[发明专利]基于深度学习的车载单元定位方法以及路侧单元

说明书

本发明涉及一种基于深度学习的车载单元定位方法，该方法应用于路侧单元，该方法包括：接收车辆上的车载单元发送的微波信号，并基于微波信号得到数字信号数据；将数字信号数据输入预先训练完成的定位神经网络模型，获得车载单元的方位角；根据方位角，确定车载单元的定位信息。实施本发明实施例，路侧单元基于神经网络对车载单元进行定位，不易受信号噪声干扰，其定位稳定性和精度更高，有效避免了跟车干扰和邻道干扰的问题。

技术领域

本发明涉及智能交通(Intelligent Transportation System，ITS)领域，尤其涉及一种基于深度学习的车载单元定位方法以及路侧单元。

背景技术

随着居民生活水平的提高和出行需求的增加，我国的汽车保有量不断攀升，截至2019年6月，全国汽车保有量超过2.5亿辆。交通拥挤已成为城市管理中急需解决的难题。

ETC电子不停车收费除了应用在传统的高速公路场景，基于ETC的支付逐渐在停车场和加油站等新兴场景也逐渐推广应用。但由于目前ETC路侧单元的定位容易受噪声干扰，且定位精度不够高，在车辆比较密集的场景，如停车场、加油站、高速路多车道收费站等，可能会存在着旁道干扰和跟车干扰问题，直接影响用户体验和通行效率。

发明内容

本发明提供一种基于深度学习的车载单元定位方法以及路侧单元，路侧单元可以基于神经网络对车载单元进行定位，该定位方式不易受信号噪声干扰，稳定性和精度更高，能够有效避免了跟车干扰和邻道干扰的问题。

第一方面，提供一种基于深度学习的车载单元定位方法，应用于路侧单元，包括：

接收车辆上的车载单元发送的微波信号，并基于所述微波信号得到数字信号数据；

将所述数字信号数据输入预先训练完成的定位神经网络模型，获得所述车载单元的方位角；

根据所述方位角，确定所述车载单元的定位信息。

可选的实施例中，所述方位角包括第一方位角和第二方位角；

相应的，根据所述方位角，确定所述车载单元的定位信息，包括：根据所述第一方位角和所述第二方位角，确定所述车载单元的横向坐标和纵向坐标。

可选的实施例中，所述路侧单元的通讯范围预先划分为M个预设区域，所述方法用于对N个车辆上的车载单元进行定位；所述N个车载单元分别位于所述M个预设区域中的N个预设区域；

相应的，接收车载单元发送的微波信号，并基于所述微波信号得到数字信号数据；将所述数字信号数据输入预先训练完成的定位神经网络模型，获得所述车载单元的方位角，包括：接收所述N个车载单元分别发送的N个微波信号，并基于所述N个微波信号分别得到N个数字信号数据；将所述N个数字信号数据输入所述预先训练完成的定位神经网络模型，分别获得对应所述N个车载单元的N组方位角。

可选的实施例中，所述定位神经网络模型包括与所述M个预设区域一一对应的M个区域子网络；

相应的，将所述N个数字信号数据输入所述预先训练完成的定位神经网络模型，分别获得对应所述N个车载单元的N组方位角，包括：对于所述N个数字信号数据中的每一数字信号数据：分别输入到所述M个区域子网络中，获得{(方位角1，P₁)，(方位角2，P₂)，…，(方位角M，P_M)}，其中所述P₁、P₂、…P_M表示方位角为正确的概率；将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角。

可选的实施例中，所述M个区域子网络中的每一区域子网络包括第一定位子网络和第二定位子网络；