[发明专利]一种基于3D激光雷达的自感知交互式交通信号控制装置

摘要

本发明属于交通信号控制技术领域，具体涉及一种基于3D激光雷达的自感知交互式交通信号控制装置；该装置主要由3D激光雷达检测单元、交通信号交互协调单元、交通信号驱动控制单元组成；该装置通过3D激光雷达传感器实现对交叉口进口方向人流、车流的自主感知和交通流参数实时、高精度、多分辨率的自动提取，进行精细化交通信号优化、协调和控制，以提高交叉口通行效率，提升道路交通资源利用率。

主权项

1.一种基于3D激光雷达的自感知交互式交通信号控制装置，其特征在于：3D激光雷达检测单元由激光雷达传感器、多核激光点云微处理模块组成，3D激光雷达传感器与多核激光点云微处理模块采用EMIF总线进行连接和数据通信传输；激光雷达传感器用于扫描、检测交叉口进口方向的车流、人行横道的人流，形成激光点云数据帧，并将激光点云数据帧通过EMIF总线传送给多核激光点云微处理模块；多核激光点云微处理模块负责对3D激光雷达传感器传送过来的激光点云数据帧进行数据过滤和信息提取，从激光点云数据帧中提取车流、人流的交通流参数信息；具体工作步骤如下：Step1：3D激光雷达传感器以一定的频率发射激光束和旋转激光折射镜面，并通过接收激光反射光束来实现对检测方向道路交通环境的3D扫描，并以激光点云的形式形成3D激光点云影像，当3D激光雷达传感器每完成一次对检测空间范围内道路交通环境的3D扫描后形成一幅3D激光点云数据帧，数据帧中包含激光点云的三维坐标信息、激光强度、激光ID、激光水平旋转方向角、激光垂直方向夹角、激光距离、时间戳；Step2：多核激光点云微处理模块将3D激光雷达传感器扫描空间划出两个子空间，一个为进口方向车辆检测空间VEH_Ω，一个为检测方向人行横道的行人检测空间PED_Ω；其中：VEH_Ω为VL×VW×H的长方体，PED_Ω为PL×PW×H的长方体，VL为3D激光雷达传感器检测方向的进口方向最远位置与进口方向停车线之间的距离；VW为3D激光雷达传感器检测方向的进口道宽度；H为3D激光雷达传感器离地面的高度；PL为3D激光雷达传感器检测方向人行横道的长度；PW为3D激光雷达传感器检测方向人行横道的宽度；Step3：多核激光点云微处理模块分别从激光点云数据帧中提取处于VEH_Ω和PED_Ω空间范围内的激光点云，分别构建一个MV×NV×KV的三维空间矩阵V(VEH_Ω)，vijk∈V(VEH_Ω)和MP×NP×KP的三维空间矩阵P(PED_Ω)，pijk∈P(PED_Ω)；在VEH_Ω中：vijk为VEH_Ω中X坐标轴第i行，Y坐标轴第j列，Z坐标轴第k层激光点的激光强度；i＝1，2，…，MV；j＝1，2，…，NV；k＝1，2，…，KV；MV为VEH_Ω中X坐标轴激光点云的总行数；NV为VEH_Ω中Y坐标轴激光点云的总列数；KV为VEH_Ω中Z坐标轴激光点云的总层数；在PED_Ω中：pijk为PED_Ω中X坐标轴第i行，Y坐标轴第j列，Z坐标轴第k层激光点的激光强度；i＝1，2，…，MP；j＝1，2，…，NP；k＝1，2，…，KP；MP为PED_Ω中X坐标轴激光点云的总行数；NV为PED_Ω中Y坐标轴激光点云的总列数；KP为PED_Ω中Z坐标轴激光点云的总层数；在VEH_Ω和PED_Ω中3D激光雷达传感器扫描的交叉口进口方向为Y坐标轴方向；3D激光雷达传感器扫描的交叉口进口方向人行横道方向为X坐标轴方向；交叉口地面垂直方向为Z坐标轴方向；Step4：对VEH_Ω空间范围内的激光点云进行背景过滤：Step4.1：定义A为一个可包含UV×VV×WV激光点的长方体，A∈VEH_Ω，分别为长方体VEH_Ω中的上层、下层第i行第j列的长方体A；分别为长方体VEH_Ω中的左壁、右壁第j列第k层的长方体A；i＝1，2，…，MV′；j＝1，2，…，NV′；k＝1，2，…，KV′；令δ(A)为长方体A的激光点云密度，计算长方体A的激光点云密度波动率：其中：分别为以A为截面的长方体VEH_Ω中上层、下层、左壁、右壁的激光点云平均密度；分别为长方体VEH_Ω中上层、下层第i行第j列的长方体A的激光点云密度波动率；分别为长方体VEH_Ω中左壁、右壁第j列第k层的长方体A的激光点云密度波动率；Step4.2：判断长方体VEH_Ω中上层、下层、左壁、右壁中的长方体A是否为背景激光点云图像，并对背景进行过滤：若则判断长方体VEH_Ω中上层第i行第j列的长方体A所包含的激光点云为背景激光点云；若则判断长方体VEH_Ω中下层第i行第j列的长方体A所包含的激光点云为背景激光点云；若则长方体VEH_Ω中左壁第j列第k层的长方体A所包含的激光点云为背景激光点云；若则长方体VEH_Ω中右壁第j列第k层的长方体A所包含的激光点云为背景激光点云；其中：τUP(T)、τDW(T)、τLF(T)、τRT(T)分别为第T判断周期内长方体VEH_Ω中上层、下层、左壁、右壁中的长方体A背景激光点云密度波动临界阈值；Step4.3：重复Step4.1至Step4.2，对长方体VEH_Ω上层、下层、左壁、右壁中所有的长方体A进行背景判断，并剔除所有的背景激光点云，形成新的三维空间矩阵V′(VEH_Ω)，v′ijk∈V′(VEH_Ω)；Step5：对PED_Ω空间范围内的激光点云进行背景过滤：Step5.1：定义B为一个可包含UP×VP×WP激光点的长方体，B∈PED_Ω，分别为长方体PED_Ω中的上层、下层第i行第j列的长方体B；分别为长方体PED_Ω中的左壁、右壁第j列第k层的长方体B；i＝1，2，…，MP′；j＝1，2，…，NP′；k＝1，2，…，KP′；令δ(B)为长方体B的激光点云密度，计算长方体B的激光点云密度波动率：其中：分别为以B为截面的长方体PED_Ω中上层、下层、左壁、右壁的激光点云平均密度；分别为长方体PED_Ω中上层、下层第i行第j列的长方体B的激光点云密度波动率；分别为长方体PED_Ω中左壁、右壁第j列第k层的长方体B的激光点云密度波动率；Step5.2：判断长方体PED_Ω中上层、下层、左壁、右壁中的长方体B是否为背景图像，并对背景进行过滤：若则判断长方体PED_Ω中上层第i行第j列的长方体B所包含的激光点云为背景激光点云；若则判断长方体PED_Ω中下层第i行第j列的长方体B所包含的激光点云为背景激光点云；若则长方体PED_Ω中左壁第j列第k层的长方体B所包含的激光点云为背景激光点云；若则长方体PED_Ω中右壁第j列第k层的长方体B所包含的激光点云为背景激光点云；其中：λUP(T)、λDW(T)、λLF(T)、λRT(T)分别为第T判断周期内长方体PED_Ω中上层、下层、左壁、右壁中的长方体B背景激光点云密度波动临界阈值；Step5.3：重复Step5.1至Step5.2，对长方体PED_Ω上层、下层、左壁、右壁中所有的长方体B进行背景判断，并剔除所有的背景激光点云，形成新的三维空间矩阵P′(PEH_Ω)，p′ijk∈P′(PED_Ω)；Step6：将VEH_Ω的X、Y轴平面划分成NC×NL个网格，每个网格内为一个WL×LV×H的长方体E；其中：WL为3D激光雷达传感器检测方向进口方向的车道宽度；LV为车辆的平均长度；H为3D激光雷达传感器离地面的高度；E∈VEH_Ω，E_ij为VEH_Ω为第i行第j车道的长方体；其中：i＝1，2，…，NC；j＝1，2，…，NL；Step6.1：计算VEH_Ω中长方体的E的激光点云密度δ(E)其中：为E中所有激光点云密度之和；为长方体E的体积；Step6.2：判断长方体E中车辆的存在情况：(1)若δ(E)≥∈V，则判断长方体E中有车辆存在；(2)若∈_bV≤δ(E)＜∈_V，将长方体E拆分成体积相等的前后两部分和若且则车辆存在于长方体E的前部，将和合并，标记为新的长方体E′；若且则车辆存在于长方体E的后部，将和合并，标记为新的长方体E′；其中：为长方体E相邻的前一个长方体E的后半部分；为长方体E相邻的后一个长方体E的前半部分；∈_V为长方体E车辆存在的临界密度；∈_bV为长方体E车辆占用的临界密度；Step6.3：给定车辆的最小邻点数为Min_VehPts，邻域半径为R_Veh；遍历长方体E或者E′中所有的激光点Li_Pt，找出各激光点Li_Pt邻域半径R_Veh内的激光点数NumPt(Li_Pt)；若NumPt(Li_Pt)≥Min_VehPts，则将激光点Li_Pt标记为长方体E或者E′中的车辆质心VehCore_Pt；Step6.4：重复Step6.1至Step6.3，根据车辆质心点的位置信息和数量，获取当前激光点云数据帧VEH_Ω中各进口道的车辆数VehNum和排队长度VehQue；Step7：将PED_Ω的X、Y轴平面划分成NP×NT个网格，每个网格内为一个WP×PT×H的长方体S；其中：WP为行人行走所需的平均纵向空间距离；PT为行人行走横向空间距离；H为激光雷达传感器离里面的高度；S∈PED_Ω，S_ij为PED_Ω为人行横道中第i行第j列的长方体S；其中：i＝1，2，…，NP；j＝1，2，…，NT；Step7.1：计算PED_Ω中长方体的S的激光点云密度δ(S)其中：为S中所有激光点云密度之和；为长方体S的体积；Step7.2：判断长方体S中行人的存在情况：(1)若δ(S)≥∈p，则判断长方体S中有行人存在；(2)若∈_bp≤δ(S)＜∈_p，将长方体S拆分成体积相等的前后两部分和或左右两部分和若且则行人存在于长方体S的前部，将和合并，标记为新的长方体S′；若且则车辆存在于长方体S的后部，将和合并，标记为新的长方体S′；若且则行人存在于长方体S的右侧，将和合并，标记为新的长方体S′；若且则行人存在于长方体S的左侧，将和合并，标记为新的长方体S′其中：为长方体S相邻的前一个长方体S的后半部分；为长方体S相邻的后一个长方体S的前半部分；∈_p为长方体S行人存在的临界密度；∈_bp为长方体S行人占用的临界密度；Step7.3：给定行人的最小邻点数为Min_PedPts，邻域半径为R_Ped；遍历长方体S或者S′中所有的激光点Li_Pt，找出各激光点Li_Pt邻域半径R_Ped内的激光点数NumPt(Li_Pt)；若NumPt(Li_Pt)≥Min_PedPts，则将激光点Li_Pt标记为长方体S或者S′中的行人质心PedCore_Pt；Step7.4：重复Step7.1至Step7.3，根据行人质心点的位置信息和数量，获取当前激光点云数据帧PED_Ω中人行过街横道及行人过街等待区域的行人数VPedNum和行人位置信息PedLoInfo；Step8：对3D激光雷达传感器传送过来的每一帧的数据重复进行Step2至Step7的处理，对每一帧中车辆和行人的位置进行跟踪，获取车辆和行人的运行轨迹VedTrace和PedTrace，通过车辆和行人的位置变化，获取车辆和行人的运行速度信息VehSpeedInfo和PedSpeedInfo；Step9：多核激光点云微处理模块将检测区域内的车辆、行人的数量、位置、速度、运行轨迹信息通过EMIF总线传送给交通信号交互协调单元。