[发明专利]一种高速公路异常事件场景库构建方法

说明书

一种高速公路异常事件场景库构建方法,通过利用yolo神经网络、卡尔曼滤波等算法获取车辆轨迹数据，利用TraCI接口重现车辆轨迹，获取仿真车辆轨迹数据，通过SUMO仿真环境和CARLA三维仿真环境的联合仿真构建异常事件场景库，为测试自动驾驶等车辆算法提供真实的测试环境，且该构建方法兼容性高，可以构建多类别的异常事件场景库，测试车辆算法对于异常路况的鲁棒性，提高仿真测试效率。

技术领域

本发明涉及一种高速公路异常事件场景库构建方法。

背景技术

近年来，我国交通的智能化水平不断提升，交通与互联网融合应用的步伐不断加快，智能交通已经成为我国智慧城市建设中的重要一环。为了节约测试的时间与成本，规避道路实测的危险性，提高测试和优化的效率，数字孪生被广泛应用到智能交通领域，以数字孪生为核心的交通仿真也得以迅猛发展。

同时，随着大数据技术在交通领域的逐步融合深化，新兴的数据驱动方法（如机器学习、强化学习等）通过对道路视频数据的信息处理与提取，为重现车辆运行轨迹提供了更好的思路。

在现有技术中，用于算法测试的异常交通事件场景库往往仅由人工设置，且难以真实地描绘受异常事件影响的交通流运行情况，较为简单且容易失真。

发明内容

本发明要解决的技术问题是提供一种高速公路异常事件场景库构建方法。

为了解决上述技术问题，本发明采用的技术方案是：一种高速公路异常事件场景库构建方法,包括以下具体步骤：S1、获取高速公路视频数据，提取高速公路交通异常事件所在路段与时段的异常视频数据，采用像素级处理得到二维区域信息，通过所述二维区域信息导入异常视频数据得到车辆位置判定异常视频数据，通过相机的内外参数标定，将真实世界中点的世界坐标转化为在所述车辆位置判定异常视频数据内的像素坐标，利用yolo系列的深度神经网算法对所述二维区域内的车辆进行目标检测，结合卡尔曼滤波采用级联匹配对所述二维区域中所有车辆实现检测追踪，通过车辆的所述像素坐标计算其在真实世界中的世界坐标，并提取位置点并记录，形成轨迹，获取车辆轨迹数据；S2、搭建SUMO仿真环境，自动生成仿真坐标系，设定视频坐标系，匹配所述仿真坐标系和所述视频坐标系，根据步骤S1中的所述车辆轨迹数据，利用TraCI接口重现车辆轨迹，获取仿真车辆轨迹数据；S3、基于所述仿真车辆轨迹数据，利用CARLA搭建三维仿真环境，联合所述SUMO仿真环境和所述三维仿真环境，构建异常事件场景库。

在某些实施方式中，步骤S2中所述仿真车辆轨迹数据包括车辆类型、检测起止时间、x坐标、y坐标、转向值、速度。

在某些实施方式中，步骤S1中所述高速公路交通异常事件为临时交通管制造成的交通瓶颈、异常天气、路面条件、车辆故障、物品散落造成的交通拥堵或交通事故。

在某些实施方式中，步骤S1中通过相机的内外参数标定，具体包括：S11，相机外部参数标定，选取路面多个点，根据世界坐标系下的实际坐标与其在图像中的像素坐标，获取世界坐标系三维点到相机坐标系三维点之间的刚体变换关系；S12，相机内部参数标定，选取路面多个点，根据世界坐标系下的实际坐标与其在图像中的像素坐标，获取相机坐标系三维点到图像坐标系二维点之间的透视投影变换关系，包括透视投影矩阵；S13、将所述刚体变换关系和所述透视投影变换关系结合在一起构成投影矩阵使得相机内外部参数同时实现标定。

在某些实施方式中，步骤S2中利用TraCI接口重现车辆轨迹具体包括：S31，根据车辆类型生成对应车辆，利用TraCI接口基于起止时间生成与移除车辆；S32，读取x坐标、y坐标、转向值，利用TraCI接口控制车辆运行的起始位置，重现车辆轨迹。

本发明的范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案等。