安大学 | 多端在环的虚实结合交通综合场景仿真测试***及方法 |
CN111882924A (zh) * | 2020-07-28 | 2020-11-03 | 上海詹妮建筑设计咨询有限公司 | 车辆测试***、驾驶行为判断控制方法及事故预警方法 |
CN113256976A (zh) * | 2021-05-12 | 2021-08-13 | 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 |
CN114067561A (zh) * | 2021-10-25 | 2022-02-18 | 东南大学 | 城市快速道路车路协同主动管控***的虚拟现实测试方法 |
CN115116231A (zh) * | 2022-08-26 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车路协同微观仿真***、方法、电子设备及存储介质 |
CN115285143A (zh) * | 2022-08-03 | 2022-11-04 | 东北大学 | 一种基于场景分类的自动驾驶车辆导航方法 |
CN115587463A (zh) * | 2021-07-06 | 2023-01-10 | 上海国际汽车城(集团)有限公司 | 一种基于场景分类的自动驾驶测试场景设计方法 |
CN115909783A (zh) * | 2022-11-24 | 2023-04-04 | 同济大学 | 一种基于交通流的车道级驾驶辅助方法及*** |
CN116205024A (zh) * | 2022-11-09 | 2023-06-02 | 吉林大学 | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 |
CN116229725A (zh) * | 2023-05-06 | 2023-06-06 | 北京市计量检测科学研究院 | 一种基于模拟交通场景的交通控制方法及*** |
CN117056153A (zh) * | 2022-05-13 | 2023-11-14 | 保时捷股份公司 | 校准和验证驾驶员辅助***和/或自动驾驶***的方法、***和计算机程序产品 |
CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策***测评方法 |
CN117521389A (zh) * | 2023-11-17 | 2024-02-06 | 东南大学 | 一种基于车路协同感知仿真平台的车辆感知测试方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210339772A1 (en) * | 2018-10-16 | 2021-11-04 | Five Al Limited | Driving scenarios for autonomous vehicles |
-
2024
- 2024-03-29 CN CN202410371229.XA patent/CN117975736B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646586A (zh) * | 2018-03-20 | 2018-10-12 | 重庆邮电大学 | 一种智能网联汽车在环仿真、测试验证***与方法 |
CN109714421A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于车路协同的智能网联汽车运行*** |
CN111260924A (zh) * | 2020-02-10 | 2020-06-09 | 北京中交国通智能交通***技术有限公司 | 适应边缘计算的交通智能管控与服务发布策略方法 |
CN111859618A (zh) * | 2020-06-16 | 2020-10-30 | 长安大学 | 多端在环的虚实结合交通综合场景仿真测试***及方法 |
CN111882924A (zh) * | 2020-07-28 | 2020-11-03 | 上海詹妮建筑设计咨询有限公司 | 车辆测试***、驾驶行为判断控制方法及事故预警方法 |
CN113256976A (zh) * | 2021-05-12 | 2021-08-13 | 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 |
CN115587463A (zh) * | 2021-07-06 | 2023-01-10 | 上海国际汽车城(集团)有限公司 | 一种基于场景分类的自动驾驶测试场景设计方法 |
CN114067561A (zh) * | 2021-10-25 | 2022-02-18 | 东南大学 | 城市快速道路车路协同主动管控***的虚拟现实测试方法 |
CN117056153A (zh) * | 2022-05-13 | 2023-11-14 | 保时捷股份公司 | 校准和验证驾驶员辅助***和/或自动驾驶***的方法、***和计算机程序产品 |
CN115285143A (zh) * | 2022-08-03 | 2022-11-04 | 东北大学 | 一种基于场景分类的自动驾驶车辆导航方法 |
CN115116231A (zh) * | 2022-08-26 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车路协同微观仿真***、方法、电子设备及存储介质 |
CN116205024A (zh) * | 2022-11-09 | 2023-06-02 | 吉林大学 | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 |
CN115909783A (zh) * | 2022-11-24 | 2023-04-04 | 同济大学 | 一种基于交通流的车道级驾驶辅助方法及*** |
CN116229725A (zh) * | 2023-05-06 | 2023-06-06 | 北京市计量检测科学研究院 | 一种基于模拟交通场景的交通控制方法及*** |
CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策***测评方法 |
CN117521389A (zh) * | 2023-11-17 | 2024-02-06 | 东南大学 | 一种基于车路协同感知仿真平台的车辆感知测试方法 |
Non-Patent Citations (2)
Title |
---|
基于MM-STConv的端到端自动驾驶行为决策模型;赵祥模;连心雨;刘占文;沈超;董鸣;;中国公路学报;20201231(第03期);第174-187页 * |
无人驾驶车辆行为决策***研究;熊璐;康宇宸;张培志;朱辰宇;余卓平;;汽车技术;20180803(第08期);第4-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117975736A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583639B (zh) | 一种道路交通拥堵预警方法及*** | |
CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及*** | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN102097005B (zh) | 智能化、集成化交通信号控制器 | |
EP3631616A1 (en) | Road traffic control system, method, and electronic device | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN109360429A (zh) | 一种基于模拟优化的城市道路交通调度方法及*** | |
CN109902899A (zh) | 信息生成方法和装置 | |
CN111739284A (zh) | 基于遗传算法优化模糊控制的交通信号灯智能配时方法 | |
CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、***和可读存储介质 | |
CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其*** | |
Odeh | Management of an intelligent traffic light system by using genetic algorithm | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
Prontri et al. | Traffic signal control using fuzzy logic | |
CN117975736B (zh) | 一种无人驾驶车辆车路协同应用场景测试方法及*** | |
CN117351734A (zh) | 一种车辆延误的智能调控方法及*** | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
Dampage et al. | Adaptive & coordinated traffic signal system | |
CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测***及方法 | |
Sinha et al. | Sustainable time series model for vehicular traffic trends prediction in metropolitan network | |
CN113284338B (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
CN116108970A (zh) | 智慧城市共享单车投放及运营区规划方法和物联网*** | |
CN115440063A (zh) | 交通信号灯的控制方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant |