基于智能网联道路感知数据的车辆追踪与轨迹还原应用实践
基于智能网联道路感知数据的车辆追踪与轨迹还原应用实践
智能网联道路作为智慧城市建设的重要组成部分，通过感知、通信和决策等技术手段，能够实时监测和分析交通状况，为交通管理、安全预警和智能导航等领域提供有效支持。其中，车辆运行轨迹还原技术是智能网联道路的重要应用场景之一，它能够实时还原车辆的运行轨迹，为交通管理、事故调查、智能导航等领域提供重要支持。
智能网联道路感知数据特征
智能网联道路分级感知体系
按照国内智能驾驶与智慧化交通应用需求，可以将智能网联道路感知体系分为三级，分别是全息赋能道路、智能服务道路和网联式交互道路。
全息赋能道路：通过激光雷达、补盲雷达和高清相机等设备组合，提供高精度融合感知及厘米级定位数据，支持在交通对象密集、交通态势复杂、交通流量较大的区域开展高级别自动驾驶辅助服务，并提供精细化交通信息统计服务。
智能服务道路：通过毫米波雷达和高清相机等设备组合，提供融合感知及分米级定位数据，支持在各类城市道路、城际公路上开展通用智能驾驶辅助服务、交通信息统计与管理服务。
网联式交互道路：主要以高清相机设备为主，提供单传感器感知数据，支持各类城市道路、城际公路上开展通用道路安全信息提示服务、交通信息统计与管理服务。
感知数据特征分析
智能网联道路感知数据具有多样的特征，这些特征有助于实现对交通环境的全面感知和理解。通过整合来自不同传感器和通信模式的数据，实现多模态融合，以提高对复杂交通环境的理解和感知精度。主要特征包括实时性、多源性、高精度、位置信息、目标识别与分类、环境参数。除此之外感知数据具有安全性和隐私保护特征，确保感知数据传输和存储的安全，防范潜在的网络攻击和数据泄露。
架构设计
车辆行驶轨迹还原系统架构分为6层，分别是基础设施层、感知融合层、基础架构层、核心计算层、应用服务层和用户展示层。
基础设施层
智能网联道路的道路基础设施层主要由路侧感知设备、交通信号灯、网络通信设施和高精定位设备等软硬件基础设施构成。其中，路侧感知设备包括高清摄像头、激光雷达、毫米波雷达、气象传感器等。
感知融合层
智能网联道路的感知融合层分为各传感器原始数据接入、数据融合、基于人工智能和机器学习的多目标检测与跟踪等。
通过将不同类型的传感器数据整合在一起，包括摄像头、激光雷达、毫米波雷达等，以获取更全面和准确的环境感知信息。将来自不同传感器的数据进行融合，采用融合算法来生成更为综合、可靠的环境感知结果。使用机器学习和深度学习技术，对感知数据进行实时分析和学习，以改善对复杂交通状况的理解和预测，提高系统的智能化水平。利用计算机视觉技术，实时识别和跟踪道路上的车辆、行人、自行车等目标，提供准确的位置和运动信息。
基础架构层
智能网联道路基础架构层是一个由多个关键组件构成的基础架构，用于存储、处理和管理大规模数据。包括分布式文件系统、分布式计算框架、数据管理与存储系统、关系型数据库和NoSQL数据库、数据仓库系统、数据集成与ETL工具。这些组件协同工作，包括批处理、实时流处理和机器学习，支持智能网联道路多种应用场景，本文介绍的车辆运行轨迹还原系统是其中的一类应用场景。
智能网联道路基础架构层还包括高精度地图和高精度定位两个重要的基础服务能力。高精度地图的地理信息数据和车道级别信息是进行多目标分类检测与追踪的基础。高精度定位服务通过融合卫星定位、惯性导航和视觉传感器等多源数据，实现对交通参与者的高度准确和实时追踪，支持车辆轨迹追踪与还原的可靠性和精准性。
核心计算层
本应用系统的核心计算层主要是基于智能网联道路的多目标分类检测与追踪结果实现机动车的长距离追踪与轨迹还原。
利用感知融合层输出的目标分类检测与追踪结果，将目标的运动轨迹进行建模，形成每辆车辆的运行轨迹序列。这可以通过在一定时间间隔内记录车辆的位置信息，得到车辆的运动轨迹。利用建立的轨迹序列，通过插值、拟合等数学方法，对车辆在长距离上的运动轨迹进行还原。整个技术流程通过结合目标检测、追踪、轨迹建模和轨迹还原等步骤，能够从视频或图像数据中获取车辆的运行轨迹，使得在长距离上对车辆的行驶过程进行还原。多目标检测结果在地图投影如图3，一般都出现在交叉口感知设备覆盖范围内。机动车的轨迹还原结果如图4。
图3 多目标检测结果地图展示
图4 机动车的轨迹还原结果展示
应用服务层
应用服务层的应用平台技术架构见图2。
本平台基于Spring Cloud 微服务架构，它是 Spring 生态系统中的一部分，提供了一系列的分布式系统开发工具，主要包括服务注册与发现，配置管理，负载均衡，熔断器（Circuit Breaker），分布式追踪，API 网关，服务链路跟踪，微服务安全等。
用户展示层
用户展示层主要为用户提供三类服务方式。一种是用户指挥中心或者监控大厅，展示展示车辆运行轨迹、交通状况、交通流特征与道路运行特征等。第二种是桌面电脑浏览器，通过直观友好的用户界面，展示实时车辆异常监控和轨迹还原、路况信息等。第三种是移动APP或者小程序，提供便捷的信息查询服务。
实践与效果
本文在 “苏州高铁新城智能网联(三期)道路车联网系统”项目中得到应用实践，该项目实现对苏州高铁新城主要道路的智能网联化改造升级，其中核心道路建设为全息赋能道路，重点道路建设为智能服务道路，普通道路建设为网联式交互道路，共计162km。其中，全息赋能道路51km，打造全息路网（激光雷达+摄像头+RSU），路口和路段实现全息感知，实现了协同自动驾驶、全息数字孪生等高等级应用；智能服务道路46km，在路口布设摄像头+毫米波雷达+RSU，路段无覆盖，可在路口实现弱势交通参与者碰撞预警系统、路口通行辅助信息服务等中等级应用；以及网联式交互道路65km，仅在路口布设摄像头+RSU，可在路口实现红绿灯消息、其他道路动态信息的下发等基础应用。
应用效果介绍
依托于智能网联道路建设情况和多源融合感知结果数据，项目除了协同式高级别无人驾驶、全息数字孪生展示之外，还上线了一系列应用，包括车辆运行轨迹还原系统，也被称为鹰视监控指挥中心。包括首页概览、实时车辆追踪、历史运行轨迹还原和异常事件预警等功能。
- 实时车辆追踪与历史运行轨迹还原：依托于车辆运行轨迹结果数据，支持任意机动车辆实时位置监测、历史运行轨迹还原和行驶过程视频回放（摄像头捕捉到的车辆影像），系统能够准确还原车辆运行的轨迹和最后一次出现位置、速度和状态信息，实现对车辆行驶过程的全面监控与分析，为交通管理、安全预警和智能导航等领域提供有效支持。效果如图5。
图5 车辆实时追踪
- 异常事件预警：系统能够自动捕捉到一些机动车违法行为，如违停、超速、闯红灯等，并进行异常事件预警，助力提升交通运行效率以及降低安全隐患，减少交通事故的发生。
估计还原准确性评估
轨迹还原准确性评估主要依托于苏州高铁新城智能网联(三期)道路车联网系统的实时高精感知结果和原始视频流数据，主要数据口径如下：
- 2023.10.17 09:00:00 - 10:00:00 的感知数据：3.5GB
- 2023.10.17 09:00:00 - 10:00:00 的视频数据：58.5GB
（1）评估指标：车辆轨迹准确率 = 还原正确的车辆数/ 车辆追踪的总车辆数。
（2）评估结果：综合追踪准确率≥95%，如图6。
图6 轨迹还原准确率评估结果图
结论
本系统依托于智能网联道路数字化感知体系，提出了车辆运行轨迹还原算法，构建了车辆运行轨迹还原系统，能够广泛应用于交通管理、智能交通系统和车辆安全领域。通过实时追踪车辆位置、速度和状态信息，系统可用于优化交通流，提高道路通行效率；实现智能导航和路径规划，缓解交通拥堵；实施违规行为检测，提升交通安全；同时，系统还可为紧急救援、车辆调度和车队管理等提供支持，全面提升道路运输的智能化水平。
尽管基于智能网联道路的实时车辆运行轨迹还原系统在提高交通管理和安全性方面取得了一定效果，但仍然存在一些需要提升的方面。首先，精准度和实时性仍然是挑战，如在感知设施无法覆盖的区域，需要进一步优化提升车辆运行轨迹预测算法，确保车辆位置信息的准确性和连续性。其次，涉及到车辆运行隐私信息，系统的安全性和隐私保护需要不断强化，以防范潜在的数据泄露和恶意攻击。继续研发和改进这些方面将有助于使智能网联道路的实时车辆运行轨迹还原系统更加健壮、安全和可靠。
本文原文来自天翼交通科技有限公司，作者：田希雅、于壮、刘怡甸。