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 查紅彬北京大學(xué) 機器感知與智能教育部重點實驗室電子郵箱：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，隨之帶來的交通污染也越來越引起社會的普遍關(guān)注?？茖W(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。缺少足夠的真實詳細(xì)的交通數(shù)據(jù)的支持，給大范圍/長時段交通行為本質(zhì)的深入研究帶來困難。特別是對于像路口，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，對通過道路某一“點”的車輛，其數(shù)量，大小，重量，速度等進(jìn)行統(tǒng)計分析，已成為交通檢測中比較成熟的技術(shù)。但對于在某一“面”內(nèi)自由活動的移動目標(biāo)的自動檢測尚有不及之處。ü 利用浮動車系統(tǒng)，可以通過安裝有GPS（全球定位系統(tǒng)）的公交車或計程車了解到該車輛通過某路段的時間速度，從而在一定程度上間接地推測出當(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，且無法獲得浮動車以外其他車輛、行人等的交通數(shù)據(jù)，該技術(shù)對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，

6、紅外線攝像機等視頻傳感器，不僅能夠?qū)β范紊宪囕v的通行狀況，比如通過數(shù)量，大小，速度，顏色，車牌號等進(jìn)行定量地統(tǒng)計，同時能夠?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)行自動檢測。特別是利用視頻數(shù)據(jù)可以對這些特定行為的前因后果進(jìn)行分析。但是對于遮擋嚴(yán)重、交通行為混雜的路口，圖像中移動目標(biāo)間遮擋/粘連的現(xiàn)象嚴(yán)重，同時陰影、光照變化等均為精確的自動化處理帶來很大困難。在復(fù)雜場景中長時段地獲取人與車的詳細(xì)的交通數(shù)據(jù)上，目前的計算機處理與實際應(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)、比如自動檢測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)及智能車移動平臺的詳細(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)域中的實際問題提供真實詳細(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、自行車等的被觀測面的平面輪廓數(shù)據(jù)。將多臺激光掃描儀分別設(shè)置于不同位置，從不同角度監(jiān)測該交叉口，并通過連網(wǎng)將傳感器數(shù)據(jù)實時地傳給服務(wù)器PC。服務(wù)器將不同傳感器測量的數(shù)據(jù)，通過時鐘同步及坐標(biāo)系轉(zhuǎn)換，進(jìn)行數(shù)據(jù)融合。也就是，將同一時刻測量到的數(shù)據(jù)抽取出來，并統(tǒng)合到全局坐標(biāo)系中。這樣的融合數(shù)據(jù)可以測量到移動目標(biāo)的平面輪廓。同時掃描幀率約30Hz，可以捕捉快速的運動目標(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，如整個交叉口，同時可以減少由于自遮擋及他遮擋所帶來的部分測量等問題。圖3 2008年7月16日、17日交叉口實驗傳感器設(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)采集實驗。每次實驗分別從早晨6點30到晚上9點進(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地照片。實驗中共使用6套激光掃描儀數(shù)據(jù)采集系統(tǒng)，從路邊6個不同地點方向來共同觀測該交叉路口。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數(shù)據(jù)。比如正中為一輛公交車，同時被不同激光掃描儀所觀測到，但是不同傳感器僅能觀測到該車輛的某個側(cè)面。比如從激光數(shù)據(jù)2或3，無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。通過分布式激光掃描數(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)物識別及運動狀態(tài)分析的精度。圖5 移動目標(biāo)的檢測、跟蹤與分類圖6 移動目標(biāo)的檢測、跟蹤與分類結(jié)果舉例本課題的主要目標(biāo)是通過分布式激光掃描數(shù)據(jù)，檢測出進(jìn)入觀測區(qū)域（如交叉口）的移動目標(biāo)（移動目標(biāo)的檢測），獲得該移動目標(biāo)通過觀測區(qū)域的速度，時間，移動軌跡等信息（移動目標(biāo)的跟蹤），并區(qū)分該移動目標(biāo)的種類，如人、自行車、小汽車、公交車等（移動目標(biāo)的分類）。圖5給出在本課題中從傳感器數(shù)據(jù)的采集到移動目標(biāo)的檢測，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)果輸出到一個軌跡文件中，該

11、文件包含檢測到的每一個移動目標(biāo)在通過該區(qū)域的每50毫秒間隔的時序列軌跡及種類判別。在每一時刻的軌跡數(shù)據(jù)中包含時間，該移動目標(biāo)的位置，速度，方向，大小等信息。通過這樣的移動目標(biāo)軌跡數(shù)據(jù)，可以對該觀測區(qū)域的詳細(xì)交通特性進(jìn)行統(tǒng)計分析。比如，圖7給出了一個統(tǒng)計實例。將10分鐘的軌跡數(shù)據(jù)積累起來，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柵格圖像中，該刪格圖像的每個像素值記錄了通過該空間位置的移動目標(biāo)數(shù)目。在圖7中，像素點越亮表明該點的通行量越大。從圖7可以清晰的看到車輛的主要通行區(qū)域，及一天中隨著時間的變化，汽車通行量的變化。另外為了北京奧運會的順利進(jìn)行，于2008年7月20日-9

12、月20日期間，北京市實施單雙號限行政策。7月16日及22日分別為交通限行政策實施的前后，其交通特性的變化也被反映了出來。比如在每一時段，7月22日圖像的像素點普遍比7月16日的像素點暗，表明通行量的普遍下降。但是下降的量在一天中的不同時段有所不同。比如6：50-7：00時段的通行量有著明顯的下降，但8：20-30時段的數(shù)據(jù)非常接近。圖7 數(shù)據(jù)解析舉例：通行量對比評價3. 基于智能車平臺的詳細(xì)交通數(shù)據(jù)獲取技術(shù)的研發(fā)智能車及移動機器人平臺的研發(fā)不僅對以軍事為目的的無人自動駕駛，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，實時地認(rèn)知復(fù)雜的路

13、況，監(jiān)測周邊的行人及車輛，正確地判斷當(dāng)前及將來的狀態(tài)并作出相應(yīng)的決策，是輔助駕駛，自動駕駛的前提條件。智能車平臺作為信息采集工具，可以從接近用戶視點的焦點及位置，獲取道路周邊逼真詳細(xì)的圖像及三維數(shù)據(jù)信息，同時可以采集到人、車等移動目標(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)平臺及傳感器配置舉例圖8為本課題研發(fā)的智能車平臺。該課題的主要目標(biāo)是基于真實的實驗平臺，面對真實的交通場景，面向智能交通，智能測繪，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)的焦點在于通過多傳感器的融合，同時實現(xiàn)高精度的（1）定位定向，（2）地圖生成及（3）移動目標(biāo)的檢測跟蹤與分類。圖9研發(fā)成果舉例圖9通過實驗結(jié)果舉例說明本課題的研發(fā)目標(biāo)及成果。圖9（a）為實驗路線。智能車從北京大學(xué)英杰交流中心的廣場出發(fā)，沿紅色箭頭，橫貫北京大學(xué)校園，從西南門（機動車門）上公路，沿藍(lán)色箭頭，路過北京大學(xué)西門，圓明園南門，清華西門，從北大東北門（機動車門）進(jìn)校園，返回英杰交流中心前廣場。全程4.5公路。智能車由司機駕駛，跟隨正常車流，行駛時間約15分鐘。本次實驗的主要目的在于檢驗本課題研發(fā)算法，也就是同時定位定向，地圖生成及移動目標(biāo)的檢測跟蹤與分類。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，還包含動態(tài)環(huán)境的信息，如沿路觀測到的行人，自行車，汽車的分布，移動速度方向等等。這樣的數(shù)據(jù)對于智能測繪，對于智能交通均具有重要的應(yīng)用價值。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），對靜態(tài)環(huán)境的感知結(jié)果：地圖（白色），對動態(tài)環(huán)境的感知結(jié)果：移動目標(biāo)及其軌跡（橘黃）等等。通過這樣的在線處理