[發明專利]基于深度學習的車載單元定位方法以及路側單元

有效

• 申請號: 202011065251.X
• 申請日: 2020-09-30
• 公開（公告）號: CN112288897B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 顏銀慧;周正錦;張成;沈樹鵬;艾燁霜
• 申請（專利權）人: 深圳市金溢科技股份有限公司
• 主分類號: G07B15/06
• 分類號: G07B15/06;G06N3/04;G06N3/08
• 代理公司: 深圳市瑞方達知識產權事務所(普通合伙) 44314
• 代理人: 張約宗

本發明涉及一種基于深度學習的車載單元定位方法，該方法應用于路側單元，該方法包括：接收車輛上的車載單元發送的微波信號，并基于微波信號得到數字信號數據；將數字信號數據輸入預先訓練完成的定位神經網絡模型，獲得車載單元的方位角；根據方位角，確定車載單元的定位信息。實施本發明實施例，路側單元基于神經網絡對車載單元進行定位，不易受信號噪聲干擾，其定位穩定性和精度更高，有效避免了跟車干擾和鄰道干擾的問題。

技術領域

本發明涉及智能交通(Intelligent Transportation System，ITS)領域，尤其涉及一種基于深度學習的車載單元定位方法以及路側單元。

背景技術

隨著居民生活水平的提高和出行需求的增加，我國的汽車保有量不斷攀升，截至2019年6月，全國汽車保有量超過2.5億輛。交通擁擠已成為城市管理中急需解決的難題。

ETC電子不停車收費除了應用在傳統的高速公路場景，基于ETC的支付逐漸在停車場和加油站等新興場景也逐漸推廣應用。但由于目前ETC路側單元的定位容易受噪聲干擾，且定位精度不夠高，在車輛比較密集的場景，如停車場、加油站、高速路多車道收費站等，可能會存在著旁道干擾和跟車干擾問題，直接影響用戶體驗和通行效率。

發明內容

本發明提供一種基于深度學習的車載單元定位方法以及路側單元，路側單元可以基于神經網絡對車載單元進行定位，該定位方式不易受信號噪聲干擾，穩定性和精度更高，能夠有效避免了跟車干擾和鄰道干擾的問題。

第一方面，提供一種基于深度學習的車載單元定位方法，應用于路側單元，包括：

接收車輛上的車載單元發送的微波信號，并基于所述微波信號得到數字信號數據；

將所述數字信號數據輸入預先訓練完成的定位神經網絡模型，獲得所述車載單元的方位角；

根據所述方位角，確定所述車載單元的定位信息。

可選的實施例中，所述方位角包括第一方位角和第二方位角；

相應的，根據所述方位角，確定所述車載單元的定位信息，包括：根據所述第一方位角和所述第二方位角，確定所述車載單元的橫向坐標和縱向坐標。

可選的實施例中，所述路側單元的通訊范圍預先劃分為M個預設區域，所述方法用于對N個車輛上的車載單元進行定位；所述N個車載單元分別位于所述M個預設區域中的N個預設區域；

相應的，接收車載單元發送的微波信號，并基于所述微波信號得到數字信號數據；將所述數字信號數據輸入預先訓練完成的定位神經網絡模型，獲得所述車載單元的方位角，包括：接收所述N個車載單元分別發送的N個微波信號，并基于所述N個微波信號分別得到N個數字信號數據；將所述N個數字信號數據輸入所述預先訓練完成的定位神經網絡模型，分別獲得對應所述N個車載單元的N組方位角。

可選的實施例中，所述定位神經網絡模型包括與所述M個預設區域一一對應的M個區域子網絡；

相應的，將所述N個數字信號數據輸入所述預先訓練完成的定位神經網絡模型，分別獲得對應所述N個車載單元的N組方位角，包括：對于所述N個數字信號數據中的每一數字信號數據：分別輸入到所述M個區域子網絡中，獲得{(方位角1，P₁)，(方位角2，P₂)，…，(方位角M，P_M)}，其中所述P₁、P₂、…P_M表示方位角為正確的概率；將其中所述概率最大的方位角作為該數字信號數據對應車載單元的方位角。

可選的實施例中，所述M個區域子網絡中的每一區域子網絡包括第一定位子網絡和第二定位子網絡；