面向智能交通的詳細(xì)交通數(shù)據(jù)采集系統(tǒng)的研發(fā)

1、面向智能交通的詳細(xì)交通數(shù)據(jù)采集系統(tǒng)的研發(fā)趙卉菁 沙杰 崔錦實(shí) 查紅彬北京大學(xué) 機(jī)器感知與智能教育部重點(diǎn)實(shí)驗(yàn)室電子郵箱：zhaohjAbstractMotivated by the potential applications for detailed traffic data, in this research, two sensing systems are developed from both the infrastructure and a vehicle. In the former one, a network of laser scanners is exploited to c

2、over a large horizontal area, such as an intersection; a software system is developed to automatically detect the moving objects that entered the area, track their motion trajectory, and classify them to find whether they are car, bicycle, people etc. In the later one, an intelligent vehicle is deve

3、loped by fusing both position and environmental sensors; a software system is developed to simultaneously locate the vehicle, generate a map of the static environment, and detect/track/classify the moving objects in surroundings. Real experimental results are presented to demonstrate the systems.1.

4、前言隨著汽車交通運(yùn)輸?shù)陌l(fā)展，交通擁擠和道路阻塞的現(xiàn)象日趨嚴(yán)重，交通事故頻繁發(fā)生，隨之帶來(lái)的交通污染也越來(lái)越引起社會(huì)的普遍關(guān)注。科學(xué)系統(tǒng)地分析/改造現(xiàn)有的交通管理體系，成為緩解城市交通難的當(dāng)務(wù)之急。而有效地獲取詳細(xì)高精度的交通數(shù)據(jù)是分析掌握交通規(guī)律，優(yōu)化交通體系的關(guān)鍵。目前在交通工程領(lǐng)域?qū)嶋H道路數(shù)據(jù)的調(diào)查，采集和收集，往往需要大量的費(fèi)用和人工干預(yù)，其采樣率及精度都非常有限。缺少足夠的真實(shí)詳細(xì)的交通數(shù)據(jù)的支持，給大范圍/長(zhǎng)時(shí)段交通行為本質(zhì)的深入研究帶來(lái)困難。特別是對(duì)于像路口，主輔路合流分流處等人車混在，交通行為混雜的地帶，高精度交通數(shù)據(jù)的獲取技術(shù)的研究在國(guó)際上還處于剛剛起步的階段?，F(xiàn)有傳感器技術(shù)分

5、析如下。ü 利用紅外線，超聲波，微波雷達(dá)，感應(yīng)圈等傳感器，對(duì)通過(guò)道路某一“點(diǎn)”的車輛，其數(shù)量，大小，重量，速度等進(jìn)行統(tǒng)計(jì)分析，已成為交通檢測(cè)中比較成熟的技術(shù)。但對(duì)于在某一“面”內(nèi)自由活動(dòng)的移動(dòng)目標(biāo)的自動(dòng)檢測(cè)尚有不及之處。ü 利用浮動(dòng)車系統(tǒng)，可以通過(guò)安裝有GPS（全球定位系統(tǒng)）的公交車或計(jì)程車了解到該車輛通過(guò)某路段的時(shí)間速度，從而在一定程度上間接地推測(cè)出當(dāng)前路面的交通狀況。但是由于所獲取的交通數(shù)據(jù)，其采樣精度及密度均受制于有限的GPS設(shè)備，且無(wú)法獲得浮動(dòng)車以外其他車輛、行人等的交通數(shù)據(jù)，該技術(shù)對(duì)于微觀交通行為的分析/管理優(yōu)化，存在一定的局限性。ü 利用可見光攝像機(jī)，

6、紅外線攝像機(jī)等視頻傳感器，不僅能夠?qū)β范紊宪囕v的通行狀況，比如通過(guò)數(shù)量，大小，速度，顏色，車牌號(hào)等進(jìn)行定量地統(tǒng)計(jì)，同時(shí)能夠?qū)δ承┨囟ㄐ袨?，比如，闖紅燈，倒車，轉(zhuǎn)彎， 交通事故等在一定程度上進(jìn)行自動(dòng)檢測(cè)。特別是利用視頻數(shù)據(jù)可以對(duì)這些特定行為的前因后果進(jìn)行分析。但是對(duì)于遮擋嚴(yán)重、交通行為混雜的路口，圖像中移動(dòng)目標(biāo)間遮擋/粘連的現(xiàn)象嚴(yán)重，同時(shí)陰影、光照變化等均為精確的自動(dòng)化處理帶來(lái)很大困難。在復(fù)雜場(chǎng)景中長(zhǎng)時(shí)段地獲取人與車的詳細(xì)的交通數(shù)據(jù)上，目前的計(jì)算機(jī)處理與實(shí)際應(yīng)用需求尚有一定距離。ü 激光掃描儀是一種新興的傳感器（如圖1所示）。與視頻等技術(shù)相比，激光測(cè)距掃描儀及其應(yīng)用技術(shù)還大多處于研發(fā)階

7、段。目前三維激光掃描儀主要被應(yīng)用于面向測(cè)繪及考古的研發(fā)，比如獲取地形/文物等的三維數(shù)字拷貝，二維激光掃描儀主要被應(yīng)用于面向安全駕駛等的研發(fā)、比如自動(dòng)檢測(cè)出車前方的障礙物以防止碰撞等。圖1、二維激光掃描儀舉例本課題以二維激光掃描儀為主要傳感器，分別研發(fā)基于分布式傳感器系統(tǒng)及智能車移動(dòng)平臺(tái)的詳細(xì)交通數(shù)據(jù)獲取技術(shù)，從而為微觀交通行為的分析，為解決智能交通等工程領(lǐng)域中的實(shí)際問題提供真實(shí)詳細(xì)的數(shù)據(jù)依據(jù)。2. 基于分布式傳感器系統(tǒng)的詳細(xì)交通數(shù)據(jù)獲取技術(shù)的研發(fā)圖2 基于分布式激光掃描儀的交通數(shù)據(jù)獲取系統(tǒng)的示意圖以交叉口為例，圖2為本課題研發(fā)系統(tǒng)的示意圖。將激光掃描儀設(shè)置于交叉口的路邊，在距路面高度約40cm

8、的水平面掃描，可以得到在該水平覆蓋面內(nèi)汽車、行人、自行車等的被觀測(cè)面的平面輪廓數(shù)據(jù)。將多臺(tái)激光掃描儀分別設(shè)置于不同位置，從不同角度監(jiān)測(cè)該交叉口，并通過(guò)連網(wǎng)將傳感器數(shù)據(jù)實(shí)時(shí)地傳給服務(wù)器PC。服務(wù)器將不同傳感器測(cè)量的數(shù)據(jù)，通過(guò)時(shí)鐘同步及坐標(biāo)系轉(zhuǎn)換，進(jìn)行數(shù)據(jù)融合。也就是，將同一時(shí)刻測(cè)量到的數(shù)據(jù)抽取出來(lái)，并統(tǒng)合到全局坐標(biāo)系中。這樣的融合數(shù)據(jù)可以測(cè)量到移動(dòng)目標(biāo)的平面輪廓。同時(shí)掃描幀率約30Hz，可以捕捉快速的運(yùn)動(dòng)目標(biāo)。這樣的分布式傳感器系統(tǒng)不僅可以覆蓋較大范圍的空間，如整個(gè)交叉口，同時(shí)可以減少由于自遮擋及他遮擋所帶來(lái)的部分測(cè)量等問題。圖3 2008年7月16日、17日交叉口實(shí)驗(yàn)傳感器設(shè)置圖4 一組激光掃

9、描數(shù)據(jù)2008年7月16日及22日于北京四環(huán)路海淀橋北交叉口進(jìn)行了兩次交叉口數(shù)據(jù)采集實(shí)驗(yàn)。每次實(shí)驗(yàn)分別從早晨6點(diǎn)30到晚上9點(diǎn)進(jìn)行連續(xù)的數(shù)據(jù)采集。圖3給出傳感器分布示意圖及實(shí)地照片。實(shí)驗(yàn)中共使用6套激光掃描儀數(shù)據(jù)采集系統(tǒng)，從路邊6個(gè)不同地點(diǎn)方向來(lái)共同觀測(cè)該交叉路口。圖4給出一組傳感器數(shù)據(jù)。中圖為一幀融合后的數(shù)據(jù)，不同的顏色表示不同傳感器所采集的信號(hào)數(shù)據(jù)。比如正中為一輛公交車，同時(shí)被不同激光掃描儀所觀測(cè)到，但是不同傳感器僅能觀測(cè)到該車輛的某個(gè)側(cè)面。比如從激光數(shù)據(jù)2或3，無(wú)法判斷該物體為一輛公交車；從激光數(shù)據(jù)3，該物體可能被誤認(rèn)為三個(gè)。通過(guò)分布式激光掃描數(shù)據(jù)的融合，該數(shù)據(jù)勾畫出了一個(gè)較為完整的公交

10、車的輪廓，為正確的判斷提供了豐富的信息，從而可以有效地提高目標(biāo)物識(shí)別及運(yùn)動(dòng)狀態(tài)分析的精度。圖5 移動(dòng)目標(biāo)的檢測(cè)、跟蹤與分類圖6 移動(dòng)目標(biāo)的檢測(cè)、跟蹤與分類結(jié)果舉例本課題的主要目標(biāo)是通過(guò)分布式激光掃描數(shù)據(jù)，檢測(cè)出進(jìn)入觀測(cè)區(qū)域（如交叉口）的移動(dòng)目標(biāo)（移動(dòng)目標(biāo)的檢測(cè)），獲得該移動(dòng)目標(biāo)通過(guò)觀測(cè)區(qū)域的速度，時(shí)間，移動(dòng)軌跡等信息（移動(dòng)目標(biāo)的跟蹤），并區(qū)分該移動(dòng)目標(biāo)的種類，如人、自行車、小汽車、公交車等（移動(dòng)目標(biāo)的分類）。圖5給出在本課題中從傳感器數(shù)據(jù)的采集到移動(dòng)目標(biāo)的檢測(cè)，跟蹤及分類的主要處理模塊及流程，以及主要數(shù)據(jù)結(jié)構(gòu)。圖6舉例給出了上述數(shù)據(jù)處理程序畫面的拷貝。這樣的數(shù)據(jù)處理結(jié)果輸出到一個(gè)軌跡文件中，該

11、文件包含檢測(cè)到的每一個(gè)移動(dòng)目標(biāo)在通過(guò)該區(qū)域的每50毫秒間隔的時(shí)序列軌跡及種類判別。在每一時(shí)刻的軌跡數(shù)據(jù)中包含時(shí)間，該移動(dòng)目標(biāo)的位置，速度，方向，大小等信息。通過(guò)這樣的移動(dòng)目標(biāo)軌跡數(shù)據(jù)，可以對(duì)該觀測(cè)區(qū)域的詳細(xì)交通特性進(jìn)行統(tǒng)計(jì)分析。比如，圖7給出了一個(gè)統(tǒng)計(jì)實(shí)例。將10分鐘的軌跡數(shù)據(jù)積累起來(lái)，抽取出其中被分類為小汽車及公交車的數(shù)據(jù)，將其通行軌跡投影于一個(gè)柵格圖像中，該刪格圖像的每個(gè)像素值記錄了通過(guò)該空間位置的移動(dòng)目標(biāo)數(shù)目。在圖7中，像素點(diǎn)越亮表明該點(diǎn)的通行量越大。從圖7可以清晰的看到車輛的主要通行區(qū)域，及一天中隨著時(shí)間的變化，汽車通行量的變化。另外為了北京奧運(yùn)會(huì)的順利進(jìn)行，于2008年7月20日-9

12、月20日期間，北京市實(shí)施單雙號(hào)限行政策。7月16日及22日分別為交通限行政策實(shí)施的前后，其交通特性的變化也被反映了出來(lái)。比如在每一時(shí)段，7月22日?qǐng)D像的像素點(diǎn)普遍比7月16日的像素點(diǎn)暗，表明通行量的普遍下降。但是下降的量在一天中的不同時(shí)段有所不同。比如6：50-7：00時(shí)段的通行量有著明顯的下降，但8：20-30時(shí)段的數(shù)據(jù)非常接近。圖7 數(shù)據(jù)解析舉例：通行量對(duì)比評(píng)價(jià)3. 基于智能車平臺(tái)的詳細(xì)交通數(shù)據(jù)獲取技術(shù)的研發(fā)智能車及移動(dòng)機(jī)器人平臺(tái)的研發(fā)不僅對(duì)以軍事為目的的無(wú)人自動(dòng)駕駛，以民用為目的的安全輔助駕駛，以信息采集為目的的智能測(cè)繪、智能交通管理等均具有重大意義。在安全駕駛等領(lǐng)域，實(shí)時(shí)地認(rèn)知復(fù)雜的路

13、況，監(jiān)測(cè)周邊的行人及車輛，正確地判斷當(dāng)前及將來(lái)的狀態(tài)并作出相應(yīng)的決策，是輔助駕駛，自動(dòng)駕駛的前提條件。智能車平臺(tái)作為信息采集工具，可以從接近用戶視點(diǎn)的焦點(diǎn)及位置，獲取道路周邊逼真詳細(xì)的圖像及三維數(shù)據(jù)信息，同時(shí)可以采集到人、車等移動(dòng)目標(biāo)的交通數(shù)據(jù)，為了解交通狀況提供有力的基礎(chǔ)依據(jù)。圖8 北京大學(xué)智能車研發(fā)平臺(tái)及傳感器配置舉例圖8為本課題研發(fā)的智能車平臺(tái)。該課題的主要目標(biāo)是基于真實(shí)的實(shí)驗(yàn)平臺(tái)，面對(duì)真實(shí)的交通場(chǎng)景，面向智能交通，智能測(cè)繪，智能監(jiān)控等方面的應(yīng)用需求，研究智能車定位定向及環(huán)境感知中的基礎(chǔ)要素。圖8中舉例示意了智能車平臺(tái)的傳感器配置，大致可分為定位定向傳感器及環(huán)境傳感器兩部分。本課題算法研

14、發(fā)的焦點(diǎn)在于通過(guò)多傳感器的融合，同時(shí)實(shí)現(xiàn)高精度的（1）定位定向，（2）地圖生成及（3）移動(dòng)目標(biāo)的檢測(cè)跟蹤與分類。圖9研發(fā)成果舉例圖9通過(guò)實(shí)驗(yàn)結(jié)果舉例說(shuō)明本課題的研發(fā)目標(biāo)及成果。圖9（a）為實(shí)驗(yàn)路線。智能車從北京大學(xué)英杰交流中心的廣場(chǎng)出發(fā)，沿紅色箭頭，橫貫北京大學(xué)校園，從西南門（機(jī)動(dòng)車門）上公路，沿藍(lán)色箭頭，路過(guò)北京大學(xué)西門，圓明園南門，清華西門，從北大東北門（機(jī)動(dòng)車門）進(jìn)校園，返回英杰交流中心前廣場(chǎng)。全程4.5公路。智能車由司機(jī)駕駛，跟隨正常車流，行駛時(shí)間約15分鐘。本次實(shí)驗(yàn)的主要目的在于檢驗(yàn)本課題研發(fā)算法，也就是同時(shí)定位定向，地圖生成及移動(dòng)目標(biāo)的檢測(cè)跟蹤與分類。圖9（c）為融合定位定向結(jié)果及水平激光掃描數(shù)據(jù)（圖8中L3），自動(dòng)生成的地圖。圖9（b）為一部分放大圖。該地圖不僅包含靜態(tài)環(huán)境的信息，如建筑物，樹木，停泊車輛等，還包含動(dòng)態(tài)環(huán)境的信息，如沿路觀測(cè)到的行人，自行車，汽車的分布，移動(dòng)速度方向等等。這樣的數(shù)據(jù)對(duì)于智能測(cè)繪，對(duì)于智能交通均具有重要的應(yīng)用價(jià)值。圖9（d）為在線處理畫面，包含了智能車的行駛軌跡（黃色）及當(dāng)前的位置（紅色），對(duì)靜態(tài)環(huán)境的感知結(jié)果：地圖（白色），對(duì)動(dòng)態(tài)環(huán)境的感知結(jié)果：移動(dòng)目標(biāo)及其軌跡（橘黃）等等。通過(guò)這樣的在線處理