一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法

摘要: 本发明涉及面向微观交通监测的感知型传感器优化布设,具体是一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法。背景技术:1、车路协同、智能网联是道路交通行业发展的...
一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法

本发明涉及面向微观交通监测的感知型传感器优化布设,具体是一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法。

背景技术:

1、车路协同、智能网联是道路交通行业发展的重要趋势。智能网联汽车(icv)作为未来交通流的重要组成部分,通过多源感知与车路协同实现交通场景的动态信息交互。与传统车辆相比,智能网联汽车可以感知交通场景并与其他智能网联汽车或智能路端设施实现信息共享。在此过程中,路侧感知设备发挥了重要作用,它可以弥补智能网联汽车行驶过程中的感知盲区,实现协同感知,为交通冲突风险识别、交通态势评估提供大量精准的交通数据。

2、目前路侧协同感知设备主要为雷视融合一体机或者激光雷达。虽然路侧协同感知设备可通过多视角数据的融合提升交通感知的精度,但是路侧感知设备成本较高,并且随着感知设备数量的增加,数据吞吐量则会随着提升,对算力资源的要求也更高,在此背景下路侧协同感知设备的优化布设已成为当前智能交通领域研究的新兴技术问题之一。

3、现有关于路侧激光雷达(rsl)优化布设的技术多聚焦于传统断面交通流检测器如地磁线圈、卡口相机等感知设备的配置研究。由于数据采集的颗粒度较大,传统断面检测器作为rsl的优化布设本质上属于宏观空间尺度层面的优化选址。但是车路协同感知注重细粒度、高精度地采集交通个体运动信息,面向车路协同感知效能提升需要在微观空间尺度层面推进rsl的优化布设。

4、现有技术方案主要以交通目标感知为着力点,进行路侧感知设备的优化布设。早期受限于算力问题,当时的研究皆在二维平面上进行,采用简单的几何线形代表道路环境,利用扇形或者三角形表征传感器的感知范围,并用多边形表征目标点所处的范围进行摄像机位优化选择实现100%的覆盖率。随着计算能力的提升,技术领域认识到在三维空间中进行路侧摄像机优化布设的必要性。 du y c, wang f q, zhao c et al. quantifying theperformance and optimizing the placement of roadside sensors for cooperativevehicle-infrastructure systems[j/ol]. iet intelligent transport systems,2022, 1-18中以道路上车辆为目标物,考虑道路上动态车辆之间的遮蔽效应,采用遮蔽程度模型来量化描述三维空间中不同因素对路侧单元进行目标感知的影响,并在此基础上优化路侧监测传感器的布设。du等人的方案虽采用路侧lidar,但沿用摄像机锥形视场模型进行模拟,未考虑二者本质差异。lidar通过高频激光扫描生成三维点云数据,其离散程度与设备参数相关。即使目标处于理论感知范围内,仍可能因返回点云密度不足导致漏检,这与基于连续成像的摄像机感知机制存在显著区别。

5、ma y, zheng y, wang s, et al. point cloud-based optimization ofroadside lidar placement at constructed highways[j]. automation inconstruction, 2022, 144: 104629.以真实道路的三维点云数据作为背景,将路面区域作为目标监测区域,构建了基于unet神经网络的传感器模型,并以多个路侧感知设备协同感知条件下100%覆盖目标监测区域为约束、以最小化传感器数量为目标,实现对路侧感知设备的优化布设。但是在他们的技术方案中并没有考虑交通个体,也未考虑移动车体对路侧感知的遮挡效应,布设的结果过于理想。

6、ma y, zheng y, wang s, et al. a virtual method for optimizingdeployment of roadside monitoring lidars at as-built intersections[j]. ieeetransactions on intelligent transportation systems, 2023将真实道路三维点云数据与实测轨迹相结合,实现了对动态交通三维场景的重构,并同时考虑道路环境中静态障碍物与动态障碍物的不利影响,以平均召回率为感知效能的评价指标,实现了对交叉口位置路侧感知设备的优化布设。但是他们的技术方案中交通场景的构建强依赖于实际轨迹数据采集,无法根据需求调控交通场景,导致了技术方案无法灵活应对其他交通场景下的路侧感知设备的布设。

7、针对现有技术方案在进行路侧感知单元优化布设时,往往只关注目标检测的准确性和精度,忽视了车辆轨迹数据的重要性,无法为后续交通分析提供全面的基础数据的问题,本发明旨在提供一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法,将车辆轨迹感知效果纳入感知效能评价中,优化路侧感知雷达布设。

技术实现思路

1、针对路侧感知设备优化布设技术方案皆是面向目标检测,对轨迹信息的全面采集缺少关注的问题,本发明提供了一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法,引入了一种混合协作感知仿真(cop-sim)方法,该方法模拟了基于rsl的轨迹捕获。在cop-sim中,将真实道路环境的三维模型与真实轨迹数据相结合,重建数字孪生交通场景。并且,将真实轨迹数据与信息丢失作为rsl-ct模型的输入,无需耗时的仿真模拟计算即可合成任何新放置方案的感知轨迹的偏差。与仅关注目标检测的优化方法相比,使用dnn合成的rsl-ct来优化rsl布设可以获得更好的结果,从而提高轨迹感知的准确性。

2、为实现上述目的,本发明提供如下技术方案:

3、一种面向车辆轨迹全面感知的路侧感知雷达优化布设方法,包括以下步骤:

4、(1)基于三维实景点云数据建立静态道路模型,建立交通个体的三维模型数据库,通过坐标转换将静态道路模型与交通个体模型映射到同一个坐标空间创建交通场景;

5、(2)构建rsl协同感知仿真方法,通过仿真方法获得原始轨迹数据对应不同rsl配置和位置的路侧雷达感知轨迹,得到对应的感知轨迹的偏差,将仿真得到的数据用于创建训练数据集;

6、(3)基于深度神经网络构建路侧雷达感知轨迹模型,将rsl配置参数、放置参数和交通环境与信息丢失联系,将原始轨迹与信息丢失作为路侧雷达感知轨迹模型的输入,输出原始轨迹数据与感知轨迹的偏差,利用步骤(2)中训练数据集对路侧雷达感知轨迹模型进行训练;

7、(4)利用rsl协同感知仿真方法创建每个轨迹数据对应的pog,获取不同布设参数下的信息丢失,将轨迹数据与信息丢失输入到训练好的路侧雷达感知轨迹模型中,得到相应的感知轨迹的偏差,将rsl布设参数和感知轨迹的偏差分别作为为决策变量和目标函数,使用贝叶斯优化方法进行rsl优化布设。

8、本发明中,步骤(1)中利用高精度激光雷达获取交通场景的三维实景点云数据,提取基本道路几何信息,建立静态三维道路模型。

9、本发明中,步骤(1)中坐标转换,具体如下:

10、每个时间步长内,每个交通个体的模型的

y

l轴都会通过局部到全局的坐标变换与其沿轨迹的前进方向对齐;

11、    (1);

12、      (2);

13、其中,为交通个体在第

t步时的位置,和分别为道路的全局坐标系和交通个体的局部坐标,为使

y

l轴与交通个体前进方向保持一致的旋转矩阵;为航向角。

14、本发明中,构建rsl协同感知仿真方法,包括:

15、使用球面投影法与栅格化操作,创建道路场景的深度图;用光线追踪算法创建交通个体的深度图;将道路场景的深度图与交通个体的深度图进行像素级融合,逆投影方法生成激光扫描图;用网格模型表示静态道路场景时,交通个体和道路环境的网格被合并成一个完整的网格模型;然后,应用光线跟踪算法创建激光雷达感知模型;

16、将激光雷达捕获的每个数据点都被分配了一个唯一的id,静态道路环境的数据点被标记为-1;根据数据中物体的id对其进行有效分割,将具有相同id的数据点进行聚类,应用l形算法用长方体标记交通个体。

17、本发明中,所述光线跟踪算法采用改进的光线追踪算法,改进的光线追踪算法工作原理包括:

18、首先,将任意一个交通个体模型中的三角形的顶点投影到一个虚拟平面;

19、然后,在保留每一个三角单元顶点拓扑的情况下,将投影三角形转换为平面上的网格;平面上所有的的射线点用相同的网格大小进行栅格化,这样三角形点和射线点都映射到矩阵位置,其中和分别表示列号和行号;为了加速后续的匹配过程,都进一步映射为一个线性标量;注意,每一个对应唯一一个值,计算公式见式(3);

20、      (3);

21、其中,与为互质数;

22、通过上述转换,对应同一个值的射线和三角形是成对的潜在射线三角形,而值不同时意味着射线与对应的三角形不会相交,这样基于的匹配过程将大大消除无效的成对射线三角形;在射线与多个三角形元素相交的情况下,只保留最接近路侧感知雷达的数据点。

23、本发明中,所述信息丢失通过联合概率分布的交叉熵与信息损失严重度的指标进行衡量:

24、首先,利用cop-sim方法创建pog,获得交通个体t1时刻进入roi并在t2时刻退出期间的pog,记为,令表示中体素

i在的占用概率,对于体素

i,rsl感知条件下沿每条射线的为:

25、      (10);

26、公式(10)中是指体素

i被准确观测到的总体概率,越低意味着信息损失越多;

27、通过逐体素的操作来模拟rsl之间的协同监测,令为第个rsl感知到的体素

i的占用概率值,则多个rsl共同观测条件下的概率值按照式(11)计算:

28、 (11);

29、其中,为rsl个数,为得到最小值的函数;

30、将pog中的每一个体素看作是一个二进制变量,体素值代表占据概率,由于一个体素的状态并不决定其他体素的状态,所以体素的占用状态被认为是独立分布的变量;设和分别为和的联合概率分布,为多个rsl共同感知到的pog;交叉熵量化了概率分布之间的差异,用来衡量信息损失:

31、     (12);

32、其中,为体素数;

33、如前所述,公式(10)中的也反映了每个体素的信息丢失程度,因此,除之外,引入衡量信息损失严重度的指标:

34、       (13)。

35、本发明中,使用cop-sim方法创建pog,包括:

36、将轨迹数据转换为体素的线性指数,假设在第t步时交通个体

m位于处,通过坐标转换将交通个体模型与其沿轨迹的前进方向对齐,并使用均匀采样技术将其转换为离散点;创建pog需要定义分析区域roi,将设置在左下角,roi的长、宽、高分别为、、;为体素大小;交通个体上的每个点都通过以下公式被转换成体素:

37、      (6);

38、        (7);

39、其中,为体素位置,为将数字舍入为整数的函数,为交通个体在第t步的体素数据的时间矩阵;的每个非零元素对应一个体素;

40、为进一步简化计算过程,体素位置被编码为线性索引;

41、    (8);

42、其中,;注意,等于;

43、当交通个体t1时刻进入roi并在t2时刻退出时,期间的pog由以下公式计算:

44、        (9);

45、其中,为在第t步道路内的交通个体的id。

46、本发明中,轨迹数据本身也可能影响路侧雷达感知轨迹的结果,多个rsl时,越近的rsl对路侧雷达感知轨迹的影响越大,因此,采用逆距离加权函数编码;

47、      (14);

48、       (15);

49、式中,和分别为的轨迹点和rsl的位置,为到第个rsl的距离,为rsl的个数。

50、本发明中,将mlp作为神经网络构建路侧雷达感知轨迹模型,其输入的特征为,,其中、、分别是沿x、y与z轴的分量;输入特征是利用nerf模型中的编码函数进行增强,如公式(16)所示:

51、 (16);

52、其中,,为变量,为用户定义的常量,控制增广特征的大小。

53、本发明中,将lstm作为神经网络构建路侧雷达感知轨迹模型,为每条轨迹创建一个多维特征序列,每个轨迹点对应一个向量,将多维特征序列作为路侧雷达感知轨迹模型的输入。

54、与现有技术相比,本发明的有益效果是:

55、1、本发明将车辆轨迹感知效果纳入感知效能评价中,用于优化路侧感知雷达布设,这弥补了现有技术方案过度聚焦目标检测的瞬时准确性而忽视车辆轨迹数据全局价值的问题,可以支撑交通流的连续性分析,具有良好的商用价值;面向车辆轨迹全面感知的技术思路是首次被引入到路侧协同感知设备的优化布设领域,具有重要的意义。

56、2、本发明基于dnn的方法来构建rsl-ct模型;rsl-ct生成过程中,以原始轨迹数据与信息丢失作为rsl-ct模型的输入,生成新的rsl位置的感知轨迹的偏差,将rsl布设参数和感知轨迹的偏差分别作为决策变量和目标函数来优化布设,整个过程不依赖于模拟,减少时耗,显著提高获取轨迹数据的效率。