一种融合车端感知与V2X信息的车辆速度预测方法、系统、设备及存储介质与流程

本发明涉及智能网联汽车、车路协同和车辆运动状态预测，尤其涉及一种融合车端感知与v2x信息的车辆速度预测方法、系统、设备及存储介质。

背景技术：

1、本部分提供的仅仅是与本公开相关的背景信息，其并不必然是现有技术。

2、随着智能网联汽车和车路协同技术的发展，车辆已不再仅依赖摄像头、毫米波雷达、激光雷达、轮速计及惯性传感器进行局部环境感知，还可以通过v2v、v2i和v2n等通信方式获取周边车辆状态、交通信号灯状态、地图拓扑、车道连接关系、道路事件和路侧引导信息。

3、现有车辆速度预测方法多以历史车速序列或单车感知信息为主要输入，虽然能够在简单工况下拟合短时速度变化趋势，但在信号控制路口、复杂交叉口通行、拥堵缓行和事件诱导等场景中，对外部协同信息的利用不足。

4、另一方面，车端感知信息与v2x信息在时效性、稳定性和一致性方面存在显著差异。例如，雷达对前车观测具有较高实时性，但在遮挡和切入切出场景下容易出现目标抖动；v2i消息能够提供信号灯状态和地图连接关系，但在消息延迟、丢包或过期时，其参考价值会明显下降。现有方法通常缺乏对上述差异的统一建模。

5、此外，很多速度预测模型直接输出数值序列，而缺乏与限速、安全时距、信号灯通行窗口及车辆动力学相结合的后验修正机制，从而导致预测结果虽然在统计误差上较小，但在工程应用上可能不可执行。

技术实现思路

1、本发明的目的在于提供一种融合车端感知与v2x信息的车辆速度预测方法、系统、设备及存储介质，以解决现有技术中多源异构数据融合机制粗糙、速度预测缺乏交通约束和动力学约束、复杂交通场景适应性不足的问题。

2、第一方面，方案提供了一种融合车端感知与v2x信息的车辆速度预测方法，采用如下技术方案：获取车端感知数据和v2x协同数据，对多源数据进行预处理，并分别从时间新鲜度、稳定性和一致性三个维度计算各数据源可信度；结合交通场景对车端感知特征与v2x协同特征进行自适应加权融合；基于历史融合特征序列生成初始速度预测结果；再结合道路限速约束、安全车距约束、信号灯通行窗口约束和动力学平滑约束，对所述初始速度预测结果进行修正，得到目标速度预测结果；最后根据实际速度与预测速度之间的误差，对场景校正参数和融合权重进行在线更新。

3、具体步骤包括：

4、步骤1：采集车端感知数据和v2x协同数据并进行数据预处理；对预处理后的数据，分别从时间新鲜度、稳定性和一致性三个维度计算综合可信度；

5、步骤2：基于当前交通场景，结合步骤1得到的可信度，计算车端感知特征与v2x协同特征的融合权重，从而生成融合特征；

6、步骤3：将融合后的历史特征序列输入速度预测模型，得到未来预设时间窗内的初始速度预测值；

7、步骤4：基于限速、安全车距、信号灯通行窗口及车辆动力学边界，对初始预测值进行修正；

8、步骤5：输出最终目标速度预测结果，并根据预测误差对场景校正参数和融合权重进行在线更新，所述融合权重的更新依赖于所述预测误差和步骤1得到的综合可信度。

9、在部分实施例中，所述步骤1包括以下步骤：

10、步骤1-1：分别采集车端感知数据和v2x协同数据，所述所述车端感知数据包括但不限于自车速度、自车加速度、前车距离、前车相对速度、车辆位置、航向角以及车辆控制状态，所述v2x协同数据包括但不限于信号灯相位状态、相位剩余时间、道路限速、地图拓扑信息、道路事件信息、路侧引导信息以及感知共享信息；所述v2x协同数据通过接收并解析来自v2v、v2i或路侧单元的协同信息得到；感知共享信息可以包括周围车辆信息，但其范围比周围车辆信息更广，还包括由路侧感知设备或其他联网交通参与者生成并共享的目标级、事件级环境感知结果；

11、步骤1-2：对采集到的多源数据进行数据预处理，旨在将异步、多频率、不同质量的数据统一为可分析输入，所述预处理具体为时间对齐、缺失补偿、异常值剔除和过期消息过滤中的至少一项，并分别形成车端感知特征向量和v2x协同特征向量；

12、将数据采集后统一转换为可计算的车端感知状态向量，具体为：

13、定义车端感知状态向量：

14、

15、式中：表示时刻的车端感知状态向量；表示自车速度，单位为m/s，取值范围为。对应范围为到km/h，可覆盖城市道路、高架路和高速公路典型速度区间；表示自车纵向加速度，单位为m/s2，取值范围为。其中负值表示减速，正值表示加速，该区间可以覆盖常规驾驶以及紧急制动场景。表示当前时刻与前车的纵向距离，单位为m，取值范围为。当距离超过200m时，前车对短时速度预测的直接影响通常显著减弱。表示与前车的相对速度，定义为，单位为m/s，建议取值范围为。表示车辆位置，可为二维投影坐标或高精地图参考坐标，不设统一固定数值范围，但应在整个系统内采用统一坐标系。表示车辆航向角，单位为rad，建议取值范围为。表示车辆控制状态特征，可包括油门开度、制动踏板开度、挡位和驱动模式等。进行归一化处理后范围为。

16、定义v2x协同状态向量：

17、

18、式中：表示时刻的v2x协同状态向量；表示信号灯相位状态，采用整数编码，如红灯、黄灯、绿灯和未知状态。取值集合为；表示当前信号相位的剩余时间，单位为s，取值范围为。对于常见城市交叉口，这一区间已能够覆盖绝大多数实际控制相位；表示当前路段或车道的限速信息，单位为m/s，取值范围为；表示道路事件强度或障碍物等级，归一化到区间；若采用离散等级，可取，分别表示无事件、轻微事件、中等事件和严重事件。表示地图拓扑和车道连接关系特征，通常来源于map消息或高精地图，可编码为向量后归一化到。表示路侧引导信息，可包括建议速度、目标车道或协调通行标识，范围为m/s；

19、定义总状态向量：

20、

21、式中，表示时刻的全局输入状态。该式将车端感知状态与v2x协同状态置于同一分析框架之下，是后续可信度评估、自适应融合和速度预测的统一输入基础。

22、步骤1-3：对预处理后的数据，分别从时间新鲜度、稳定性和一致性三个维度计算其综合可信度。

23、在部分实施例中，所述步骤1-3包括以下步骤：

24、步骤1-3-1：分别计算数据的时间新鲜度、稳定性因子以及一致性因子：

25、通过下式计算第类数据源在时刻的时间新鲜度：

26、

27、其中，为第类数据源当前时刻与最近一次有效更新时间之差，表示第类数据源的时间衰减系数，取值范围为；取值范围为。当消息刚刚到达时，，此时；随着消息变旧，单调减小；高时效数据如信号灯状态和前车广播消息可取较大值，低变化数据如静态地图可取较小值；表示当前时刻与该数据源最近一次有效更新时间之差，单位为s，满足。

28、通过下式计算第类数据源的稳定性因子：

29、

30、其中，表示该数据源在最近时间窗口内的归一化波动方差，取值落于区间内，以避免异常值过度主导；取值范围为；采用有理函数的原因在于：其一，该形式始终有界，不会出现发散；其二，当波动方差较小时，对稳定数据的惩罚较轻，有利于保留有效信息；其三，当波动方差增大时，权重会快速下降，能够抑制抖动严重的数据源。

31、通过下式计算第类数据源的一致性因子：

32、

33、其中，表示一致性调节系数，取值范围为，表示第类数据源与参考源之间的归一化偏差，满足；取值范围为。例如可定义为车端检测前车速度与v2v广播速度之间的偏差，或路侧推荐速度与局部感知拥堵状态之间的偏差。一致性因子的含义在于：若某一数据源与其他可靠数据源严重冲突，则该数据源在当前时刻的可信程度应降低。采用指数函数的原因是：其对偏差扩大的响应更敏感，能在多源冲突明显时快速压低相应权重，从而减少错误协同信息对预测的干扰。

34、步骤1-3-2：基于得到的时间新鲜度、稳定性因子以及一致性因子通过加权计算综合可信度：

35、

36、其中、、分别表示时间新鲜度、稳定性和一致性的权重，均满足，且三者之和为1。

37、时间新鲜度权重、稳定性权重和一致性权重可基于历史标定数据进行定量确定。首先按照交通场景标签对历史样本进行分组，并在满足各权重非负且权重之和为1的条件下，以初始速度预测误差最小为目标求取对应场景的最优权重：

38、

39、约束条件为：

40、

41、式中，表示第  类交通场景下的标定样本数量，表示第  个样本对应的真实速度，表示采用候选可信度权重后得到的初始速度预测值。上述优化可采用网格搜索、投影梯度下降或其他带单纯形约束的优化算法实现。

42、在缺少充足标定样本时，可将时间新鲜度、稳定性和一致性的初始权重分别设置为0.4、0.3和0.3；权重根据场景进行标定，例如在交叉口场景下提高时间新鲜度权重，在低速拥堵跟车场景下提高稳定性权重，当某一场景积累的有效样本数量达到预设阈值后，再利用该场景的历史数据重新标定。由此使权重分配既具有明确的定量依据，又能够适应不同交通场景的数据质量特征。

43、在部分实施例中，所述步骤2包括以下步骤：

44、步骤2-1：基于采集车端感知数据和v2x协同数据的综合可信度分别计算车端感知权权重和v2x权重，具体为：

45、

46、

47、其中代表车端感知源综合可信度，代表v2x消息源的综合可信度；

48、得到融合后的综合特征向量

49、

50、步骤2-2：基于步骤2-1得到的权重和交通场景标签得到融合特征，将场景标签显式引入融合过程以显著提升模型可解释性和实际适应性， 具体为：

51、

52、表示交通场景标签，建议取有限集合，分别对应自由行驶、跟车、交叉口、拥堵缓行和事件诱导场景，表示归一化之后的车端感知特征向量，表示归一化之后的v2x协同特征向量。和分别表示场景相关的车端感知权重和v2x权重，均位于区间内。

53、在进行特征融合前，先将车端感知特征和v2x协同特征分别映射至维度相同的公共特征空间：

54、

55、

56、式中，、分别表示车端感知特征和v2x协同特征的投影矩阵，、分别表示对应的偏置向量，使和具有相同维度。

57、针对交通场景 ，预先设置或通过历史数据标定车端感知场景先验系数和v2x场景先验系数。最终融合权重按照下式计算：

58、

59、

60、式中，为防止分母为零而设置的正数。融合特征表示为：

61、

62、在一个可选实施例中，各场景的先验系数可采用下列初始值：

63、

64、上述数值仅作为初始标定值，不构成对保护范围的限制。自由行驶和跟车场景中，自车状态、前车距离和相对速度对短时速度变化的影响较大，因此提高车端感知先验系数；交叉口场景中，信号灯相位、剩余时间和地图车道连接关系更为关键，因此提高v2x先验系数；事件诱导场景中，道路事件和路侧感知共享信息对车辆速度变化具有较强影响，因此进一步提高v2x先验系数。

65、在部分实施例中，所述步骤3包括以下步骤：

66、步骤3-1：将步骤2生成的融合特征按时间顺序排列，构建历史融合特征序列；定义历史融合特征序列：

67、

68、式中：表示截至时刻的历史融合特征序列；表示历史窗口长度，满足。范围为。若系统采样频率为10hz，则可优选至，对应1至3s历史窗口。车辆速度预测更依赖近期动态，过长历史会引入过时信息和冗余噪声，同时增加计算负担；而过短窗口又无法完整反映速度变化趋势和控制意图。因此，固定长度滑动窗口在信息充分性和实时性之间取得了更好的平衡。

69、步骤3-2：将所述历史融合特征序列输入预先训练的速度预测模型；

70、步骤3-3：通过所述速度预测模型进行时序递推或直接映射，输出未来预设时间窗内各时刻的初始速度预测值，得到多步预测序列：

71、

72、式中：表示未经过解析约束修正的一步初始预测速度，单位为m/s，范围为；表示未来步的初始预测速度序列。表示预测步长，满足，范围为。

73、在部分实施例中，速度预测模型采用门控循环单元网络构建。模型输入为截至当前时刻  的历史融合特征序列：

74、

75、其中，历史窗口长度  可设置为10至30，对应采样频率为10hz时最近1至3秒的历史信息；每一时刻的融合特征  均位于统一的  维公共特征空间，可设置为16至128，因此模型输入张量的维度为。

76、模型依次包括输入归一化层、至少一层gru时序编码层和全连接输出层。gru时序编码层对历史融合特征进行递推处理，得到末时刻隐状态 。在一个可选实施例中，可将时序预测函数具体写为：

77、

78、

79、式中：表示时刻的隐状态向量，可设，其中维度范围为。表示隐状态更新函数，可由lstm单元、gru单元或其他门控结构实现。和分别表示输出层权重矩阵和偏置向量。

80、在一个优选实施例中，gru网络设置为两层，第一层和第二层的隐状态维度分别为64和32，并可在两层之间设置丢弃比例为0.1至0.3的随机失活层。

81、对于一步速度预测，全连接输出层包含一个输出节点，并根据隐状态生成下一时刻初始预测速度：

82、

83、对于多步速度预测，全连接输出层包含  个输出节点，直接生成未来  个时刻的初始速度预测序列：

84、

85、其中，可设置为1至30。softplus函数用于保证模型输出为非负值。模型输出为尚未经过道路限速、安全车距、信号灯通行窗口和车辆动力学边界修正的初始预测速度。

86、模型训练数据由完成时间对齐和异常值处理的历史车辆运行数据构成。采用长度为  的滑动窗口构造训练样本，将前  个时刻的融合特征作为模型输入，将后 个时刻的实测车辆速度作为监督标签。训练数据可按照时间顺序划分为训练集、验证集和测试集，避免同一连续行程的数据同时出现在训练集和测试集中。

87、训练过程中，以训练集统计得到的均值和标准差对连续特征进行标准化，以交叉熵编码或独热编码处理信号相位、场景标签等离散特征。模型通过联合损失函数进行训练：

88、

89、其中，表示预测误差项；表示预测序列的一阶差分平滑项，用于抑制高频抖动；表示约束一致性项，用于在训练阶段惩罚超限速预测，具体为：

90、

91、其中，表示训练样本数，满足；表示第个样本的真实速度；表示第个样本的预测速度；

92、

93、

94、其中，表示第个样本对应的限速值。

95、模型参数  通过误差反向传播进行更新，优化器可采用adam优化器，初始学习率可设置为至，批次大小可设置为32至256，并根据验证集损失采用早停策略确定训练轮次。

96、模型完成离线训练并达到预设误差要求后，固定模型参数 ，部署至车载计算设备或边缘计算设备中执行实时推理。车辆在线运行阶段主要更新场景校正参数和多源融合权重，不需要在每个采样周期重新训练整个时序预测模型，从而保证实时计算性能和模型运行稳定性。

97、在部分实施例中，所述步骤4包括以下步骤：

98、步骤4-1：分别计算基于安全时距的安全速度上界和满足当前可通行窗口所需的平均速度：

99、

100、

101、表示最小静态安全距离，范围为，表示当前间距，表示安全时距，单位为s，范围为。在城市道路跟车场景中可选1.5至2.5s；表示车辆当前位置到停止线或目标控制点的距离，表示当前可通行窗口剩余时间；

102、如果采用区间通行窗口，可进一步表示为：

103、公式（22）：

104、

105、式中：表示车辆当前位置到停止线或目标控制点的距离，单位为m，建议范围为；表示当前可通行窗口剩余时间，单位为s，满足；表示为在当前通行窗口内通过交叉口所需的平均速度，单位为m/s；和分别表示允许通过窗口的最小和最大引导速度边界。

106、步骤4-2：综合所述限速修正、安全速度上界修正和通行引导速度边界修正，取其中的最小值作为经交通约束修正后的速度；

107、

108、其中表示限速速度表示初始速度预测值；

109、步骤4-3：根据自车当前速度、最大允许加速度、最大允许减速度以及采样周期，对所述经交通约束修正后的速度进行动力学平滑修正，得到最终的目标速度预测值：

110、

111、其中，表示将限制在区间内。取值范围为；取值范围为。表示采样周期，单位为s，满足。

112、在部分实施例中，所述步骤4包括以下步骤：

113、步骤5-1：获取车辆下一时刻的实际速度，计算所述实际速度与步骤4输出的最终目标速度预测值之间的预测误差：

114、

115、其中，表示时刻的预测误差，单位为m/s。范围为，但在正常工况下其绝对值通常远小于该上限；表示时刻的实际测得速度；表示时刻的最终预测速度。

116、步骤5-2：根据所述预测误差，对当前场景对应的场景校正参数进行更新：

117、

118、其中，表示在线学习率，范围为至；

119、步骤5-3：根据所述预测误差以及步骤1得到的车端感知数据源和v2x协同数据源各自的综合可信度，计算下一时刻的v2x融合权重，并根据所述v2x融合权重确定下一时刻的车端感知融合权重，从而实现融合权重的在线更新；

120、

121、

122、其中，为初始v2x权重；

123、步骤5-4：输出最终目标速度预测结果，并利用更新后的场景校正参数和融合权重用于后续时刻的速度预测。

124、第二方面，本方案提供了一种融合车端感知与v2x信息的车辆速度预测系统，包括：数据采集模块、预处理模块、可信度评估模块、场景识别模块、自适应融合模块、速度预测模块和约束修正模块；

125、所述可信度评估模块用于基于时间新鲜度、稳定性和一致性计算各数据源可信度，所述自适应融合模块用于根据当前交通场景及所述可信度确定车端感知特征与v2x协同特征的融合权重，所述约束修正模块用于基于道路限速约束、安全车距约束、信号灯通行窗口约束和动力学平滑约束对初始速度预测结果进行修正。

126、第三方面，本方案提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

127、第四方面，本方案提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述方法。本方案有以下有益效果：

128、（1）通过将时间新鲜度、稳定性和一致性统一纳入可信度评估过程，能够降低过期消息、抖动消息和冲突消息对速度预测结果的干扰，提高多源数据利用的鲁棒性。

129、（2）通过将交通场景显式引入融合权重确定过程，能够使车端感知特征与v2x协同特征在不同场景下采用差异化的贡献比例，增强复杂交通场景下的适应能力。

130、（3）通过在初始速度预测结果之后增加限速、安全车距、信号灯通行窗口和动力学平滑约束，能够使输出结果由“可预测”进一步提升为“可执行”，便于在辅助驾驶或车辆控制链路中落地。

131、（4）本发明对具体时序预测模型保持兼容，创新点集中在可信度驱动的场景相关融合和约束修正链路，便于在不同车型和不同计算平台上部署。