一种基于道路交通安全设施高度集成融合感知系统

本发明涉及道路车辆感知领域，具体为一种基于道路交通安全设施高度集成融合感知系统。

背景技术：

1、随着交通拥堵与安全压力日益加剧，智能交通系统开始通过广泛部署摄像头和雷达等传感器来构建路网感知能力；在此过程中，数据融合是打破单一传感器物理局限、还原完整交通场景的关键手段，借助近年来车路协同与协同感知技术的进步，打造一张实时且无死角的全局感知网正逐步走向现实，并成为提升交通安全的核心路径。

2、但是当前智能交通领域的感知技术仍然在应用中呈现出一些局限性，在感知融合的深度方面，许多系统的数据处理侧重于对单一来源的数据进行分析，或者进行基础的“感知－响应”式联动；而且部分系统依赖历史数据模型进行风险预测的技术，在应对由偶发、非模式化因素引发的动态风险时，响应速度和准确性都会受到限制；此外，如何将多个分散的感知节点有效地组织起来，形成对更大范围交通态势的宏观、协同认知，实现跨区域、多设备间的信息共享与协同工作，业界目前尚处于探索阶段。综上所述，现在需要解决如何构建一个全面具备前瞻性预测能力的道路环境感知网络的问题。

3、为此，提出一种基于道路交通安全设施高度集成融合感知系统。

技术实现思路

1、本发明的目的在于提供一种基于道路交通安全设施高度集成融合感知系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于道路交通安全设施高度集成融合感知系统，包括：

3、多模态融合模块：对来自交通安全设施的异构原始数据进行时空同步与深度融合，生成动态交通态势图；

4、交互关系认知模块：通过所述动态交通态势图构建交通场景的时空交互关系图，通过推理模型对所述时空交互关系图进行推理，输出结构化交互关系；

5、预测和监测模块：从所述结构化交互关系提取动态交互特征，通过时序预测模型融合所述动态交通态势图，生成包含行驶轨迹和潜在交通冲突风险的交通预测数据；监测所述交通预测数据，当潜在交通冲突风险高于预设风险阈值时，将动态交通态势图、结构化交互关系和交通预测数据封装为临界交通事件数据，并加密上传；

6、云端离线优化模块：利用所述临界交通事件数据对时序预测模型进行适应性优化；通过仿真平台生成测试场景，进行压力测试与安全验证，得到更新包。

7、优选的，所述多模态融合模块的具体过程包括：对来自包括摄像头、激光雷达和毫米波雷达的交通安全设施的异构原始数据，基于统一时间戳进行时间对齐，并通过坐标系转换实现空间对齐；利用深度学习网络分别从对齐后的图像数据、点云数据和雷达数据中提取中间层特征向量；将所述中间层特征向量进行加权融合，生成统一的鸟瞰图视角下的特征表示，并基于所述特征表示生成所述动态交通态势图。

8、优选的，所述交互关系认知模块的具体过程包括：从所述动态交通态势图中识别交通参与者，将每一个交通参与者作为图节点；根据所述交通参与者之间的空间邻近度与运动矢量关系，在存在潜在交互行为的图节点之间建立图的边，共同构建所述时空交互关系图；提取每一个图节点的动态属性，包括位置、速度、加速度和航向角，作为节点特征；将带有节点特征的所述时空交互关系图输入至所述推理模型中，通过所述推理模型的消息传递与聚合机制，更新节点特征来融合邻近节点的交互影响；对更新后的节点特征进行解码，输出所述结构化交互关系，所述结构化交互关系包括量化的车辆间跟驰、换道意图和人车冲突风险。

9、优选的，所述交通预测数据的具体生成过程包括：为所述动态交通态势图中的每一个交通参与者，提取历史运动状态序列，并从所述结构化交互关系中提取量化交互关系的动态交互特征；将所述历史运动状态序列与所述动态交互特征进行拼接，并融合所述动态交通态势图中的空间特征，为每一个交通参与者构建时序输入特征向量；将所述时序输入特征向量输入至所述时序预测模型，由所述时序预测模型输出交通参与者在未来多个时刻的位置坐标序列，形成预测的行驶轨迹；通过计算不同交通参与者的预测行驶轨迹在时空上的重叠可能性，评估得出所述潜在交通冲突风险；将所有交通参与者的所述预测行驶轨迹与所述潜在交通冲突风险合并，生成所述交通预测数据。

10、优选的，从所述结构化交互关系中提取动态交互特征的具体过程包括：识别所述结构化交互关系的具体类型，所述类型包括预设的离散交互事件类型与目标关联交互状态类型；当所述类型为离散交互事件类型时，生成表示事件分类的独热编码向量，作为所述动态交互特征；当所述类型为目标关联交互状态类型时，提取关联的目标交通参与者的相对距离、相对速度和相对加速度，形成目标状态特征向量，作为所述动态交互特征。

11、优选的，所述临界交通事件数据的具体生成过程包括：对所述交通预测数据中的潜在交通冲突风险进行流式监测，将所述潜在交通冲突风险的量化值与预设的风险阈值进行持续比较；当所述量化值超过所述风险阈值时，触发事件记录程序，捕获触发时刻前一预设时间窗口内的所述动态交通态势图、所述结构化交互关系、触发时刻的所述交通预测数据，以及触发时刻后预设时间窗口内的交通演变数据；为捕获的数据集合分配唯一的事件标识符和时间戳，整合为结构化的所述临界交通事件数据；采用非对称加密算法对所述临界交通事件数据进行加密，并通过安全传输协议将加密后的数据上传至云端服务器。

12、优选的，所述进行适应性优化的具体过程包括：将接收到的所述临界交通事件数据划分为训练集与验证集，并对所述训练集进行数据增强，通过对交通参与者的初始状态施加扰动，生成多样化的衍生风险场景；从所述训练集中的每一条数据提取原始的交通预测数据与交通演变数据，计算预测误差，作为损失函数；采用所述损失函数，通过反向传播算法对所述时序预测模型的网络权重进行微调更新；利用所述验证集对更新后的时序预测模型进行性能评估。

13、优选的，所述进行压力测试与安全验证的具体过程包括：在所述仿真平台中重建所述临界交通事件数据，并通过对场景中的关键参数进行扰动生成一系列边缘测试场景；将经过优化的时序预测模型与优化前的时序预测模型在所述边缘测试场景中进行对比测试，评估关键安全指标，所述关键安全指标包括预测准确性、漏报率和虚警率；当所述经过优化的时序预测模型的关键安全指标优于预设验证标准时，封装为加密的更新包。

14、与现有技术相比，本发明的有益效果为：

15、1.系统利用多模态交通态势图搭建了时空交互关系图，可以识别出场景中的交通参与者，而且核心在于推演目标间正在发生或即将发生的互动行为，在理清这些动态关系后，面对密集、复杂的车流，后续的轨迹预测就有了更为客观的依据。

16、2.将前序提取的交互关系会被当作动态特征，直接融入时序预测模型，这样预测过程不再只盯着单车的历史轨迹，而是把周边车辆的相互影响与博弈意图也算在内，这种做法更贴近真实的驾驶逻辑，能够及早暴露多车交互可能带来的冲突风险，为交通控制和预警争取到更充足的反应时间。

17、3.在自优化层面，预测与监测模块会自动采集实际路况中的高风险临界事件数据；云端离线模块则利用这些真实的难例样本对预测模型进行定向微调，通过建立这种闭环流程，系统能够基于不断累积的道路环境数据进行常规迭代，逐步改善整体的感知与预测效果。