一种人工智能驱动的公路路况智能识别系统的制作方法

本发明涉及路况智能识别，具体地说，涉及一种人工智能驱动的公路路况智能识别系统。

背景技术：

1、在高速公路或城市快速路发生交通事故、临时施工或封路等突发事件时，后方排队车辆中的驾驶员由于无法直接观察到前方堵车区域的实际状况，往往处于完全的信息盲区。具体而言，驾驶员仅能看到本车道及相邻车道前方车辆的制动灯亮起、车速骤降乃至完全停止，却无法获知造成堵塞的根本原因。堵塞的原因可能是多车追尾、单车抛锚、货物散落、路面塌陷、临时养护作业或交通管制封路等，不同类型的突发事件对应的处置流程和持续时间差异悬殊。

2、对于受堵驾驶员而言，信息盲区至少包含以下几个层面：其一，堵塞的具体原因不明，驾驶员无法判断这是一起可在数分钟内自行撤离的轻微剐蹭，还是涉及重型清障和伤员转运的严重事故；其二，受堵的具体车道不明，驾驶员无法判断哪些车道被事故车辆或施工区域直接占用，哪些车道仍具备通行条件或即将恢复通行；其三，应急处理的实时进程不明，驾驶员不知道交警是否已经到场、勘查取证是否结束、清障车是否已经出发或正在作业；其四，预计疏通时间不明，驾驶员无法据此合理规划是否原地等待或提前绕行。

3、上述信息缺失会引发一系列连锁负面效应。从驾驶员心理层面看，未知的等待时间远比已知的漫长等待更容易诱发焦躁和愤怒情绪，部分驾驶员在焦虑驱使下会频繁鸣笛、尝试变道探明前方情况。从交通行为层面看，当部分驾驶员决定脱离当前排队队列而强行变道时，变道车辆会与目标车道上正常行驶的车辆产生冲突，迫使目标车道车辆紧急制动，这种扰动会沿交通流向后方传播，造成堵塞范围从单一车道扩散至相邻车道，严重时甚至蔓延至对向车道。更为严重的是，无序变道和抢道行为显著增加了车辆侧向碰撞和追尾碰撞的风险，极易在已有堵车区域后方诱发二次事故，进一步加剧交通瘫痪并带来人员伤亡隐患。

4、现有技术中，针对高速公路和城市快速路的交通诱导手段主要包括以下几种方案。

5、第一种方案是通过路侧可变信息板发布文字提示信息。该类信息板通常设置于道路门架或路侧立柱上，能够显示诸如“前方事故，减速慢行”“前方施工，车道封闭”等简短文字。然而，可变信息板的布设间距通常在数公里以上，且显示内容受限于字符数量和固定的信息模板，无法精确描述事故占用的是左侧、中间还是右侧车道，也无法实时更新交警到场、勘查、清障等处置阶段的变化。后方驾驶员根据此类模糊信息无法做出精细化的变道决策。

6、第二种方案是通过导航软件推送拥堵路段标记和预计通行时间。导航软件依赖浮动车轨迹数据的时空聚合分析，能够在电子地图上将拥堵路段渲染为红色或深红色，并基于历史同期数据或简单的排队长度—消散时间经验公式推算出预计通过时间。但该方案存在明显缺陷：历史统计模型无法适应动态变化的现场处置情况，例如清障车提前到达或二次事故突然发生都会使预设的消散时间产生大幅偏差；导航软件仅能给出整条路段的通行时间预测，无法将建议细化到具体车道，也无法告知驾驶员当前第一车道可通行而第二、第三车道被占用等车道级信息。此外，导航软件基于车载gps的采样频率和定位精度有限，在密集排队场景下难以准确区分车辆所处的具体车道，因此缺乏生成车道级引导策略的数据基础。

7、第三种方案是将无人机航拍图像引入交通监控。无人机能够飞抵事故现场上空，回传高分辨率的俯视图像或视频流，使监控中心人员直观了解事故车辆位置、占用车道数量以及排队长度。但在目前的应用实践中，无人机多被作为纯粹的图像采集工具使用，即操作人员通过遥控或预设航线控制无人机拍摄，再由人工观察图像进行主观判断。这种模式缺乏对多模态感知数据与应急响应状态数据的深度融合。应急响应状态数据是指来自交通管理平台、紧急呼叫平台或施工报备平台的结构化信息，包括报警记录、交警到场时刻、勘查开始时刻、清障车调度状态、预计恢复通行时刻等。现有方案未能将无人机实时图像中的视觉特征与上述应急状态数据在语义层面进行对齐和因果关联建模，因此无法自动推理当前应急处置所处的阶段，也无法基于处理阶段预测剩余持续时间，更无法将推理结果自动转化为面向各车道的差异化疏导方案。

8、综上，现有技术在实时获取前方堵车区域精细状态、准确预测拥堵消散时间以及生成车道级有序疏导策略这三个方面均存在不足，亟须一种能够将多模态现场感知与应急响应进度深度融合并进行因果推理与车道级决策的智能系统。

技术实现思路

1、本发明的目的在于提供一种人工智能驱动的公路路况智能识别系统，从而解决上述背景技术中提出的问题。

2、为实现上述目的，该一种人工智能驱动的公路路况智能识别系统包括路侧感知单元、移动感知单元、应急状态获取单元以及智能分析平台；

3、所述路侧感知单元用于采集堵车区域固定视角的多模态实时数据；

4、所述移动感知单元部署于可在堵车区域上空飞行的无人机，用于在接收到的调度指令控制下，补充采集所述路侧感知单元覆盖盲区的多模态实时数据；

5、所述应急状态获取单元用于从交通管理平台、紧急呼叫平台和施工报备平台中的至少一者获取应急响应状态数据；

6、所述智能分析平台包括事件因果图构建模块、阶段识别与时间预测模块、车道级疏导决策模块以及信息发布单元；

7、其中，所述事件因果图构建模块用于基于所述多模态实时数据和所述应急响应状态数据，提取事件要素并构建以当前堵车事件为根节点的动态因果图，所述动态因果图的节点表示与堵车事件存在因果关系的实体或状态，边表示节点间的因果关联及时序影响；

8、所述阶段识别与时间预测模块用于利用已训练的阶段识别模型对所述动态因果图进行状态推理，输出应急处理阶段标签及其预期持续时间；

9、所述车道级疏导决策模块用于将所述应急处理阶段标签及预期持续时间、车道级交通流状态输入多目标优化器，在微观交通仿真环境内以滚动时域优化方式求解车道开放/关闭方案及车道级引导策略；

10、所述信息发布单元用于将所述车道开放/关闭方案及车道级引导策略发送至受堵车影响的车辆。

11、与现有技术相比，本发明的有益效果：

12、该人工智能驱动的公路路况智能识别系统中，通过智能分析平台基于多模态实时数据和应急响应状态数据构建以堵车事件为根节点的动态因果图，利用阶段识别模型推理应急处理阶段及其预期持续时间，并通过车道级疏导决策模块生成车道开放/关闭方案和引导策略，信息发布单元将疏导方案下发至车辆。通过因果图演化预测与车道级动态疏导，实时更新堵车区域的拥堵态势并给出精确的车道级通行指引。

1.一种人工智能驱动的公路路况智能识别系统，其特征在于，包括路侧感知单元、移动感知单元、应急状态获取单元以及智能分析平台；

2.根据权利要求1所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述路侧感知单元包括间隔部署于道路两侧或门架上的监控摄像机与毫米波雷达；

3.根据权利要求1所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述移动感知单元中补充采集所述路侧感知单元覆盖盲区的多模态实时数据的方法包括如下步骤：

4.根据权利要求1所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述应急状态获取单元中的应急响应状态数据包括但不限于：

5.根据权利要求1所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述事件因果图构建模块中构建以当前堵车事件为根节点的动态因果图的方法包括如下步骤：

6.根据权利要求5所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述s23中的节点类型包括根节点、起因事件节点、车辆节点、区域节点、状态节点以及环境节点。

7.根据权利要求6所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述阶段识别与时间预测模块中输出应急处理阶段标签及其预期持续时间的方法包括如下步骤：

8.根据权利要求1所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述车道级疏导决策模块包括决策变量编码器、仿真推演器和多目标优化求解器三个子组件；

9.根据权利要求8所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述多目标优化求解器中搜索最优的车道管控方案的方法包括如下步骤：

10.根据权利要求1所述的人工智能驱动的公路路况智能识别系统，其特征在于，所述信息发布单元内部设置有消息编码模块和车用无线通信技术路侧通信单元；