加入收藏 | 设为首页 

咨询电话:
咨询电话:
首页 新闻 品牌企业 招投标 解决方案 行业分析 前沿技术 智能交通产品与技术应用汇编
  当前位置: 网站首页 > 解决方案 > 城市智能交通技术与方法研究

城市智能交通技术与方法研究

来源:本站   发布时间: 2020-03-13 13:51:59

北京工业大学城市交通学院

 

一、基于驾驶模拟的车路协同系统仿真测试及评估

基于驾驶模拟技术如何有效再现多样的车路协同应用系统,并实现车路协同应用系统综合评测是当前车路协同技术领域的重要议题。北京工业大学城市交通学院驾驶行为实验室基于驾驶模拟技术实现了典型14车路协同应用系统的仿真测试,并基于主观感受、高效性、安全性、生态性、舒适性、有效性等指标体系形成了一套标准化面向人因的车路协同应用系统评估方法。

随着机动车保有量的持续增长,交通安全、拥堵、污染作为交通领域的三大难题日趋严峻。车路协同技术作为解决交通领域现存问题的新机遇,已成为炙手可热的研究焦点。事实上,车路协同应用系统测试至少包括三个阶段:计算机模拟仿真测试、封闭环境测试以及实际道路测试。目前,车路协同应用系统实地测试受到试验场地难申请、测试成本高、周期长、相关立法未健全等限制,且无法涵盖多种交通环境,故现阶段多数研究基于虚拟仿真技术实现系统效能测试,通过描述车辆特征及构建交通流仿真环境开展车路协同技术的应用评价。

北京工业大学城市交通学院驾驶行为实验室采用驾驶模拟技术搭建了车路协同应用系统人机双在环效能测试平台见图1

以北京冬奥会主干通道兴延高速为对象,面向驾驶人适应性,针对多种道路条件、交通状态、特殊事件等面向高速公路车路协同应用系统应用设计了包括14种不同车路协同应用系统的驾驶模拟方案及情景再现,具体情景有:长下坡预警(A)雾预警(C)施工区预警(I)隧道预警(J、L)弯道预警(K)生态车道预警(B)前向碰撞预警(D)异常车辆提醒(E)车辆失控预警(F)紧急车辆预警(G)前方拥堵(H)排队预警(M)限速预警(N)(全程)盲区预警O)(全程)

选择兴延高速(总长46 千米)作为实验场景的设计原型。场景设置为双向四车道,道路横断面为22.4  (车道宽度= 3.75米,中位数(绿化带)宽度=2.6 米,肩宽=4.55 米),自由流状态,限速80-120 千米/小时。为保证数据的有效性,避免被试疲劳驾驶,将路段用服务区分割,两段长度分别为22 千米(路段1)和24 千米(路段2)。测试平台中各车路协同应用系统设置位置如图2所示。基于该测试平台,设计人机交互系统(HMI),实现了基于驾驶模拟的车路协同应用系统情景再现与人机交互测试,并在高效、安全、生态、舒适及有效性等方面进行了综合评测。

初步分析结果显示,车路协同技术降低了单车行驶效率,但其安全性有显著提升,生态性改善效果明显,舒适性各系统存在不一致性,有效性具有明显的优势,有效性评价见图3。

基于驾驶模拟技术成功实现了车路协同应用系统的再现与仿真测试,通过构造虚拟路侧传感器、虚拟车车通信系统,构建试验车辆与背景车辆的交互场景,并记录细粒度、多维度、高精度驾驶行为数据,实现车路协同应用系统的定制化仿真,形成了面向人因的车路协同应用系统实验测试仿真一般性方法。在车路协同应用系统上路测试之前,通过基于驾驶模拟的定制化场景设定和柔性化参数控制,该技术方案可实现绝大多数车路协同应用系统的仿真测试与评估,克服了封闭环境测试和实际道路测试成本高、周期长、场景库单一的缺点。

北京工业大学城市交通学院驾驶行为研究团队,通过构建基于驾驶模拟的车路协同应用系统综合实验测试平台,实现不同场景下驾驶行为数据细粒度、多维度、高精度获取,从人因角度出发,实现车路协同应用系统在驾驶人适应性和交通流多层面的测试评估和优化,为进一步开展外场测试奠定基础。

二、城市交通大数据及其应用

随着城市智能感知与无线通信技术的发展,城市交通系统的人、车、路以及环境等各类基础信息、活动、出行及实时状态信息被广泛采集和动态获取,形成了覆盖交通各领域的大规模海量交通数据。

根据大数据来源,北京工业大学城市交通学院交通大数据可分为以下类型:

(一)交通流固定检测器:线圈、视频、微波等;

(二)交通流移动检测器:浮动车(GPS、北斗、牌照识别、其他车载终端);

(三)交通业务数据:公共交通IC卡、AFC数据;

(四)其他领域业务数据:通信数据(手机定位);

(五)互联网+交通数据:网约车、定制公交、车辆分时租赁、预约停车、网络购票等。

此外,北京工业大学城市交通学院还拥有大量的交通静态数据,以城市交通分析为例,具体包括:

(一)城市交通的基础空间数据(地表模型、高清正射影像等);

(二)城市及周边基础地理信息(城市路网、交叉口布局、城市基础交通设施信息);

(三)人员信息(从业人员及出行者);

(四)道路交通客运信息(客运班线、客动票务、市区公交信息、车站线路辐射图、客运企业信息、交通换乘点等;

(五)停车场信息(停车场位置、名称、总泊位数、开闭状态、空闲泊位数等);

(六)交通管理信息(警区界限、安全界限、警力分布、交通岗位、执法站、车管所、检测场、考试场、过境检查站);

(七)交通抽样调查数据:OD、断面交通流、客流等;

(八)城市背景数据:用地、经济、产业、人口、兴趣点等数据。

交通大数据的典型特征包括:数据量更大、覆盖更广、内容种类更丰富、更实时、更准确、费用更低、价值密度低、可关联挖掘更多的知识。

交通大数据的规模及特征如表1:

 

1 交通大数据的规模及特征

分类

数据内容

数据规模(以北京为例)

道路检测数据

断面流量、速度、车型

采集:2分钟,500万记录/天

车辆卫星定位数据(出租车、公交车、长途客车和部分货车)

经纬度、时间、方位角、车辆伪码

采集:60秒(将升为12秒)
6万辆出租车,15G,9000万记录/天
2万辆公交车,5G,3000万记录/天

电子收费数据(IC卡、ETC)

收费时间、位置、线路、额度

公交IC卡:2500万记录/天,10G/天
ETC:300万记录/天

车辆识别数据(视频、RFID)

检测位置和时间、车牌号(车辆属性数据)

采集:2分钟
2G,500万记录/天(按检测点存储)

交通事故数据

事故位置、时间、类型

 

伪码移动信令数据

信令发生位置、时间、活动类型

北京移动:1800万样本,10亿条/天

移动互联网众包数据

触发时间、位置、用户

高德:2013年12月6日,9G/天

 

随着交通建设及机动化的迅速发展,传统的交通需求及运行状态采集手段已无法满足对路网全面感知的要求。基于手机移动定位的新技术手段提取交通出行数据及交通流状态参数日益成为交通规划及智能交通系统的一个重要发展领域。北京工业大学城市交通学院在基于手机信令数据挖掘用户出行特征信息及特定人群的识别上有很大的成果。

手机数据是手机用户在使用过程中产生的大量位置,时间信息和相关用户特征信息。依据数据来源分类,可分为从营运商获取的话单数据、信令数据和通过软件供应商获取的应用数据两大类。由于获取渠道的不同,两类数据具有不同的特征和实用价值。话单数据相比信令数据其数据密度较小,而信令数据在时间上是连续的,即只要用户开机,移动运营商的数据库里就会记录用户连接基站的坐标和连接时长,可以追踪用户在任意时刻的位置。信令数据数据密度之大为研究城市宏观交通规划问题提供了决策依据。北京工业大学城市交通学院拥有丰富的信令数据用来分析群体移动的建模。如图4所示,简要介绍了两种类型的手机数据。两者的主要区别是:话单数据通过通信事件才会触发记录位置信息的指令,而信令数据在开机状态下就会上传位置信息。

 利用移动定位技术提取交通信息需在移动公司接入数据线获取原始数据,通过对原始数据分析筛选,提取有效数据,再根据数据特点,通过一定的算法追踪个体,获得个体出行的基本参数,包括起讫点、到发时间、出行次数、出行目的、交通方式,同时可通过使用多源数据进行校核,寻找规律,提高信息提取的准确性。最后根据应用的需要进行相应的筛选、集计、分析。


三、通用型智能驾驶服务套件

伴随集成电路技术、通讯技术、人工智能技术的发展,依托于智能驾驶服务的产品自动化、智能化水平提升是未来汽车产业的主要方向,智能化服务的水平决定了市场的竞争力。

然而,在目前的智能驾驶服务过程中存在以下三点弊病:标准不统一、技术升级难度大和感知设备成本高昂。

(一)标准不统一。目前,各品牌汽车的总线控制相对统一(集中于高速CAN),且具有一定智能驾驶服务水平的汽车均实现了线控控制(线控制动、线控转向、线控油门),这使得通过数字指令便捷的对汽车进行实时控制成为可能,但是,由于不同汽车品牌的产品差异,各车企均定义了自己的车辆控制协议文件(dbc文件),控制协议的差异致使各车企必须设计针对于自己车型的智能驾驶服务系统(举个易于理解的例子,汽车品牌就好像手机品牌,每个手机品牌必须设计自己的APP,华为手机想使用微信,就必须设计自己的微信,小米手机想使用微信,也必须设计自己的微信);

(二)技术升级难度大。目前,各品牌汽车的智能驾驶服务水平基本定格在购车阶段,不管是5年还是10年后,购车用户往往还在使用原先智能驾驶服务水平的汽车,无法享受最新的服务升级(例如,现在很多汽车都还在使用定速巡航控制,而自适应巡航控制已经成为新出品车辆的标配);

(三)感知设备成本高昂。目前,包括谷歌Waymo、百度Apollo、丰田、沃尔沃在内的互联网和车辆制造企业都已开发出了L4级别的智能驾驶车辆,但是为什么应用却如此稀少呢?感知设备成本是唯一因素。动辄百万的感知设备,让智能驾驶汽车失去了市场竞争力。因此,未来的感知设备或摆脱对于激光雷达或超算设备的依赖,或更多的依赖于价格低廉视频感知设备,才可能让应用成为可能。

针对于上面的三点问题,北京工业大学智能网联团队设计了通用型智能驾驶服务套件的产品,其支撑产品的架构如图5所示。 

该套件首先解决了标准统一的问题,把不同品牌的控制协议转换为统一的控制协议(就好比设计了安卓系统,各品牌手机都可以安装相同的微信App),这让相同的智能驾驶技术在不同的车辆上应用成为可能(目前已支持12个品牌的37个车型);其次,它解决了技术升级的问题,通过创立极客社区,一方面通过汽车极客的实践与分享,进一步拓展可以应用的汽车品牌,另一方面通过人工智能极客的实践与分享,不断增加智能驾驶的服务应用(自动泊车、自适应巡航、限速/信号灯识别等),提升智能驾驶水平;最后,关于硬件设备的高昂成本问题,服务套件主要采用智能移动终端(如智能手机、智能摄像头等)作为视频、定位、姿态等信息的获取手段,降低应用成本,提高安装、改装的便捷性。

6展示了第一代通用型智能驾驶服务套件产品,采用安卓手机作为感知终端,通过通用控制板与车辆SAE标准端口的连接实现对车辆的电子线控,感知终端与通用控制板之间的信息传输采用无线连接方式。

目前,该产品支持包括本田、丰田、特斯拉在内的12个品牌37个车型的商用车辆,可采集数据类型135种,可实现车辆预碰撞、自适应巡航、车道变换、自主启停、远程控制5项核心智能网联系统控制功能。

 

四、基于动态导航数据的道路风险点甄别

交通安全形势严峻,交通事故频发,严重影响着居民的生命和财产安全。目前,交通安全分析主要依赖于事故数据,属于小概率事件,且采用“事后”分析,在事故预防方面发挥作用有限。同时,传统的道路交通设施评估仅基于小样本实验测试,缺乏大尺度的道路交通风险点致因分析,难以深层次揭示设施与道路风险的关系,从而实现科学的交通设施设置及优化。基于百度、高德等导航自然驾驶大数据平台(包括全域总量超100PB的大规模地图数据、危险驾驶行为数据、拥堵数据、道路交通设施数据等),能够更精细地刻画驾驶行为的时空特征,评估全域城市道路路网的安全状态,机器学习算法也为挖掘隐患点置因并实现道路风险的主动辨识提供了有效途径。

首先,在海量道路交通设施与自然驾驶数据基础上,改变了过去依赖于小概率事故分析的方式侧重于道路风险评估,采用熵权法、TOPSIS等方法,考虑不同道路条件与交通条件下的驾驶行为差异,最终得到道路安全有序性评价指数和热力图,形成道路网络风险评价方法,实现路网风险分布特征的刻画,并揭示道路风险与拥堵及事故间的隐性关联,为精细化驾驶行为管理、城市路网风险的实时监控奠定基础。

另外,为了挖掘道路风险隐患点的深层次置因,基于道路安全有序性评价指数,采用结构方程、逻辑回归等方法,实现多种道路条件和交通条件下的道路交通设施安全性鉴别与评估,如图8,最终实现道路风险的主动辨识及交通设施管控优化,对于改善道路安全性、道路交通设施的合理配置及优化、辅助相关管理部门决策发挥积极作用。


备注:相关图例信息本网站保留!

 

相关链接

 

  栏目导航

网站首页 | 关于我们 | 在线订阅 | 友情链接 | 联系我们

亿聚力智慧交通网 www.citnet.cn 网站备案:京ICP备17017045号-1

Copyright © 2007-2022 , All Rights Reserve