城市路网中浮动车数据和线圈数据的融合

交通信息是 ATMS 的基础和核心,从实时交通数据中准确估计交通参数、判断和预测交通状态是 ATMS 的重要内容.文中在信息融合理论的基础上,介绍了交通数据融合的基本内容.分析了浮动车数据和线圈数据的特点后得出:在城市路网环境中,虽然浮动车采集和线圈采集方式各有优劣,但他们在时间和空间上具有很强的互补和冗余.为充分利用已获取的交通信息,应实现这两类数据的融合,并对浮动车数据和线圈数据的一般融合模型和基本融合方法进行了论述,明确了交通融合问题的2种研究方法,即通过仿真手段得到的数据和现场采集数据作为融合的数据源来验证融合模型.     

基于加速度噪声的浮动车路况计算方法

现阶段,基于浮动车数据的道路交通状况预测成为路况计算的主要方法之一。通常情况下,上述方法利用装设在出租车或其他小型车辆上的GPS接收设备计算被监测车辆的平均车速,从而获取车辆行驶路段的道路交通状况。使用该方法计算路况的前提是,浮动车的行驶速度近似等于道路自由交通流速度。在很少有出租车行驶的城际高速公路和郊区道路上,只能通过装有GPS设备的大型车辆,如大型客、货车作为浮动车计算路况,然而,上述车辆的行驶速度往往低于所在道路的自由交通流速度,使用传统浮动车路况算法会造成较大的误差。因此,需要引入一种新的算法,以实现基于大型低速浮动车的道路交通状况计算。本文针对这一问题,提出了基于加速度噪声的浮动车路况计算方法理论,并结合路况直报系统真值对计算结果准确性进行了验证,为通过大型低速浮动车GPS数据计算道路交通状况提供了一种可行的解决方案。     

面向实时交通状态参数估计的浮动车车速置信优化算法

针对浮动车数据稳定性问题,在浮动车及其数据特性分析的基础上,设计了考虑车速置信权重的交通状态参数算法。以车速、样本数和时间为衡量基准得到置信权重,据此计算交通状态参数。在出现异常数据时进行去噪处理;在数据量不足或数据连续性不好的情况下融合历史数据及临近时段数据,以反映真实交通状态。通过编程仿真和实地实验,对优化算法进行数值分析和测试,证明该算法可有效消除异常数据波动和数据量不足的影响,对交通状态参数估计具有较高的准确度和平稳性。     

浮动车采集系统中城市道路分段方法研究

介绍了浮动车数据采集和数据处理方法;结合出行者对实时动态交通信息精度的要求,在已有固定分段的基础上提出了合并路段的方法;利用中环路浮动车采集数据对合并方法进行实证,表明该分段方法能提高发布信息的精度.     

基于浮动车数据的交通事件参数特性研究

利用微观交通仿真软件Vissim搭建交通事件环境,对在不同堵塞程度和不同交通流量的交通事件情况下,浮动车采集的浮动车速、行程时间、浮动车位置等移动检测交通参数变化特性进行了分析比较,总结出交通事件情况下的浮动车移动检测各交通参数变化规律,并以此为基础对模式识别法、统计预测法、时间序列和智能算法等4种基于浮动车数据的交通事件检测算法进行了探讨,具有覆盖面广、成本低等特点。     

浮动车在城市智能交通系统中的应用简述

以浮动车数据处理,基于浮动车的路段车速估计、行程时间估计以及交通状态判别和动态路网OD估计为序,对浮动车技术在城市智能交通系统中的应用进行递进式归纳和总结,并探讨目前研究的不足且对未来研究进行展望。     

基于多源信息融合的高速公路事件检测算法研究

为了研究高速公路交通事件检测算法,以多源信息融合理论为基础,依托人工神经网络技术,设计了固定检测器与浮动车检测器的信息融合事件检测算法,并说明了具体的检测原理和融合过程。通过Vissim仿真获得数据,在Matlab中编程实现了信息融合过程,试验结果表明在三级报警策略下,信息融合算法的事件检测率、误报警率和平均检测时间都达到了较高的检测水平,证明了所设计的信息融合交通事件检测方法的优越性。     

基于浮动车移动检测与感应线圈融合技术的行程时间估计模型

综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。     

基于联合卡尔曼滤波器的交通信息融合算法研究

基于现有的研究方法,提出了一种基于联合卡尔曼滤波器的交通信息融合算法。首先利用浮动车的覆盖率和浮动车的历史平均行程时间来修正浮动车的平均行程时间估计值,用于浮动车覆盖率不满足最小覆盖率时的路段平均行程时间估计;利用路段上浮动车的覆盖率来确定联合卡尔曼滤波器的融合系数;利用联合卡尔曼滤波器对固定型检测器的平均行程时间估计和浮动车的平均行程时间估计进行信息融合,得到路段的平均行程时间估计。该融合方法计算量小,融合时间快,有利于实际应用。试验结果表明,该方法提高了区间平均行程时间估计的精度。     

不利天气下路况识别现状研究与展望

不利天气导致交通条件及路面状况恶化是引发道路交通事故的重要原因。扩展浮动车技术能利用车载传感器实时采集全程路况信息,并通过车载无线通信网络,将采集到的路况信息传递给其他受到影响的附近车辆,同时通过信息中心将信息传达给更广泛的受众,对保障不利天气下道路行车安全具有重要作用。文中分析了利用扩展浮动车技术识别不利天气下路况的研究现状,构建了基于扩展浮动车技术的信息采集和路况识别系统,提出了实现不利天气下路况识别的扩展浮动车关键技术。     

基于地空信息融合的无人机交通状态感知方法研究

现有的无人机（UAV）交通状态感知方法，主要针对宏观交通状态参数的获取，同时尚未克服UAV自运动对交通参数检测精度的影响，难以满足智能交通系统对于高精度微观交通参数的应用需求。为此，提出一种基于地空信息融合的UAV交通状态感知方法，该方法包括：地空信息融合模型、道路关键点（IKP）检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中，地空信息融合模型利用地基信息（IKP世界坐标）与空基信息（IKP像素坐标）进行最优化融合，并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数，以此克服UAV自运动对车辆轨迹精度的影响，进而获取可靠的车辆级（瞬时速度、车头间距和车头时距）与车道级（车道动态密度、车道流量和空间平均车速）交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验，同时比较了基于不同交通流模型的车道级参数估算方法。结果表明：该方法在车辆检测的mAP@0.5指数超过90%，同时提取的车辆轨迹相对完整，获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后，将该模型应用于实地道路的交通拥堵检测及交通事件检测，该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。     

基于因子图优化的众包高精度地图云端融合方法

针对高精度地图传统云端融合方法生成的地图置信度较低、误差较大的问题，提出了一种基于因子图优化的众包高精度地图云端融合方法。利用 RTK-GPS数据对车端上传的局部语义地图进行全局化处理；对地图片段进行匹配，并利用一致性筛选流程提高匹配精度；以车道线匹配对构建约束地图间变换关系矩阵的因子图优化模型；利用某城市道路真实多车轨迹数据进行测试。结果表明，相较于传统方法，该算法对于优化初值的依赖性较低，对于地图间聚集度提升了44.7%；与车道线数据真值相比，该算法绝对误差均在1 m以内，具有较高的实用价值。     

基于交互多模型的车辆质量与道路坡度估计（双语出版）

车辆结构参数和道路环境信息的实时准确获取是提高智能汽车运动控制性能的重要因素之一，而车辆质量与道路坡度信息是多种汽车控制系统的必要信息，因此质量与坡度在线估计的研究一直受到关注。针对车辆质量与道路坡度的联合估计问题，提出了一种基于交互多模型的质量与坡度融合估计方法。首先，设定了适宜进行质量精确估计的工况条件，据此提出了基于模糊规则的质量估计置信度因子计算算法，进而设计了基于置信度因子的递推最小二乘车辆质量估计算法，以实现质量的在线估计。然后，以车辆纵向动力学模型为基础，建立了运动学和动力学2种坡度估计模型，并设计了基于运动学模型的线性卡尔曼滤波坡度观测器，基于电子稳定性程序ESP的纵向加速度信息实现坡度估计，设计了基于动力学模型的无迹卡尔曼滤波坡度观测器，基于ESP和发动机管理系统EMS的力信息实现坡度估计。运动学模型未考虑车辆姿态信息，坡度估算结果与实际值有偏差；动力学模型对模型精度要求高，算法稳定性差，为充分发挥2种方法优势实现坡度的精确估计，采用交互多模型算法实现了2种坡度估计方法的加权融合。最后，对所设计的算法进行了实车试验验证。结果表明：所设计的质量与坡度估算算法具有较好的实时性和准确性，适合智能汽车运动控制的应用需求。     

Towards lane-level traffic monitoring in urban environment using precise probe vehicle data derived from three-dimensional map aided differential GNSS

Today's urban road transport systems experience increasing congestion that threatens the environment and transport efficiency. Global Navigation Satellite System (GNSS)-based vehicle probe technology has been proposed as an effective means for monitoring the traffic situation and can be used for future city development. More specifically, lane-level traffic analysis is expected to provide an effective solution for traffic control. However, GNSS positioning technologies suffer from multipath and Non-Line-Of-Sight (NLOS) propagations in urban environments. The multipath and NLOS propagations severely degrade the accuracy of probe vehicle data. Recently, a three-dimensional (3D) city map became available on the market. We propose to use the 3D building map and differential correction information to simulate the reflecting path of satellite signal transmission and improve the results of the commercial GNSS single-frequency receiver, technically named 3D map-aided Differential GNSS (3D-DGNSS). In this paper, the innovative 3D-DGNSS is employed for the acquisition of precise probe vehicle data. In addition, this paper also utilizes accelerometer-based lane change detection to improve the positioning accuracy of probe vehicle data. By benefitting from the proposed method, the lane-level position, vehicle speed, and stop state of vehicles were estimated. Finally, a series of experiments and evaluations were conducted on probe data collected in one of the most challenging urban cities, Tokyo. The experimental results show that the proposed method has a correct lane localization rate of 87% and achieves sub-meter accuracy with respect to the position and speed error means. The accurate positioning data provided by the 3D-DGNSS result in a correct detection rate of the stop state of vehicles of 92%.     

An extended generalized filter algorithm for urban expressway traffic time estimation based on heterogeneous data

Travel time estimation and its variation for urban expressways are vital to both the information provision to road users, and the system evaluation and management for traffic administrators. Fruitful research efforts have been made to develop methodologies of reconstructing spatiotemporal traffic states mainly for freeways based on one or multiple data sources. However, few studies specifically focused on urban expressways. There are more intensive merging and diverging traffic due to short distances between ramps, for example, 300–500 m. Based on the empirical analysis of traffic data collected on a typical segment of a congested urban expressway, this study proposes an extended generalized filter algorithm for the urban expressway traffic state estimation based on heterogeneous data. More specifically, the multiple sources of data include both fixed sensor data (e.g., inductive loops or radar data) and global positioning system (GPS) probe vehicle data. This study compares the proposed algorithm and the traditional algorithm for freeways using data collected on the segment of expressway in Beijing, China. Results demonstrate the advantage of the proposed method, as well as its feasibility and effectiveness.     

An innovative localisation algorithm for railway vehicles

In modern railway automatic train protection and automatic train control systems, odometry is a safety relevant on-board subsystem which estimates the instantaneous speed and the travelled distance of the train; a high reliability of the odometry estimate is fundamental, since an error on the train position may lead to a potentially dangerous overestimation of the distance available for braking. To improve the odometry estimate accuracy, data fusion of different inputs coming from a redundant sensor layout may be used. The aim of this work has been developing an innovative localisation algorithm for railway vehicles able to enhance the performances, in terms of speed and position estimation accuracy, of the classical odometry algorithms, such as the Italian Sistema Controllo Marcia Treno (SCMT). The proposed strategy consists of a sensor fusion between the information coming from a tachometer and an Inertial Measurements Unit (IMU). The sensor outputs have been simulated through a 3D multibody model of a railway vehicle. The work has provided the development of a custom IMU, designed by ECM S.p.a, in order to meet their industrial and business requirements. The industrial requirements have to be compliant with the European Train Control System (ETCS) standards: the European Rail Traffic Management System (ERTMS), a project developed by the European Union to improve the interoperability among different countries, in particular as regards the train control and command systems, fixes some standard values for the odometric (ODO) performance, in terms of speed and travelled distance estimation. The reliability of the ODO estimation has to be taken into account basing on the allowed speed profiles. The results of the currently used ODO algorithms can be improved, especially in case of degraded adhesion conditions; it has been verified in the simulation environment that the results of the proposed localisation algorithm are always compliant with the ERTMS requirements. The estimation strategy has good performance also under degraded adhesion conditions and could be put on board of high-speed railway vehicles; it represents an accurate and reliable solution. The IMU board is tested via a dedicated Hardware in the Loop (HIL) test rig: it includes an industrial robot able to replicate the motion of the railway vehicle. Through the generated experimental outputs the performances of the innovative localisation algorithm have been evaluated: the HIL test rig permitted to test the proposed algorithm, avoiding expensive (in terms of time and cost) on-track tests, obtaining encouraging results. In fact, the preliminary results show a significant improvement of the position and speed estimation performances compared to those obtained with SCMT algorithms, currently in use on the Italian railway network.     

城市车路协同系统下实时交通状态评价方法

交通状态评价方法能够为交通管理系统提供可量化的实时路网信息，为动态引导交通流、缓解交通拥堵提供依据。受限于交通路网的时变性和评价过程的主观性，目前传统评价方法的精度时常无法满足需求。基于城市车路协同系统动态获取路网信息优势，提出一种利用车路信息融合的实时交通状态评价方法。首先，定义了一种网联汽车与路侧终端间的无线交互方式，并确定数据协议以保证实时车辆数据的准确性；其次，从实时数据中选取平均通过时间、平均停车次数、平均停怠时间作为一级评价指标进行模糊综合，应用多算子对计算的一级评价结果构成二级交通状态评价指标，并根据层次分析法确立指标权重，同时根据仿真和试验结果建立适用于各级道路参数的可变隶属度规则，从而融合动态车辆数据与静态路段参数，计算得出交通状态评价结果与评分；最后，由网联汽车、车载终端、路侧终端和无线通信模块搭建实际协同测试系统对该方法进行了试验验证。试验结果表明：测试系统所得到的路段实时交通状态评价得分与对应的交通状态变化趋势一致，能够准确体现城市车路协同环境下的交通状态特点。该评价方法运用信息融合方法提高了交通状态评价结果的实时性与客观性，同时为车路协同技术应用于实时交通诱导，缓解城市交通拥堵提供了理论依据。     

基于车载式视频图像的车辆行驶速度鉴定

文章论述了基于车载式视频图像鉴定道路交通事故中目标车辆行驶速度的基本原理,提出一种依据射影几何学中的交比不变性原理测算目标车辆行驶距离的算法。该算法可以避免因车辆运动轨迹与视频摄录设备镜头光学轴线不垂直而产生的误差,从而提高了目标车辆行驶速度鉴定的精确度。最后根据一个真实案例,探讨了用车载式视频图像进行车辆行驶速度鉴定的方法、步骤以及主要注意事项,可为评价这一鉴定方法的准确性和科学性提供参考。     

多源数据融合的区问车辆速度预测算法研霸

不同的交通信息采集方式由于其硬件和采集条件的不同,数据的适用范围和准确性也不同。在短时交通预测中,对于来自于不同检测器的交通流数据进行融合,并在数据融合的基础上进行区间速度的预测,可以有效地改善预测结果的准确性和可靠性。文中提出一种基于卡尔曼滤波的数据融合和区间速度预测方法。在对数据进行预处理和交通状态划分的基础上,根据不同的交通状态,进行多源交通数据融合和区间速度的预测。研究确定了卡尔曼滤波方法中的各个参数,并使用人工神经网络的方法求解状态转移矩阵。算法验证结果表明,速度预测的精度在90％以上。