基于車輛傳感網的交通路網自動提取方法研究*

趙小超，鄭金兵，李科峰，鄭明才

（1.湖南第一師范學院 信息科學與工程學院，湖南 長沙 410205；2.中國電子科技集團第48研究所，湖南 長沙 410111）

0 引 言

隨著交通運輸系統[1]的不斷發展，路邊基礎設施和交通運輸車輛的覆蓋區域越來越寬廣，信息化服務功能越來越完善，不僅具有越來越強大的交通運輸能力，而且逐漸具有越來越豐富的泛在信息感知、處理、傳輸和應用能力[2]，促使泛在互聯車輛傳感器網絡（Vehicular Sensor Networks，VSN）[3]逐漸形成。基于泛在互聯車輛傳感器網絡平臺，智慧地球[4]、感知中國[5]、數字化城市[6]等信息化戰略逐步加速實現。依托泛在互聯車輛傳感器網絡的泛在信息感知和泛在信息傳送能力，可以極大地促進諸多領域的信息化服務水平[7]的提升，如智能交通系統（Intelligent Transport System，ITS）[8]等。本文基于泛在互聯車輛傳感器網絡獲取的交通狀況智能監測數據進行交通路網自動提取方法研究，為交通路網規劃、自動駕駛、交通導航等服務提供健壯的路網信息自動獲取途徑。

1 基于車輛傳感網的交通狀況監測

泛在互聯車輛傳感器網絡不僅具有豐富的泛在信息感知能力，還具有健壯的泛在信息傳送能力。以路邊基礎設施為主的路邊節點（Roadside node）和以交通運輸車輛為主的車輛節點（Vehicle node），不僅能通過專用短程無線通信（Dedicated Short Radio Communication，DSRC） 自 組 成 網，而且能通過路邊節點豐富的網絡接入能力接入Internet、移動通信、衛星通信等公用通信網絡實現泛在互聯。在自組網、泛在互聯以及運輸車輛自捎帶等傳送途徑的保障下，泛在互聯車輛傳感網絡具有極其健壯的泛在信息傳送能力，可為交通狀況智能監測數據的匯聚處理提供便利。泛在互聯車輛傳感器網絡組成如圖1所示。

交通狀況信息遍布于廣闊的物理空間和繁雜的信息空間，感知對象種類繁多，信息的表現形式多種多樣，信息質量及可信度參差不齊，且跨時空相互關聯和互為補充。因此，完備可信的交通狀況信息泛在感知必不可少。在基于泛在互聯車輛傳感器網絡的交通狀況智能監測信息中，常用的監測數據包含時間信息、位置信息、速度信息以及場景的視頻監控信息等，可用于交通阻塞、運輸安全、事故救援、出行效率、路網規劃等交通信息化服務應用中。此外，從交通狀況智能監測數據中可以提煉出大量極具價值的有用信息。

圖1 泛在互聯車輛傳感器網絡

2 基于監測數據的交通路網自動提取

交通狀況智能監測數據海量混雜、跨時空相互關聯，具體應用時需做相應處理。將交通狀況智能監測數據用于交通路網自動提取時，需經過監測數據篩選、監測數據增強、路網邊界節點標定和路網邊界確定等處理過程。

2.1 監測數據篩選

交通路網自動提取的主要任務是路網邊界的確定，可由車輛節點的實時位置感知數據獲取。因此，從海量繁雜的交通狀況智能監測數據中篩選出與時間關聯的車輛節點位置信息，是交通路網自動提取的首要任務。在這項任務中，需解決以下問題。

（1）運動車輛節點識別。用于交通路網自動提取的位置信息，只能是在路網中運動的車輛節點的位置信息。運動車輛節點的識別可根據車輛節點標識符和其運動速度聯合識別。

（2）與時間關聯的運動車輛節點位置信息抽取。為準確標記交通路網邊界，只選取運動中的車輛節點的實時位置感知信息作為交通路網自動提取的源數據。選取的數據中應包含運動車輛實時感知時的時間信息和坐標位置信息。

（3）與時間關聯的車輛節點分布場景形成。以時間為序，將相同時間、不同運動車輛的位置信息形成一幅幅運動車輛節點的實時分布場景。

2.2 監測數據增強

根據運動車輛位置信息進行交通路網自動提取時，需要路網中運動車輛的分布密度足夠大，才能保證路網邊界每個點域內都有運動車輛覆蓋。如果僅以某個時刻的運動車輛分布場景作為交通路網自動提取的源數據，顯然難以滿足準確提取的要求。為準確標識交通路網邊界，可將諸多不同時刻的運動車輛實時分布場景進行疊加，以形成分布密度足夠大的運動車輛增強分布場景。為保證在增強分布場景中的每個點域內均有運動車輛覆蓋，在選用用于疊加的運動車輛實時分布場景時，需考慮以下因素：

（1）場景中運動車輛數量較多。選用運動車輛多的實時分布場景用于疊加，場景增強效果明顯。

（2）場景中運動車輛分布較均勻。選用運動車輛分布較均勻的實時分布場景用于疊加，增強場景的運動車輛分布效果較好。

（3）相鄰時間場景的時間間隔適當。選用時間間隔適當的實時分布場景用于疊加，增強場景中的運動車輛分布的重疊率可以減少，有利于提高增強場景中運動車輛分布的均勻性。

2.3 路網邊界節點標定

路網邊界由位于路網邊界處的運動車輛節點決定。從增強分布場景中去掉非邊界車輛節點，保留邊界車輛節點，路網邊界即可被提取出來。路網邊界節點標定是交通路網自動提取的關鍵。在路網邊界節點標定過程中，先沿x方向搜尋邊界節點，再沿y方向搜尋邊界節點，最后根據x方向和y方向搜尋結果綜合標定路網邊界節點。

（1）沿x方向搜尋邊界節點。在某個y坐標的橫帶鄰域內，沿x方向搜尋左邊界節點和右邊界節點。

（2）沿y方向搜尋邊界節點。在某個x坐標的豎帶鄰域內，沿y方向搜尋上邊界節點和下邊界節點。

（3）邊界節點綜合標定。根據x方向搜尋結果和y方向搜尋結果綜合標定邊界節點。

2.4 路網邊界確定

根據路網邊界節點的位置，用適當的插值方法可以確定路網邊界。

（1）若路網邊界節點比較密集，則將相鄰邊界節點互聯，即可得到路網邊界。

（2）若路網邊界節點比較稀疏，則經過適當的插值方法插入邊界節點，然后將相鄰邊界節點互聯成路網邊界。

交通路網自動提取方法流程如下。

A.交通狀況智能監測數據采集

采集任務分發；

泛在互聯車輛傳感網邏輯拓撲結構生成；

采集數據匯聚。

B.智能監測數據篩選

車輛節點速度測定；

運動車輛節點辨識；

運動車輛節點時間關聯位置信息選取；

實時分布場景形成。

C.分布場景增強

大運動車輛數實時分布場景選取；

運動車輛分布均勻實時分布場景選取；

時間間隔適當實時分布場景選取；

選用實時分布場景疊加生成增強場景；

增強場景重疊節點去除。

D.交通路網邊界標識

邊界車輛節點搜尋步長確定；

沿x方向的左邊界節點搜尋；

沿x方向的右邊界節點搜尋；

沿y方向的上邊界節點搜尋；

沿y方向的下邊界節點搜尋；

邊界節點綜合標定。

E.交通路網邊界確定

邊界節點插補；

路網邊界標識。

3 實例分析

針對圖2的交通路網，“L1”和“L2”為路網邊界，分別由(Xmin,Ymin)與(XZ,Ymin)、(Xf,Ymax)與(Xmin,Ymax)限定，左上角(Xmin,Ymax)與右下角(Xmax,Ymin)標定的矩形區域為交通路網自動提取的區域。根據運動車輛實時位置感知信息進行交通路網自動提取，實例分析 中 取 Xmin=Ymin=-200 m，Xmax=Ymax=-200 m，Xf=-150 m，XZ=150 m，圖3～圖8為提取結果。

圖3為某個時刻運動車輛節點在交通路網中的實時分布場景圖。可見，運動車輛節點在路網中的分布密度不是足夠大，分布也不夠均勻，影響交通路網自動提取的精準性。

圖2 交通路網模型

圖3 運動車輛實時分布場景

圖4 為多個實時分布場景疊加后的運動車輛節點增強分布場景，交通路網中的運動車輛分布密度和分布均勻性均有較大程度改善，有利于提高交通路網自動提取的精準性。

圖4 運動車輛增強分布場景

圖5 為在增強分布場景中沿y方向搜尋得到的位于交通路網邊界處的運動車輛節點分布圖。可見，它與實際路網邊界基本一致，只是在區域部分邊界的非路網邊界處留有少量非邊界節點。

圖5 沿y方向搜尋的邊界節點分布

圖6 為在增強分布場景中沿x方向搜尋得到的位于交通路網邊界處的運動車輛節點分布圖，可見與實際路網邊界基本一致。

圖6 沿x方向搜尋的邊界節點分布

圖7 為根據沿x方向和沿y方向搜尋結果綜合標定出的邊界節點分布情況，排除了圖6中存在的非邊界節點和沿x方向和y方向搜尋結果中稍微有點偏離路網邊界的部分節點，使保留的節點更接近交通路網的實際邊界。

圖8為由綜合標定的邊界節點分布提取出的交通路網邊界，與實際交通路網邊界基本一致。

圖7 綜合標定的邊界節點分布

圖8 自動提取的交通路網邊界線

4 結 語

交通路網中密集分布的運動車輛的位置信息能準確反映交通路網的分布情況，從運動車輛密集分布場景中篩選出邊界節點，提取出交通路網的邊界線，提取出交通路網的分布情況，界定交通路網的邊界，有利于路網規劃、智能駕駛、交通導航等應用中路網邊界的自動獲取。為進一步提高路網邊界自動提取的精準性，在自動提取算法上還有待進一步深入研究。