CN110855507B - 一种基于软件定义的无人驾驶数据网络交互方法 - Google Patents

Abstract

本发明公开了一种基于软件定义的无人驾驶汽车数据网络交互方法，主要针对无人驾驶汽车数据的传输网络进行升级，构建数据交互模型。相比较于目前的固有网络，基于软件定义网络的网络架构更能结合实际传输情况，提高控制效率，不仅提升了数据的传输效率，而且解决了由于现代智能运输系统升级面临的一系列问题；该方法将提高无人驾驶信息网络业务调度的灵活性，提高定制化的服务质量，最终提升整个无人驾驶汽车数据的交互效率。

Description

一种基于软件定义的无人驾驶数据网络交互方法

技术领域

本发明涉及无人驾驶技术领域，具体涉及一种基于软件定义的无人驾驶数据网络交互方法。

背景技术

随着无人驾驶汽车产业的迅速发展，其目前现有的固定的数据交互网络越来越难以提供高清图像等大数据的传输与运算服务，常常在数据传输处理速度有限，网络安全存在威胁等问题前束手无策。因此，迫切需要一种新型的能够自动调配数据传输通道的交互网络来承担在无人驾驶技术中日益增加的高数据量和高计算量的责任。

目前，主要由ROS节点通信、以太网通信、串口通信及CAN总线通信构成的无人驾驶汽车传统数据传输网络暴露出许多缺点，如以TCP/IP协议体系架构为基础的信息网络在面对不断增加的复杂性、动态性和数据容量时还是变得越来越不适用，以串口，CAN总线基础的连通网络结构固定、传输容量有限、智能程度不够等。对于高速行驶的汽车来说，数据的传输处理效率不高，这将意味着乘客的生命财产安全正面临着威胁。

因此，如何提高数据传输处理效率，是目前亟待解决的问题。

发明内容

针对目前无人驾驶汽车传统的以TCP/IP协议体系架构为基础的信息网络存在的问题，本发明提供了一种基于软件定义的无人驾驶数据网络交互方法，可提升无人驾驶汽车数据传输处理效率。

本发明实施例提供一种基于软件定义的无人驾驶汽车数据网络交互方法，其特征在于，包括以下步骤：

S1、根据无人驾驶汽车的系统结构，将数据平面与控制平面相互分离，构建基于SDN架构的数据交互模型；所述SDN架构的数据交互模型包括：信息网络拓扑分析和信息网络数据流量分析；

S2、将所述数据交互模型应用于无人驾驶汽车各层之间的传输控制中，实现无人驾驶汽车数据网络交互；所述无人驾驶汽车各层包括：感知层、规划层、决策层、控制层与执行层。

在一个实施例中，所述信息网络拓扑分析，包括：

对网络所有节点进行标记，通过拓扑矩阵中的数值表示整个网络的连接状态；

对网络各节点所处的位置、节点移动的速率以及握手成功的概率参数进行分析；

确定信息网络中任意一个节点的拓扑状态，并根据所述拓扑矩阵确定整个网络的拓扑状态转移矩阵。

在一个实施例中，所述拓扑矩阵，采用公式(1)进行描述：

式中m表示网络中的节点个数，S_ij取值为0或1，为0时表示节点i和节点j之间不存在链路，为1时表示节点i和j之间存在链路，另外S_ii恒为1，表示节点i自身。

在一个实施例中，确定信息网络中任意一个节点的拓扑状态，并根据所述拓扑矩阵确定整个网络的拓扑状态转移矩阵，包括：

对于网络中的某个节点，其连接的其他节点的数量与状态满足马尔科夫链模型；

所述某个节点允许连接的最大节点数目为N；设所述某个节点与其他节点连接成功的概率为λ，与其他节点连接失败的概率为μ；

令

则0到N个状态的概率分布满足：

通过分析λ和μ的值，结合所述拓扑矩阵，确定整个网络的拓扑状态转移矩阵，如下所示：

在一个实施例中，所述信息网络数据流量分析，包括：

通过网络流量模型(4)对网络中数据流的输入输出状态进行分析；

其中，(4)的第一个公式表示网络中队列的数据堆积模型，Q表示队列缓存中堆积的数据量，X[s,t]表示到达队列的数据包大小，C表示队列接收服务的速率；第二个公式表示网络流量的控制模型，表示网络实时的数据流量，k_r表示相关系数，w_r和μ_i分别表示目标调整系数和比例调整系数，为控制器进行流量速率控制的参数；

在数据交互网络中，根据数据来源与处理需求的差异，不同数据流量的生成速率、数据大小与传输方式的差异；公式(4)中第二个公式转换为：

(5)式中a表示数据包大小的变化率，b表示在时间[s,t]内数据生成速率的变化率，c表示数据并行传输的通道数；

结合SDN架构OpenFlow协议中关于流量控制的相关参数，分析网络数据流量的输入输出与负载情况，确定公式(4)与(5)中的参数，构建交互网络的数据流量模型，实现信息网络数据流量分析。

在一个实施例中，所述步骤S2包括：

将无人驾驶汽车各层系统传感器采集的数据经感知融合计算后，将结果传输至所述数据交互模型的数据平面；

结合无人驾驶汽车当前的状态统一进行解算，并对解算结果进行系统的规划与决策；

SDN架构将所述数据平面的运算结果按照openflow协议进行封装，并发送至所述数据交互模型的控制平面；

所述控制平面将根据要求对无人驾驶汽车发出控制指令或状态转发，实习无人驾驶汽车数据网络的交互。

本发明实施例提供的一种基于软件定义的无人驾驶汽车数据网络交互方法，主要针对无人驾驶汽车数据的传输网络进行升级，构建数据交互模型。相比较于目前的固有网络，基于软件定义网络(Software Defined Network，SDN)的网络架构更能结合实际传输情况，提高控制效率，不仅提升了数据的传输效率，而且解决了由于现代智能运输系统(Intelligent Transportation System，ITS)升级面临的一系列问题；该方法将提高无人驾驶信息网络业务调度的灵活性，提高定制化的服务质量，最终提升整个无人驾驶汽车数据的交互效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于软件定义的无人驾驶汽车数据网络交互方法流程图。

图2为本发明实施例提供的交互方法又一流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明涉及软件定义网络(SDN)，SDN可以为现代智能运输系统(IntelligentTransportation System，ITS)提供一个较好的解决方案。SDN作为一种新型网络架构，利用其数据平面与控制平面分离的特点，可以实现可编程化控制底层硬件与对网络资源灵活的按需调配，即通过解耦数据和控制平面对数据网络提供更高效的管理。

参照图1所示，为本发明实施例提供的基于软件定义的无人驾驶汽车数据网络交互方法，包括：

S1、根据无人驾驶汽车的系统结构，将数据平面与控制平面相互分离，构建基于SDN架构的数据交互模型；所述SDN架构的数据交互模型包括：信息网络拓扑分析和信息网络数据流量分析；

S2、将所述数据交互模型应用于无人驾驶汽车各层之间的传输控制中，实现无人驾驶汽车数据网络交互；所述无人驾驶汽车各层包括：感知层、规划层、决策层、控制层与执行层。

其中，步骤S1中，软件定义网络(SDN)的核心思想是将传统信息网络的控制平面与数据平面解耦合，将控制功能从网络硬件中分离，形成专门的控制器，通过OpenFlow之类的南向接口协议控制交换机，以提供灵活的数据转发机制。控制器之上部署第三方应用服务器，通过北向接口配置更灵活的管理策略。

基于SDN可编程技术的核心思想，本发明在网络节点中提供标准的网络应用编程接口，实时编排网络资源为用户提供更大的灵活性和扩展性。SDN的数据平面也称为基础设施层，根据控制器提供的决策来执行数据传输和数据执行。根据无人驾驶汽车信息传输网络对数据传输高可靠性、高效率的要求，对无人驾驶汽车整体信息网络传输系统进行分析并建立相应的数学模型，为数据资源的优化调度、功能执行提供理论指导。

在无人驾驶汽车总体信息传输网络带宽资源有限、拓扑结构时刻动态变化的工作环境下，本发明实施例中提供的基于软件定义的无人驾驶汽车数据网络交互方法，解决了现代ITS传统方案传输效率低、智能程度不够等问题，实现了无人驾驶汽车整个信息传输网络的实时监测与网络资源动态调控的功能。本发明将SDN传输架构应用于无人驾驶技术领域，利用SDN架构数据平面与控制平面分离的特性，采用基于数据平面可编程技术功能的数据交互模型提供灵活的控制机制，从而提升无人驾驶汽车数据交互网络的传输效率。

下面详细说明下以上步骤的技术方案：

本发明构建基于SDN架构的交互网络模型，用于对无人驾驶汽车信息传输网络的改进。如图2所示，首先结合无人驾驶汽车的系统结构，采用数据平面与控制平面相互分离的思想，构建一种新的数据交互模型，使整个无人驾驶汽车的信息传输网络的控制功能从网络硬件中分离，提高系统的执行能力及控制效率。

下面对本发明实现基于SDN网络架构的无人驾驶数据交互方法的实现步骤进行详细说明。

步骤一：构建基于SDN架构的数据交互模型。

数据平面将接受SDN控制器的控制，完成数据的分组转发任务。为了实现信息网络能够根据自身当前情况采用编程的方法对控制平面进行智能的编排功能，则需对信息网络拓扑结构实时监测，对信息网络数据流量分析。

1、信息网络拓扑分析

为了便于网络管理器能够快速获取信息网络的状态信息，合理编排资源以减小网络资源的浪费，则需建立信息网络的拓扑模型。为了对网络拓扑进行分析，可以采用下面公式(1)对网络拓扑进行描述：

式中m表示网络中的节点个数，S_ij取值为0或1，为0时表示节点i和节点j之间不存在链路，为1时表示节点i和j之间存在链路，另外S_ii恒为1，表示节点i自身。因此，通过对网络所有节点进行标记，通过拓扑矩阵中的数值就可以表示整个网络的连接状态。

由于无人驾驶汽车上的传感器一直处于高速运动并交替工作的状态，所以网络拓扑矩阵会一直处于动态的变化之中。令Δ＝sup{t＝t₂-t₁|S(t₂)＝S(t₁),t₂＞t₁}表示网络拓扑矩阵保持不变的时间，△的确定有利于网络管理器定期更新网络拓扑状态，为了确定该值，需要对网络各节点所处的位置、节点移动的速率以及握手成功的概率等参数进行分析。

另外为了获取整个网络的拓扑矩阵的状态变化情况，需要对信息网络中任意一个节点的拓扑状态进行确定。对于网络中的某个节点，其连接的其他节点的数量与状态满足马尔科夫链模型，该节点允许连接的最大节点数目为N，该节点与其他节点连接成功的概率为λ，该节点与其他节点连接失败的概率为μ。由于该系统所有状态互通，且状态有限(共N+1个)，故该系统必定存在平稳分布。令

则0到N个状态的概率分布满足：

因此，在网络相对稳定的情况下，通过分析λ和μ的值，并结合(1)的拓扑矩阵，可以确定整个网络的拓扑状态转移矩阵，如下所示：

2、信息网络数据流量分析

由于无人驾驶汽车上的各个传感器所采集的数据大小不同，需要对其进行的运算也不尽相同，网络控制器会对数据包会进行不同的调度与管理。因此，通过对网络中数据流的输入输出状态进行分析，不仅会反映网络的负载和网络业务的需求情况，还会体现网络控制器对网络流量的调度情况。

通过网络流量模型(4)对网络中数据流的输入输出状态进行分析；

其中，(4)的第一个公式表示网络中队列的数据堆积模型，Q表示队列缓存中堆积的数据量，X[s,t]表示到达队列的数据包大小，C表示队列接收服务的速率；第二个公式表示网络流量的控制模型，表示网络实时的数据流量，k_r表示相关系数，w_r和μ_i分别表示目标调整系数和比例调整系数，为控制器进行流量速率控制的参数；在基于SDN架构的数据交互网络中，网络流量控制模型中的参数便由SDN控制器决定。

在数据交互网络中，由于数据来源与处理需求的差异，不同数据流量的生成速率、数据大小与传输方式都会不一致，不同数据源生成的数据包会按照不同的大小和速率通过串行或并行的方式进入缓存，并在介质访问控制器的调度下排队输出。为了能够反映网络流量的这些差异，公式(4)中数据流量的生成模型可以转换成：

其中，(5)式中a表示数据包大小的变化率，b表示在时间[s,t]内数据生成速率的变化率，c表示数据并行传输的通道数，在空间信息网络中，只要确定了数据流量的特征，就能够确定a、b、c的值。

因此，结合SDN架构OpenFlow协议中关于流量控制的相关参数，分析网络数据流量的输入输出与负载情况，确定公式(4)与(5)中的参数，从而可以构建交互网络的数据流量模型。

步骤二：将数据交互模型应用于无人驾驶汽车各层之间的传输控制中。

一般情况下，无人驾驶车辆包括感知层、规划层、决策层、控制层与执行层以及各层之间的信息传输与交互，车辆的系统架构是整车的功能实规的前提，各层之间有效的信息交互是功能实现的重要条件。为达到上述目的，首先需要对无人驾驶汽车各层系统的控制需求进行分析，再将分析结果转发至控制平面进行执行。

如图2所示，无人驾驶车辆的感知层包括GPS惯导定位系统，高清摄像头监测装置，长、中距离雷达检测装置等多个传感器和地图数据构成。这些传感器的数据经过固有的感知融合算法的计算后，将分析结果一起传输至交互模型的数据平面，结合车体当前的状态统一进行解算，并对结算结果进行系统的规划与决策。SDN架构再将数据平面的运算结果按照openflow协议进行封装，并发送至模型控制平面，控制平面将根据要求对车体资源发出控制指令或者状态转发，具体表现有纵向速度控制与横向转角控制等。最后，这些控制命令到达车体执行网络后，车体根据命令履行职责。这便完成了在SDN网络中的一次数据传输过程。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于软件定义的无人驾驶汽车数据网络交互方法，其特征在于，包括以下步骤：

S1、根据无人驾驶汽车的系统结构，将数据平面与控制平面相互分离，构建基于SDN架构的数据交互模型；所述SDN架构的数据交互模型包括：信息网络拓扑分析和信息网络数据流量分析；

S2、将所述数据交互模型应用于无人驾驶汽车各层之间的传输控制中，实现无人驾驶汽车数据网络交互；所述无人驾驶汽车各层包括：感知层、规划层、决策层、控制层与执行层；

所述信息网络拓扑分析，包括：

对网络所有节点进行标记，通过拓扑矩阵中的数值表示整个网络的连接状态；

对网络各节点所处的位置、节点移动的速率以及握手成功的概率参数进行分析；

确定信息网络中任意一个节点的拓扑状态，并根据所述拓扑矩阵确定整个网络的拓扑状态转移矩阵。

2.如权利要求1所述的一种基于软件定义的无人驾驶汽车数据网络交互方法，其特征在于，所述拓扑矩阵，采用公式(1)进行描述：

式中m表示网络中的节点个数，S_ij取值为0或1，为0时表示节点i和节点j之间不存在链路，为1时表示节点i和j之间存在链路，另外S_ii恒为1，表示节点i自身。

3.如权利要求2所述的一种基于软件定义的无人驾驶汽车数据网络交互方法，其特征在于，确定信息网络中任意一个节点的拓扑状态，并根据所述拓扑矩阵确定整个网络的拓扑状态转移矩阵，包括：

对于网络中的某个节点，其连接的其他节点的数量与状态满足马尔科夫链模型；

所述某个节点允许连接的最大节点数目为N；设所述某个节点与其他节点连接成功的概率为λ，与其他节点连接失败的概率为μ；

令

则0到N个状态的概率分布满足：

通过分析λ和μ的值，结合所述拓扑矩阵，确定整个网络的拓扑状态转移矩阵，如下所示：

4.如权利要求3所述的一种基于软件定义的无人驾驶汽车数据网络交互方法，其特征在于，所述信息网络数据流量分析，包括：

通过网络流量模型(4)对网络中数据流的输入输出状态进行分析；

其中，(4)的第一个公式表示网络中队列的数据堆积模型，Q表示队列缓存中堆积的数据量，X[s,t]表示到达队列的数据包大小，C表示队列接收服务的速率；第二个公式表示网络流量的控制模型，表示网络实时的数据流量，k_r表示相关系数，w_r和μ_j分别表示目标调整系数和比例调整系数，为控制器进行流量速率控制的参数；

在数据交互网络中，根据数据来源与处理需求的差异，不同数据流量的生成速率、数据大小与传输方式的差异；公式(4)中第二个公式转换为：

(5)式中a表示数据包大小的变化率，b表示在时间[s,t]内数据生成速率的变化率，c表示数据并行传输的通道数；

结合SDN架构OpenFlow协议中关于流量控制的相关参数，分析网络数据流量的输入输出与负载情况，确定公式(4)与(5)中的参数，构建交互网络的数据流量模型，实现信息网络数据流量分析。

5.如权利要求1所述的一种基于软件定义的无人驾驶汽车数据网络交互方法，其特征在于，所述步骤S2包括：

将无人驾驶汽车各层系统传感器采集的数据经感知融合计算后，将结果传输至所述数据交互模型的数据平面；

结合无人驾驶汽车当前的状态统一进行解算，并对解算结果进行系统的规划与决策；

SDN架构将所述数据平面的运算结果按照openflow协议进行封装，并发送至所述数据交互模型的控制平面；

所述控制平面将根据要求对无人驾驶汽车发出控制指令或状态转发，实习无人驾驶汽车数据网络的交互。

Images