Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

车联网V2X深度应用,聚焦CIDI智能网联交叉路口技术

随着城市人口、机动车数量与日俱增,现有城市交通设施已无法满足日益增长的交通需求,再加之城市交叉路口通行效率低、事故预警系统缺乏等因素,城市道路安全事故频发。据相关数据统计,每年因交叉路口交通事故死亡的人数约占总交通事故死亡人数的20%,加快城市智能运输系统建设,加强智能交叉路口管理迫在眉睫。

那么,如何打造更安全、更智能的道路交通呢?下面,我们一起走进CIDI,聚焦其研发的智能网联交叉路口技术,一探究竟。

针对城市交通安全及交通通行效率问题,长沙智能驾驶研究院(以下简称CIDI)发布了“V2X+交叉路口”解决方案--智能网联交叉路口管理系统(CISS-cooperative intersection surveillance system),该系统集成组合传感器感知技术、传感器融合算法、V2X技术、交通优化算法,可实现交叉路口行人、非机动车辆、红绿灯与智能网联汽车之间的信息传递。

1.jpg

通过信息交互与决策,解决智能网联汽车通过交叉路口、行人与非机动车辆通过交叉路口的安全性问题,还可以根据检测到的交叉路口实时交通流量,优化控制交通信号灯的变化,减少交叉路口拥堵。

该系统与方案是未来智能交通-合作式智能交通Cooperative ITS的重要组成部分,也是自动驾驶车辆在城市道路大规模运行落地的必要辅助手段。

系统组成与功能简介

CIDI智能网联交叉路口管理系统主要由RSU、边缘计算单元、智能交通信号灯、路侧传感器等组成。

2.jpg

RSU是整个系统的大脑,负责决策和数据的广播;边缘计算单元负责辅助计算和数据采集融合;智能交通信号灯根据路口车流量进行自动调节红绿灯配时;路侧传感器是整个系统的眼睛,它主要由高清摄像头、激光雷达、毫米波雷达组成。

路侧传感器组成部分功能:

高清摄像头能实时检测视角范围内的车辆与行人的位置和速度,统计路面实时交通流量等;毫米波雷达可以获取车辆的种类与位置、速度,行人的位置和速度等信息;激光雷达可用于车辆拥堵排队状态、车辆位置与种类、错误行驶方向、能见度(雾)、人和动物等的检测。这些传感器获得的原始数据会交给边缘计算单元进行数据融合。

此外,该系统还可以接收到附近其它RSU的数据,也可以通过因特网从云端获取数据,实现“人-车-路-云”协同工作。

产品特点

CIDI的智能网联交叉路口管理系统具有以下三大特色:协同感知、红绿灯动态配时、局部动态地图(LDM)

3.jpg

1、协同感知

协同感知是一种感知计算框架,其通过汇集以及协同分析不同感知单元的传感数据实现对研究对象准确、全面的认知。

传统的协同感知技术主要解决面向单一感知空间的研究问题,数据的跨空间融合趋势推动了协同感知技术向多元空间的演化。超视距感知、跨设备追踪等都是CIDI智能网联交叉路口管理系统跨空间融合的体现。

CIDI智能网联交叉路口管理系统可以收集传感器检测到的各种交通参与者信息(如交叉路口行人状态、非机动车状态、道路状态、过往车辆状态、交通流量等),也可以获取其它路侧单元(RSU)以及管理中心云平台数据。这些基础数据在RSU中经过进一步的算法处理与融合处理后,得到当前交叉路口的实时状态。这些状态包括行人碰撞风险、车辆碰撞风险、交通拥堵状况、道路危险(积水、结冰、坑洼路面)、交通信号灯状态等。RSU再以固定的通信协议和数据交互标准将当前交叉路口的状态发送给过往的车辆与行人。

当交叉路口配备“完美视角”的智能网联管理系统以后,道路便被赋予感知交叉路口范围内全部交通参与者信息的能力。CIDI智能网联交叉路口管理系统把这些信息通过V2X通信实时共享给路口的全部车辆,即可以最大限度消除路口安全隐患,最大程度地提升路口的通行效率。除此之外,也可以通过APP(由CIDI发布的车路协同应用程序)给社会车辆提供部分功能,如红绿灯时间感知、车速建议、标牌信息等。

2、红绿灯动态配时

红绿灯动态配时支持基于V2I技术的智能网联汽车流量统计、以及基于机器视觉技术的常规社会车辆流量统计。两种车流量统计经过边缘计算单元的融合,形成车流量密度和各车道排队长度。

在此基础上,根据交通模型进行动态选择(存在通畅、正常和拥堵三种配时方案)和针对区域内的每一辆车给予通行速度建议。与此同时,配时方案融入了基于V2I的一些特殊车辆(紧急车辆、公交车等)优先的功能。

3、局部动态地图(LDM)

局部动态地图(LDM)是一种将路侧传感器、交通控制中心、静态地图等数据经过复杂的检测算法与预处理流程,再经过提炼和融合后生成的动态数据集合。LDM是当前交叉路口的实时交通态势感知结果,它为RSU的综合决策提供数据支撑。

如下图所示,LDM数据由四层组成:

第一层:静态数据(绝对不变的数据,如静态地图);

第二层:准静态数据(一段时间内不会变化的数据,如树木、建筑物、道路);

第三层:暂态数据(短时间内会变化的数据,如交通事故现场、天气);

第四层:动态数据(变化频率很高的数据、如当前红绿灯状态、当前交叉路口车辆状态信息)。

4.jpg

局部动态地图结构

LDM是整个系统的核心功能模块,系统其它功能都是基于LDM数据的分析结果。CIDI智能网联交叉路口管理系统生成实时的LDM,一方面通过V2X技术传递给智能网联汽车,实现更可靠的自动驾驶交通态势车路协同感知;另一方面传递给只加装OBU的社会车辆,给常规非智能车辆赋能,实现低成本的自动驾驶

发展与前景

在复杂的交通环境下,CIDI智能网联交叉路口管理系统具有协同感知的能力,并把这些感知能力赋予过往的车辆。车辆通过交叉路口的过程不是一个单一的决策过程,它是对交叉路口所有目标行为规划的决策过程。它的速度、行驶轨迹等都要遵循CIDI智能网联交叉路口管理系统的建议。

5.jpg

当通过交叉路口的车辆都遵循管理系统设定好的规则,城市的交通通行效率将极大的提高。车辆的智能化有一个迭代过程,我们可以先让路变得聪明起来,然后逐步实现车辆的智能化,最终实现“智慧的路+聪明的车”。CIDI此次发布“V2X+交叉路口”方案,必将大大推动自动驾驶之城、车联网之城、智慧之城的发展。

智能相对论
智能相对论

深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及芯片、算法、人机交互等。

专栏二维码
产业车联网自动驾驶智能网联边缘计算激光雷达智能交通路侧传感器
2
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

推荐文章
暂无评论
暂无评论~