基于雷视一体机与AI算法的交通优化评估方法及系统与流程

本发明涉及数据处理，特别涉及一种基于雷视一体机与ai算法的交通优化评估方法及系统。

背景技术：

1、随着城市交通复杂度的提高,交通管理部门对仿真评估与决策优化的依赖日益增强。传统交通仿真评估方法多依赖固定检测器或人工标注数据，难以准确反映道路动态变化，且仿真模型参数与真实交通行为之间存在显著偏差。

2、雷视一体机（lidar-camera fusion sensor）通过激光雷达与视觉图像融合，可实现高精度目标识别、车辆轨迹提取与交通事件检测,为交通仿真模型提供精细化实测输入。然而，受制于传感器安装位置、天气影响及场景复杂性，其数据仍可能与sumo仿真生成的虚拟交通流存在偏差。

3、现有研究多聚焦于单一数据源校准或仿真参数调优，缺乏一种能够在感知层、算法层和仿真层之间形成闭环自适应优化的综合评估体系。

4、现有技术中，单一传感器感知受限于自身特性,难以在复杂场景下实现交通要素的高精度、全维度识别；多源传感器融合多停留在浅层数据配准,缺乏对跨模态数据时空关联性的深度挖掘，导致融合结果的鲁棒性与完整性不足；sumo交通仿真平台多依赖静态预设参数或历史统计数据，动态感知数据接入能力薄弱，且对交通参与者个体行为的仿真建模与实际偏差较大；同时，交通行为建模与仿真评估环节存在技术断层，难以形成“感知、建模、仿真”的闭环链路，导致仿真评估结果的真实性与应用价值受限。

技术实现思路

1、基于此，本发明的目的是提供一种基于雷视一体机与ai算法的交通优化评估方法及系统，以至少解决上述技术中的不足。

2、本发明提出一种基于雷视一体机与ai算法的交通优化评估方法，包括：

3、通过雷视一体机获取激光雷达点云和摄像头图像数据，并通过时空同步机制提取车辆位置、速度、加速度以及轨迹信息，实时获取道路上的动态交通流数据，以形成对应的多源异构感知数据；

4、对所述多源异构感知数据进行数据预处理，以生成高精度融合轨迹集；

5、生成路网文件、流量文件与仿真配置文件，并根据所述路网文件、所述流量文件与所述仿真配置文件构建sumo仿真环境；

6、将所述高精度融合轨迹集导入所述sumo仿真环境，在仿真开始时，按照车辆出发时间、路线、车型参数生成车辆并注入所述sumo仿真环境，通过traci服务端的接口输出当前交通状态数据并接收信控指令，持续记录并输出仿真状态与结果数据；

7、在每个控制决策时，从所述雷视一体机或所述sumo仿真环境中读取并构建状态向量，根据不同场景与时段的交通需求选择信控方案，生成信控策略；

8、构建待评估方案集合，针对每个待评估方案，在相同路网、相同交通需求与相同评估区间条件下运行sumo仿真，采集仿真输出结果，计算交通效率指标、交通安全与排放评估指标，对各所述待评估方案的指标结果进行归一化与统计汇总，以获得不同方案间的对比分析结果。

9、进一步的，对所述多源异构感知数据进行数据预处理，以生成高精度融合轨迹集的步骤包括：

10、对所述多源异构感知数据中的目标序列进行规则与统计联合过滤，并对所述多源异构感知数据中短时丢帧或遮挡导致的轨迹断裂，采用分段线性插值方法进行补全；

11、给定按自变量递增排序的一组采样点：

12、

13、区间，则分段线性插值为：

14、

15、式中，表示待插值的自变量取值，表示在自变量为时的插值估计值；

16、将所述多源异构感知数据中的视频检测结果由像素坐标转换到世界坐标，雷达目标由极坐标转换到世界坐标，统一为同一坐标系下的状态量；

17、在同一时刻对雷达航迹与视频航迹进行数据关联得到匹配对集合，对匹配目标采用扩展卡尔曼滤波进行融合更新，得到高精度融合轨迹，对未匹配目标保留单源轨迹并标记来源与置信度；对id切换或断裂轨迹，基于时空连续性、车道约束、速度趋势一致性进行轨迹拼接与重建，形成最终轨迹集。

18、进一步的，生成路网文件、流量文件与仿真配置文件，并根据所述路网文件、所述流量文件与所述仿真配置文件构建sumo仿真环境的步骤包括：

19、通过从开源地图集中下载地图生成文件，并通过sumo仿真自带的netconvert程序将其转换为路网文件；

20、利用所述多源异构感知数据生成流量文件，并生成对应仿真配置文件，

21、根据所述路网文件、所述流量文件与所述仿真配置文件构建sumo仿真环境，并根据所述雷视一体机的实际布设位置在所述仿真环境中设置检测器，并开启traci服务端。

22、进一步的，所述信控方案包括基于学习算法的信控方案和自适应控制算法方案；

23、其中，所述基于学习算法的信控方案为：

24、基于状态，利用贪婪法选择动作并执行该动作获得奖励，环境进入新状态，选择使最大的作为来更新价值函数，状态-动作值通过贝尔曼方程更新：

25、

26、其中，表示学习率，表示折扣因子；

27、所述自适应控制算法方案为：

28、在平峰时段或其他来车较少时段，采用自适应算法通过所述雷视一体机检测各进口道来车数，自动延长绿灯时间。

29、进一步的，所述交通效率指标至少包括平均车辆延误、平均旅行时间、排队长度、通过率、平均车速与停车次数。

30、本发明还提出一种基于雷视一体机与ai算法的交通优化评估系统，包括：

31、数据获取模块，用于通过雷视一体机获取激光雷达点云和摄像头图像数据，并通过时空同步机制提取车辆位置、速度、加速度以及轨迹信息，实时获取道路上的动态交通流数据，以形成对应的多源异构感知数据；

32、数据处理模块，用于对所述多源异构感知数据进行数据预处理，以生成高精度融合轨迹集；

33、数据仿真模块，用于生成路网文件、流量文件与仿真配置文件，并根据所述路网文件、所述流量文件与所述仿真配置文件构建sumo仿真环境；

34、环境仿真模块，用于将所述高精度融合轨迹集导入所述sumo仿真环境，在仿真开始时，按照车辆出发时间、路线、车型参数生成车辆并注入所述sumo仿真环境，通过traci服务端的接口输出当前交通状态数据并接收信控指令，持续记录并输出仿真状态与结果数据；

35、策略生成模块，用于在每个控制决策时，从所述雷视一体机或所述sumo仿真环境中读取并构建状态向量，根据不同场景与时段的交通需求选择信控方案，生成信控策略；

36、对比分析模块，用于构建待评估方案集合，针对每个待评估方案，在相同路网、相同交通需求与相同评估区间条件下运行sumo仿真，采集仿真输出结果，计算交通效率指标、交通安全与排放评估指标，对各所述待评估方案的指标结果进行归一化与统计汇总，以获得不同方案间的对比分析结果。

37、进一步的，所述数据处理模块具体用于：

38、对所述多源异构感知数据中的目标序列进行规则与统计联合过滤，并对所述多源异构感知数据中短时丢帧或遮挡导致的轨迹断裂，采用分段线性插值方法进行补全；

39、给定按自变量递增排序的一组采样点：

40、

41、区间，则分段线性插值为：

42、

43、式中，表示待插值的自变量取值，表示在自变量为时的插值估计值；

44、将所述多源异构感知数据中的视频检测结果由像素坐标转换到世界坐标，雷达目标由极坐标转换到世界坐标，统一为同一坐标系下的状态量；

45、在同一时刻对雷达航迹与视频航迹进行数据关联得到匹配对集合，对匹配目标采用扩展卡尔曼滤波进行融合更新，得到高精度融合轨迹，对未匹配目标保留单源轨迹并标记来源与置信度；对id切换或断裂轨迹，基于时空连续性、车道约束、速度趋势一致性进行轨迹拼接与重建，形成最终轨迹集。

46、进一步的，所述数据仿真模块具体用于：

47、通过从开源地图集中下载地图生成文件，并通过sumo仿真自带的netconvert程序将其转换为路网文件；

48、利用所述多源异构感知数据生成流量文件，并生成对应仿真配置文件，

49、根据所述路网文件、所述流量文件与所述仿真配置文件构建sumo仿真环境，并根据所述雷视一体机的实际布设位置在所述仿真环境中设置检测器，并开启traci服务端。

50、本发明还提出一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于雷视一体机与ai算法的交通优化评估方法。

51、本发明还提出一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于雷视一体机与ai算法的交通优化评估方法。

52、与现有技术相比，本发明当中的基于雷视一体机与ai算法的交通优化评估方法及系统，通过基于雷视一体机实现点云与图像融合，提供比单一视觉或雷达更完整的交通流数据；综合雷达的几何信息与视觉的语义特征，并通过时空一致性融合机制实现两者的深度耦合，通过精准的坐标校准与特征加权充分发挥数据互补性，既能克服视觉传感器的环境敏感性，又能弥补雷达的语义信息缺失，使交通要素的位置、速度、类别及行为特征识别更全面、更稳定，为仿真评估提供了高质量的基础数据；利用ai算法实现仿真与真实感知的动态偏差修正，提升仿真数据可信度；结合遗传算法与深度学习框架，使sumo仿真系统具备自学习与跨场景迁移能力；为交通信号优化、交叉口决策控制等ai算法提供统一验证环境，提高实验可重复性与通用性。