基于多传感器感知道路交通数据融合模型的研究

发布时间：2020-01-19 14:32

【摘要】：交通信息融合是智能交通的基础核心问题，通过路网中的传感器获取实时的交通车速、流量等信息并加以融合来实施有效的道路诱导、交通控制是智能交通管理的核心。越来越多的公司和组织开始在智能交通领域提出各自的解决方案。传统的信息获取方式一般都采用单一类型传感器，但由于受到自身制约，单一传感器无法获取到足够全面的信息，且融合模型较为简单，大多提取原始信息并和历史数据进行对比给出预测结果。虽然这些技术都已经在不同的交通应用场景中得到使用，但依然存在很多问题。通过多传感器感知道路交通可以获取包括车速、车流量、环境、路面等更加系统准确的信息，是当前信息融合的首选。 (1)本文对现有的多传感器信息融合算法和模型进行了深入的研究和对比，分别分析了现有的技术方案的使用场景和不足。并在此基础上，着重对卡尔曼滤波原理进行深入学习并分析交通流信息的各个参数及相互关系。提出了改进算法并通过仿真实验进行验证。 (2)通过分析融合估计系统结构特点和信息融合最优准则并结合本研究的实际情况，提出采用分组式二次联合卡尔曼滤波算法(Separated TwiceFederal-Kalman filtering)，，希望能在一定程度上对现有方案进行改进，使之在精度和性能之间得到平衡。设计了改进算法完整的各个工作单元的误差模型和最后的融合模型，从理论上分析了可行性。针对改进算法。设计并实现了依赖OpenCV使用C++开发的仿真系统。 (3)为了评估新融合模型的表现，在本课题的研究工作中，分别开发了应用改进算法和原始算法的融合模型案例。针对相同时间采集的的交通数据信息，分别使用两个案例进行处理，比较两个案例的融合结果的精度和性能。通过执行实验和对结果进行分析比较，应用改进算法的方案无论精度和性能表现都优于原始算法的方案。从而论证了新方案的可行性和合理性。本研究获得了湖北自然科学基金：基于无线传感器网络的出行者最优路径选择算法的研究(编号为：2012FFB05006)的支持。
【图文】：

关系图,交通流,交通流量,关系图

4 交通流参数评估模型文介绍了交通流参数的定义以及他们之间的联系。本章将分析适用于的参数评估模型。于影响交通的因素除了上文介绍的流速、速度、流量这些刻画交通畅方面外，还包括很多其它因素。比如环境对道路交通的影响，路面状况通运行质量的影响等。这些都一起决定了道路交通的畅通等级。针对于，主要包括温度、风力、能见度、道路所处的极端环境状况等；针对于，主要包括路面状况，如路面人流量、路面平整度、路面湿滑度等。这能对最终的评估结果产生的影响很小，但是如果某一因素达到极端值，致道路已经不适合通行，所以在交通流参数评估模型中必须要预先处理的影响因子，若某一因子已经达到极端情况，则接下来的评估将毫无意可以判定道路无法通行。里可以选取部分的环境因子和路面因子，因为对于不同的道路，这些不一样。导致无法选取所有的因子进行预判断，可以重点选择如温度、

集中式结构,融合结构

估计系统结构传感器进行观测融合估计处理，有多种实现途径，按照融集中式融合(Centralized Fusion)、分布式(Distributed Fusiid Fusion)融合结构。下文将分别进行详述。式结构式融合结构中(如图 4-1 所示)，处理中心可以使用所有的没有数据丢失，所以理论上融合的结果是最优的。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U495

【参考文献】