CN117540512B 融合实景点云与虚拟仿真的路侧感知设备优化布设方法 （合肥工业大学）

US2022001891A1,2022.01.06融合实景点云与虚拟仿真的路侧感知设备本发明公开了一种融合实景点云与虚拟仿的精确表征以及虚拟仿真对交通流的灵活控制2(1)根据三维实景点云数据中的基本道路几何信息创建符合交通仿真软件需求的文将基本道路几何信息文件导入交通仿真软件中，建立与实景点局坐标系中虚实融合场景中的静态道路环境以及交通个体三角网络模型皆映射到传感器将融合之后深度感知图重新投影回全局坐标系中，得到路根据感知数据采集结果获得路侧感知条件下的包络框，并将将多个路侧感知设备的配置参数集作为决策变量，通过连续虚实融2.根据权利要求1所述融合实景点云与虚拟仿真的路侧感知设备优化布设方法，其特3.根据权利要求1所述融合实景点云与虚拟仿真的路侧感知设备优化布设方法，其特通过开源的网络数据库获取不同交通个体的三角网格模型，4.根据权利要求1所述融合实景点云与虚拟仿真的路侧感知设备优化布设方法，其特3通过坐标转换将虚实融合场景中的静态道路环境与交通个体模型皆映射到球面坐标e_Cs)是将全局坐标转换到传感器局部坐标；S.(,y,r)是转换之后交通个体模型的球面坐标；5.根据权利要求4所述融合实景点云与虚拟仿真的路侧感知设备优化布设方法，其特max]分别是路侧感知设备感知视场的水平角度范围与6.根据权利要求5所述融合实景点云与虚拟仿真的路侧感知设备优化布设方法，其特(6.1)在p-p平面上对投影后的交通个体三角网格顶点数据s,(p.j.,r)进行与道路静态环境数据s.(n,p,r)一致的栅格化处理，且像素尺寸也保持一致；栅格化之后每一个像素点联后的编码长度一致的一维数组，将二维的包络框内的网格点转化为1xmkx2的矩阵，其4(6.3)在GPU上预建立一个nfxmk_maxx2的空矩阵，其中nf与mk_max分别是三角形单元的(6.4)对线性编码进行重新排序组织，通过排序操作获取对应同一个线性编码值的多(6.5)采用空间几何解析方法求解成对的虚拟光线与三角单元的交点，对于同一条光7.根据权利要求6所述融合实景点云与虚拟仿真的路侧感知设备优化布设方法，其特条件下的道路静态环境深度感知图Ie与交通个体三角网格模型的深度感知图Ia；对道路静态环境深度感知图Ie与交通个体三角网格模型的深度感知图Ia进行融合，得到在静态与动I'5器布设位置的精度在100米～1000米数量级，主要的目的是期望在宏观尺度上优化传感器明所的针对的是面向微观交通监测的感知型[0005]在微观空间尺度下影响路侧感知设备工作效果的主要是障碍物的遮挡。具体而6多个路侧感知设备协同感知条件下100％覆盖目标监测区域为约束、以最小化传感器数量了对交叉口位置路侧感知设备的优化布设[6]。但是他们的技术方案中交通场景的构设备在道路智能化改造中的应用。[0014](1)根据三维实景点云数据中的基本道路几何信息创建符合交通仿真软件需求的将全局坐标系中虚实融合场景中的静态道路环境以及交通个体三角网络模型皆映射到传7比计算交并比参数；以所有交通个体的平均交并比参数作为路侧协同感知效能的评价指[0027]将虚实融合场景中的静态道路环境以及交通个体模型皆映射到球面坐标空间具[0029]通过坐标转换将虚实融合场景中的静态道路环境与交通个体模型皆映射到球面e_Cs)是将全局坐标转换到传感器局部坐标；[0033]S,(o.p.r)是转换之后静态道路三维环境的球面坐标；[0034]S.(p,p,r)是转换之后交通个体模型的球面8[0039](5.3)在p-平面上，利用ray_triangle交点求解方法来实现传感器对交通个体[0041](6.1)在平面上对投影后的交通个体三角网格顶点数据s.(p,y,r)进行与道路静态环境数据s.(p,y,r)一致的栅格化处理，且像素尺寸也保持一致；栅格化之后每一个与串联后的编码长度一致的一维数组，将二维的包络框内的网格点转化为1×mk×2的矩k是包络框内网格点的数量；是线性编码值；[0049](6.4)对线性编码进行重新排序组织[0050](6.5)采用空间几何解析方法求解成对9融合的技术思路是首次被引入到路侧协同感知设备的优化布设领域，具有良好的商用价[0058]2、本发明针对实景点云与三角网格模型融合的交通场景中提出了基于球面坐标xml(extensiblemakeuplangua由顶点坐标与构成三角形的顶点索引矩阵定义，如图2所示，三角网模型其他的信息如材[0081]由于本发明中的交通场景是在融合三维实景点云数据与r)-(p.-c,))(1)将坐标转换后的道路环境数据与交通个体模型数据皆投影到p-p平面上，并仅保留在路[0096]针对传感器对交通个体的三维感知过程的模拟，目前业内主要采用光线追踪大，目前需要依靠高度并行化计算的图形计算单元(graphicalprocessingunit,GPU)来[0097]通过本发明中坐标转换方法，在p--r直角坐标系统与传感器局部坐标系统中的虚拟光线的映射关系如图6所示。在此基础上，在p-p平面的点等效于在传感器局部坐标系统中的一条虚拟光线。在p-p平面上对投影后的交通个体三角网格顶点数据S,(o,p,r)进行与s.(p,y,r)一致的栅格化处理，且像素尺寸也保持一致。栅格化之后每一个[0098]以交通个体网格模型中的三角形单元k为例，基于栅格化之后的三角形顶点建立对应同一个线性编码值的多个三角形索引。通过解码计算，将转换为像素点的位置(m,[0116]采用式(1)的逆计算过程将融合之后的交通个体深度感知图I'a重新投影回全局个体三维网格模型的尺寸获得)对比计算交并比参数。以多个仿真步条件下所有交通个体[0121][1]DosovitskiyA,RosG,CodevillaF,etal.CARLA:Anopenurbandrivingsimulator[C]//Conferenceonrobotl[0122][2]LopezPA,BehrischM,Bieker_WalzL,etal.Microscopictrafficsimulationusingsumo[C]//201821stinternationalconferenceonintelligenttransportationsystem[0123][3]VijayR,CherianJ,RiahR,etal.Optimalplacementofroadsideinfrastructuresensorstowardssaferautonomousvehicledeployments[C]//2021IEEEInternationalIntelligentTransportationSystemsConference(ITSC).IEEE,2021:2589_2595.[0124][4]DuY,WangF,ZhaoC,etal.Quantifyingtheperformanceandoptimizingtheplacementofroadsidesensorsforcooperativevehicle_infrastructuresystems[J].IETIntelligentTransportSystems,2022,16(7):908_925./doi/10.104[0125][5]MaY,ZhengY,WangS,etal.Pointcloud_basedoptimizationofroadsideLiDARplacementatconstructedhighways[J].AutomationinConstruction,2022,144:104629.[0126][6]MaY,ZhengY,WangS,etal.AVirtualMethodforOptimizingDeploymentofRoadsideMonitoringLidarsatAs_BuiltIntersections[J].IEEETransact