CN111464973B - 一种确定车辆驾驶模式和驾驶路线的方法 - Google Patents
一种确定车辆驾驶模式和驾驶路线的方法 Download PDFInfo
- Publication number
- CN111464973B CN111464973B CN202010106454.2A CN202010106454A CN111464973B CN 111464973 B CN111464973 B CN 111464973B CN 202010106454 A CN202010106454 A CN 202010106454A CN 111464973 B CN111464973 B CN 111464973B
- Authority
- CN
- China
- Prior art keywords
- driving
- driving mode
- driving route
- mode
- route
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004891 communication Methods 0.000 claims description 52
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种用于确定车辆驾驶模式和驾驶路线的方法,所述方法包括第一V2X设备发送的导航请求给服务器;服务器计算从出发地到目的地的多条路线,并接收在所述多条路线上不同区间由其他V2X设备发送的网络状态信息;所述服务器根据所述网络状态信息分析所述多条路线上不同区间的网络环境和对应的驾驶模式;如果所述网络环境大于预设阈值,则生成至少一条驾驶路线推荐信息给第一V2X设备;基于用户的选择,第一V2X设备将所选的驾驶路线发送给服务器;服务器根据所选的驾驶路线为用户导航。通过车辆驾驶模式根据网络环境的灵活切换和驾驶路线相应进行灵活改变,可以使用户体会到更多的便利。
Description
技术领域
本发明属无人驾驶技术领域,具体涉及一种确定车辆驾驶模式和驾驶路线的方法。
背景技术
全球每年发生大量的交通事故,造成大量的人员伤亡和财产损失。其中,发生交通事故的主要原因在于车辆之间缺乏可靠的信息交互机制。车联网系统旨在通过车辆与X(Vehicle-to-X,V2X)之间的通信来达到提高道路安全,提高交通效率和为用户提供丰富的流媒体服务的目的。具体的,V2X包括V2V(Vehicle to Vehicle,车辆与车辆)、V2I之间(Vehicle-to-Infrastructure,车辆与基础设施)以及V2P(Vehicle-to-Pedestrian,车辆与行人手持终端)。
在传统的自动驾驶系统中,当用户输入目的地并选择到目的地的路线时,仅在通向目的地的路线上分析交通,并且基于交通较少的道路的优先级来确定路线。
近年来,作为车辆通向一切(V2X)通信和设备已被集成到自动驾驶系统中,自动驾驶系统不仅能够收集和处理来自车辆到车辆(V2V)通信的信息,还能够收集和处理车辆的信息。通过车辆间的所有数据通信来积极地理解自动驾驶环境,并且正在研究使车辆更安全地自动驾驶的系统。
在诸如28GHz或60GHz的高频带通信的情况下,必须使用LTE或5G通信标准服务执行数据通信,并且LTE或5G通信环境在每个区域都不统一。存在车辆不能促进数据通信的问题。
LTE或5G通信环境不统一的原因是线路拥塞增加或减少取决于使用5G无线通信网络的用户数量或与为提供5G无线通信而安装的基站(BS)的距离等因素。
同时,越来越多的车载服务通过与外部服务器或外部云的通信来运行。因此,在车辆行驶时,车辆的通信状态可能不时改变,并且需要更有效地将网络资源分配给不同业务,以便通过其能够更平滑地提供服务。
另外,自动驾驶车辆是指配备有自动驾驶车辆的车辆,该自动驾驶车辆能够识别车辆周围的环境和车辆状态并控制车辆的行驶。随着对自动驾驶车辆的研究的进展,也正在研究可以增加使用自动驾驶车辆的用户便利性的各种服务。
发明内容
为解决上述技术问题,本发明提出了一种用于确定车辆驾驶模式和驾驶路线的方法,包括如下步骤:第一V2X设备发送的导航请求给服务器,该导航请求中包括该第一V2X设备支持的网络通信模式,驾驶模式,出发地,目的地;服务器计算从出发地到目的地的多条路线,并接收在所述多条路线上不同区间由其他V2X设备发送的网络状态信息;所述服务器根据所述网络状态信息分析所述多条路线上不同区间的网络环境和对应的驾驶模式;如果所述网络环境大于预设阈值,则生成至少一条驾驶路线推荐信息给第一V2X设备,所述至少一条驾驶路线推荐信息中包括驾驶路线上的网络通信模式,驾驶模式,行车时间;基于用户的选择,第一V2X设备将所选的驾驶路线发送给服务器;服务器根据所选的驾驶路线为用户导航;所述方法还包括:在导航过程中,获取第一V2X设备正在运行的多个服务和该服务的运行状态信息;将所述多个正在运行的服务中的至少一个服务的运行状态信息与所述第一V2X设备运行当前服务所需的服务质量参考信息进行比较,确定需要为当前服务分配的资源。
特别地,所述驾驶模式至少包括手动驾驶模式和自动驾驶模式,组队驾驶模式。
特别地,所述驾驶路线推荐信息包括:基于当前网络通信模式的支持自动驾驶模式的路线和/或手动驾驶路线和/或自动驾驶与手动驾驶相结合的路线。
特别地,将所述正在运行的服务中的至少一个服务的运行状态信息与所述第一V2X设备运行当前服务所需的服务质量参考信息进行比较,确定需要为当前服务分配的资源包括:如果当前服务所需带宽大于可分配的总带宽,则动态调整当前服务所需的带宽;或者如果确定当前服务的等待时间大于所需的等待时间时,则动态调整链路缓冲器的大小;或者当前服务所需内存空间大于当前剩余的内存空间,则动态调整当前的内存分配。
特别地,所述第一V2X设备运行的多种服务之间存在不同的优先级,且所述第一V2X设备运行的多种服务中的至少一种服务具有不同的服务质量等级,可根据不同服务的优先级实时调整其服务质量等级。
特别地,所述网络状态信息包括:发送/接收信号强度的数据,发送/接收延迟时间,数据包接收速率,设备到设备和设备到网络的通信距离,通信线路用户数以及通信线路拥塞。
特别地,所述网络通信模式至少包括3G,LTE或5G通信模式。
特别地,当所述驾驶模式为组队驾驶模式时,当所述第一V2X设备接收到其他车辆发送的V2V消息,该V2V消息中包括传感器的感测数据,其可向与其在同一组队中的车辆发送验证请求,接收同一组队中的车辆反馈的V2V消息中的传感器感测数据,验证其他车辆发送的V2V消息是否为可信的消息。
特别地,所述验证其他车辆发送的V2V消息是否为可信的消息包括:如果同一组队中的车辆反馈的V2V消息中的传感器感测数据与其他车辆发送的V2V消息中的传感器感测数据之间的差异大于阈值,则确定其他车辆发送的V2V消息为不可信消息。
特别地,当验证结果表明其他车辆发送的V2V消息为不可信消息时,将其他车辆加入黑名单。
采用本发明的方法,通过车辆驾驶模式根据网络环境的灵活切换和驾驶路线相应进行灵活改变,可以使用户体会到更多的便利;同时动态调整V2X设备中运行服务的资源分配,保证其服务质量。
附图说明
图1为本发明提出的V2X设备的组成框图;
图2为本发明提出的确定车辆驾驶模式和驾驶路线的步骤图;
图3为本发明提出的组队驾驶模式时对其他车辆消息进行验证的步骤图。
具体实施方式
以下结合附图对本发明的具体实施方式作出详细说明。
根据本公开的实施例,提出了一种V2X设备100,如图1所示;在本发明中第一V2X设备可以是车载终端或用户设备(UE),如移动电话,智能电话,膝上型计算机,数字广播终端,个人数字助理,便携式多媒体播放器(PMP),平板电脑,平板电脑,超级本,可穿戴设备(例如,智能手表,智能眼镜,HMD(头戴式显示器)等。
该V2X设备100包括通信单元110,输入单元120,感测单元140,输出单元150,存储器170,处理器180等。然而,并非图1中所示的所有部件都包括在内。图1中的示例是V2X设备100的必要组件。可以由比图1中示出的组件更多的组件来实现V2X设备。可以使用与图1所示的组件相比更少的组件来实现V2X设备。其中处理器可以是AI处理器。
通信单元110可以使用有线或无线通信技术向诸如其他AI设备至AI服务器200之类的外部设备发送数据/从其接收数据。例如,通信单元110可以与外部设备一起发送/接收传感器信息,用户输入,学习模型,控制信号等。
另外,在本发明说明书中,人工智能(AI)是指研究人工智能或能够创建人工智能的方法的领域,并且机器学习(机器学习)定义了在人工智能领域中要处理的各种问题,并研究解决问题的方法。机器学习被定义为一种通过对任务的一致体验来提高任务性能的算法。
人工神经网络(ANN)是机器学习中使用的模型,可以指由突触组合形成的人工神经元(节点)组成的整体问题解决模型。人工神经网络可以由不同层的神经元之间的连接模式,更新模型参数的学习过程以及生成输出值的激活函数来定义。
人工神经网络可以包括输入层,输出层以及可选的一个或多个隐藏层。每一层包括一个或多个神经元,并且人工神经网络可以包括将神经元连接到神经元的突触。在人工神经网络中,每个神经元可以输出针对通过突触输入的输入信号,权重和偏转的活动函数的函数值。
模型参数是指通过学习确定的参数,包括突触连接的权重和神经元的偏斜。另外,超参数是指要在机器学习算法中学习之前设置的参数,并且包括学习速率,迭代次数,最小批处理大小和初始化函数。
学习人工神经网络的目的可以看作是确定使损失函数最小化的模型参数。损失函数可以用作在人工神经网络的学习过程中确定最佳模型参数的指标。
机器学习可以分为监督学习,无监督学习和强化学习。
监督学习是一种学习具有给定标签的训练数据的人工神经网络的方法,当训练数据输入到人工神经网络时,标签会指示人工神经网络应推断出的正确答案(或结果值)。可以表示。无监督学习可以指在没有给出用于训练数据的标签的状态下训练人工神经网络的方法。强化学习可以表示一种学习方法,该方法允许在环境中定义的代理学习选择一个动作或一系列动作,以最大化每个状态下的累积奖励。
机器学习被实现为深度神经网络(DNN),其中包括人工神经网络中的多个隐藏层,它被称为深度学习(Deep Learning),它是机器学习的一部分。在下文中,机器学习用于表示深度学习。
另外,在本说明书中,车辆可以是自动驾驶车辆。自动驾驶是指自行驾驶的技术,而自主车辆是指无需用户操纵或对用户进行最少操纵即可行驶的车辆。另外,自动驾驶车辆可以指配备有自动驾驶车辆的车辆,该自动驾驶车辆能够识别车辆周围的环境和车辆状态并控制车辆的行驶。可以看作是具有自动驾驶功能的机器人。
在这种情况下,通信单元110使用的通信技术可以包括全球移动通信系统(GSM),码分多址(CDMA),长期演进(LTE),5G,无线LAN(WLAN)和无线-保真度(Wi-Fi),蓝牙,射频识别(RFID),红外数据协会(IrDA),ZigBee和近场通信(NFC)。
输入单元120可以获取各种类型的数据。
在这种情况下,输入单元120可以包括用于输入图像信号的照相机,用于接收音频信号的麦克风,用于从用户接收信息的用户输入单元等。在此,通过将照相机或麦克风视为传感器,将从照相机或麦克风获得的信号称为感测数据或传感器信息。
输入单元120可以获取使用训练数据和用于模型训练的训练模型来获取输出时要使用的输入数据。输入单元120可以获得原始输入数据,并且在这种情况下,处理器180可以提取输入特征点作为对输入数据的预处理。
处理器180可以使用训练数据来训练由人工神经网络组成的模型。在此,所学习的人工神经网络可以被称为学习模型。学习模型可以用于推断除训练数据之外的新输入数据的结果值,并且推断出的值可以用作判断执行操作的基础。
在这种情况下,处理器180可以与服务器200中正在运行的处理器一起执行AI处理。
感测单元140可以使用各种传感器来获取第一V2X设备100的内部信息,第一V2X设备100的周围环境信息以及用户信息中的至少之一。
在这种情况下,感测单元140中包括的传感器包括接近传感器,照度传感器,加速度传感器,磁传感器,陀螺仪传感器,惯性传感器,RGB传感器,IR传感器,指纹传感器,超声波传感器,光学传感器,麦克风和雷达等。
输出单元150可以生成与视觉,听觉或触摸有关的输出。
在这种情况下,输出单元150可以包括用于输出视觉信息的显示单元,用于输出听觉信息的扬声器以及用于输出触觉信息的触觉模块。
存储器170可以存储支持第一V2X设备100的各种功能的数据。例如,存储器170可以存储由输入单元120获取的输入数据,训练数据,训练模型,训练历史等。存储器170可以包括:闪存类型,硬盘类型,多媒体卡微型类型,卡类型内存(例如SD或XD内存),RAM随机存取存储器(RAM)静态随机存取存储器(SRAM),只读存储器(ROM),电可擦可编程只读存储器(EEPROM),可编程只读存储器(PROM),磁存储器,磁盘它可以包括光盘的至少一种类型的存储介质。
处理器180可以基于使用数据分析算法或机器学习算法确定或生成的信息来确定第一V2X设备100的至少一种可执行操作。另外,处理器180可以控制第一V2X设备100的组件以执行所确定的操作。
为此,处理器180可以请求,搜索,接收或利用存储器170的数据,并且可以执行在至少一个可执行操作中被预测或确定为优选的操作。第一V2X设备100的组件可以被控制为执行。
在这种情况下,当需要链接外部设备以执行所确定的操作时,处理器180可以生成用于控制相应的外部设备的控制信号,并且将所生成的控制信号发送到相应的外部设备。
处理器180可以获取关于用户输入的意图信息,并且基于所获取的意图信息来确定用户的需求。
本发明中提出的确定车辆驾驶模式和驾驶路线的方法,包括多个V2X设备,具体步骤如图2所示。
S201:多个V2X设备中的第一V2X设备100发送导航请求给服务器200;该导航请求中包括该第一V2X设备100支持的网络通信模式,驾驶模式,出发地,目的地;S202:服务器200接收导航请求,首先根据出发地和目的地生成多条路线;S203:然后服务器接收在多条路线上每个区间的不同V2X设备300发送的网络状态信息;其中可以将某一种网络通信模式在所在路线上的覆盖范围定义为一个区间;网络通信模式通常包括如3G,LTE,5G等网络模式;网络状态信息包括如发送/接收信号强度的数据,发送/接收延迟时间,数据包接收速率,设备到设备和设备到网络的通信距离,通信线路用户数以及通信线路拥塞;S204:服务器根据所述网络状态信息分析多条路线上不同区间的网络环境和对应的驾驶模式;如果路线中不同区间的网络环境大于如果大于预设阈值,则生成至少一条驾驶路线推荐信息给第一V2X设备;其中网络环境大于预设阈值中,所述阈值为满足所述网络模式通信所需的基本通信参数。所述至少一条驾驶路线推荐信息中包括驾驶路线上的网络通信模式,驾驶模式,行车时间;其中推荐驾驶路线可能包括优先使用自动驾驶模式的路线,但这条路线可能并不是从出发地到目的地的最短路线,而是根据当前的路线上能够满足自动驾驶模式的条件下规划出的路线。
并且,推荐的路线也可以是多种驾驶模式相结合的路线,例如从出发地到目的地某条推荐路线,可能被划分成A、B、C、D四个区间;A、B、D区间为自动驾驶区间,可能使用3G网络模式,LTE网络模式或5G网络模式中的一种或多种;C区间可能由于网络环境的原因,仅支持手动驾驶模式;如果用户选择上述导航路线时,当行驶至区间C时,会收到V2X设备的提示信息,提示用户及时做好准备,准备开始手动驾驶车辆,并等待用户的响应。如果用户未能及时响应,即未能准备好切换到手动驾驶模式,车辆将会被自动驾驶到附近的安全停车地点。并且V2X设备还可配置连接传感器及时检查用户的身体状态,用户身体状态信息可以包括用户的睡眠状态,血液酒精浓度或血氧饱和度中的至少一种。基于用户身体状态信息确定用户的手动驾驶支持的可能性。
同时,推荐的路线还应当包括从出发地到目的地之间的全部仅支持手动驾驶模式的路线,这通常是出发地和目的地之间的最短路线;用户可以根据自身需求灵活选择驾驶路线。
同时,驾驶模式还包括组队驾驶模式,在组队驾驶模式时,第一V2X设备100可以利用其所在的车队的车辆对其接收到其他车辆的V2V消息进行验证,如图3所示,具体步骤如下:S301,第一V2X设备100在车辆行驶过程中会接收到其他车辆发送的V2V消息,当驾驶模式为组队驾驶模式时,默认同一组队中的其他车辆是可以信任的,其V2X设备发送的消息可用来进行消息验证;具体在于,S302:第一V2X设备向与其在同一组队中的车辆发送V2V消息,通过从同一组队中的车辆反馈的V2V消息中的内容,验证其他车辆发送的V2V消息是否为可信的消息;S303:第一V2X设备接收同一组队中车辆反馈的V2V消息;通过验证检测,可以排除周围未知车辆发送的错误信息。并且,如果确定其他V2X设备发出的信息为错误信息,则可将其他车辆的V2X设备加入黑名单。例如第一V2X设备接收到其他车辆发送的通过传感器测量的前方特定对象的速度的V2V消息;如果该测量得到的速度与第一V2X设备接收到其组队中的车辆通过传感器测量的速度之间的差值超过预定的阈值,例如可以定义该阈值为组队中车辆通过传感器测量的速度值的10%,则可以判定上述其他车辆发送了错误的感测数据,用户可根据预先的设定,将其加入黑名单,不再接收其发送的V2V消息。
并且,如果在当前行车路线上,由于网络状态的实时改变,当服务器检测到原先设置的网络通信模式无法胜任当前的驾驶模式,则可能发生网络通信模式的切换,或者驾驶模式的切换,甚至是路径的重新规划。例如第一V2X设备100在A区间原本需要使用5G的通信模式进行自动导航,由于网络环境的改变,如突发事故造成的大规模拥堵,使得该地区的网络环境显著变差,无法满足当前的自动驾驶模式所需的延迟时间的要求,或者基站出现故障,无法得到满足条件的信号强度,此时可能切换驾驶模式到手动驾驶,甚至向用户提示重新规划路线,以继续自动驾驶模式下的行车。
并且,即使当前的行车路线上,当前的网络通信模式和网络状态可以胜任当前的驾驶模式,服务器仍然不断接收其他V2X设备发送的网络环境及对应的驾驶模式,据此可能根据实时网络环境的变化,更新第一V2X设备的驾驶模式;例如预定的网络模式是LTE的网络模式的自动驾驶模式,当行车到附近,服务器发现该区间可以支持5G的网络模式下的自动驾驶模式,此时可以通知第一V2X设备100切换到5G的网络模式下实现自动驾驶。同理,原本需要用户手动驾驶的区间也可以根据网络状态的改善,切换到自动驾驶模式。
在导航过程中,将所述正在运行的服务中的至少一个服务的运行状态信息与所述第一V2X设备100运行当前服务所需的服务质量参考信息进行比较,以确定为当前服务分配的网络资源;第一V2X设备100当前运行有多个服务,如电子邮件服务,在线音乐播放服务,与服务器通信的导航服务及接收其他V2X设备传输的V2V消息的服务;实时监测多个服务中的任意一个服务的运行状态信息,运行状态信息包括可用带宽的信息,当前的服务的等待时间,当前服务占用的处理器及内存空间的信息;当前服务使用网络的网络质量信息等;当前服务所需的服务质量参考信息包括当前服务下的网络带宽和时延的标准,和运行所需的硬件环境信息,如所需的内存空间,处理器性能等参数;例如在导航过程中,如果第一V2X设备100运行的导航服务所需带宽大于当前分配的带宽,则可为其分配所需带宽,或者确定当前运行的导航服务的等待时间大于所需的等待时间时,可为其分配更大的链路缓冲器容量;或者是导航服务需要V2X设备的可用内存可能不足以满足服务的需求,则处理器需要对内存分配进行动态调整。
再如当前运行的服务为视频播放或在线音乐播放,如果当前服务所需带宽大于当前分配的带宽,或者确定当前运行的导航服务的等待时间大于所需的等待时间时,如果确定无法为当前服务提供理想的服务质量,则可以降低服务质量等级,例如降低当前播放音乐的播放品质,或是降低当前播放视频的分辨率。
并且,第一V2X设备100可根据不同的服务种类定义不同的优先级;第一V2X设备当前运行多种服务,包括如电子邮件服务,在线音乐播放服务,与服务器通信的导航服务及接收其他V2X设备传输的V2V消息的服务;为了保证第一V2X设备能够更加合理利用硬件和网络资源,可将服务设置不同的优先级,如导航服务和V2V消息的接收服务为实时性更强的业务类型,可将其优先级设置为最高,并可为其达到理想的服务质量优先分配带宽,链路缓冲器;相应的,可将电子邮件服务,在线音乐播放服务设置为一般优先级,可根据当前的网络状况降低较低优先级服务的服务质量等级,甚至可在系统资源匮乏时临时停止其运行,以保证高优先级服务的服务质量需求。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当第一V2X设备的处理器执行该计算机程序时,该第一V2X设备执行前述的相关方法步骤。
本发明实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得第一V2X设备执行前述的相关方法步骤。
其中,本发明实施例提供的第一V2X设备、计算机可读存储介质或者计算机程序产品均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种用于确定车辆驾驶模式和驾驶路线的方法,其特征在于,所述方法包括如下步骤:第一V2X设备发送导航请求给服务器,该导航请求中包括该第一V2X设备支持的网络通信模式,驾驶模式,出发地,目的地;服务器计算从出发地到目的地的多条路线,并接收在所述多条路线上不同区间由其他V2X设备发送的网络状态信息;所述服务器根据所述网络状态信息分析所述多条路线上不同区间的网络环境和对应的驾驶模式;如果所述网络环境大于预设阈值,则生成至少一条驾驶路线推荐信息给第一V2X设备,所述至少一条驾驶路线推荐信息中包括驾驶路线上的网络通信模式,驾驶模式,行车时间;基于用户的选择,第一V2X设备将所选的驾驶路线发送给服务器;服务器根据所选的驾驶路线为用户导航;所述方法还包括:在导航过程中,获取第一V2X设备正在运行的多个服务和该服务的运行状态信息;将所述正在运行的多个服务中的至少一个服务的运行状态信息与所述第一V2X设备运行当前服务所需的服务质量参考信息进行比较,确定需要为当前服务分配的资源;所述驾驶模式至少包括手动驾驶模式和自动驾驶模式,组队驾驶模式;当所述驾驶模式为组队驾驶模式时,当所述第一V2X设备接收到其他车辆发送的V2V消息,该V2V消息中包括传感器的感测数据,其可向与其在同一组队中的车辆发送验证请求,接收同一组队中的车辆反馈的V2V消息中的传感器感测数据,验证其他车辆发送的V2V消息是否为可信的消息。
2.根据权利要求1所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:所述驾驶路线推荐信息包括:基于当前网络通信模式的支持自动驾驶模式的路线和/或手动驾驶路线和/或自动驾驶与手动驾驶相结合的路线。
3.根据权利要求1所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:将所述正在运行的服务中的至少一个服务的运行状态信息与所述第一V2X设备运行当前服务所需的服务质量参考信息进行比较,确定需要为当前服务分配的资源包括:如果当前服务所需带宽大于可分配的总带宽,则动态调整当前服务所需的带宽;或者如果确定当前服务的等待时间大于所需的等待时间时,则动态调整链路缓冲器的大小;或者当前服务所需内存空间大于当前剩余的内存空间,则动态调整当前的内存分配。
4.根据权利要求3所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:所述第一V2X设备运行的多种服务之间存在不同的优先级,且所述第一V2X设备运行的多种服务中的至少一种服务具有不同的服务质量等级,可根据不同服务的优先级实时调整其服务质量等级。
5.根据权利要求1所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:所述网络状态信息包括:发送/接收信号强度的数据,发送/接收延迟时间,数据包接收速率,设备到设备和设备到网络的通信距离,通信线路用户数以及通信线路拥塞。
6.根据权利要求1所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:所述网络通信模式至少包括3G,LTE或5G通信模式。
7.根据权利要求1所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:所述验证其他车辆发送的V2V消息是否为可信的消息包括:如果同一组队中的车辆反馈的V2V消息中的传感器感测数据与其他车辆发送的V2V消息中的传感器感测数据之间的差异大于阈值,则确定其他车辆发送的V2V消息为不可信消息。
8.根据权利要求7所述的确定车辆驾驶模式和驾驶路线的方法,其特征在于:当验证结果表明其他车辆发送的V2V消息为不可信消息时,将其他车辆加入黑名单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106454.2A CN111464973B (zh) | 2020-02-21 | 2020-02-21 | 一种确定车辆驾驶模式和驾驶路线的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106454.2A CN111464973B (zh) | 2020-02-21 | 2020-02-21 | 一种确定车辆驾驶模式和驾驶路线的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111464973A CN111464973A (zh) | 2020-07-28 |
CN111464973B true CN111464973B (zh) | 2022-01-11 |
Family
ID=71679947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106454.2A Active CN111464973B (zh) | 2020-02-21 | 2020-02-21 | 一种确定车辆驾驶模式和驾驶路线的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111464973B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363509A (zh) * | 2020-11-18 | 2021-02-12 | 重庆美沣秦安汽车驱动系统有限公司 | 基于无线通信汽车自动驾驶方法、系统、存储介质及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595690A (zh) * | 2016-12-28 | 2017-04-26 | 吉林师范大学 | 基于物联网的汽车导航平台及使用方法 |
CN107580340A (zh) * | 2016-07-05 | 2018-01-12 | 普天信息技术有限公司 | 一种v2x网络中的资源调度方法 |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
CN109314841A (zh) * | 2016-07-18 | 2019-02-05 | 松下电器(美国)知识产权公司 | 对v2x传输的服务质量的改进的支持 |
-
2020
- 2020-02-21 CN CN202010106454.2A patent/CN111464973B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107580340A (zh) * | 2016-07-05 | 2018-01-12 | 普天信息技术有限公司 | 一种v2x网络中的资源调度方法 |
CN109314841A (zh) * | 2016-07-18 | 2019-02-05 | 松下电器(美国)知识产权公司 | 对v2x传输的服务质量的改进的支持 |
CN106595690A (zh) * | 2016-12-28 | 2017-04-26 | 吉林师范大学 | 基于物联网的汽车导航平台及使用方法 |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111464973A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11513583B2 (en) | Methods and systems for managing machine learning involving mobile devices | |
Tong et al. | Artificial intelligence for vehicle-to-everything: A survey | |
US20200023846A1 (en) | Artificial intelligence-based systems and methods for vehicle operation | |
US20200010095A1 (en) | Method and apparatus for monitoring driving condition of vehicle | |
KR20210108382A (ko) | 다양한 레벨들의 자율성을 갖는 차량들과의 협력 주행 관여들을 확립하기 위한 방법들 및 시스템들 | |
US10243867B2 (en) | Vehicle security system | |
US11138844B2 (en) | Artificial intelligence apparatus and method for detecting theft and tracing IoT device using same | |
US20200001455A1 (en) | Artificial intelligence server for controlling plurality of robots and method for the same | |
US11669781B2 (en) | Artificial intelligence server and method for updating artificial intelligence model by merging plurality of pieces of update information | |
US20200101974A1 (en) | Device and method for selecting optimal travel route based on driving situation | |
US11507825B2 (en) | AI apparatus and method for managing operation of artificial intelligence system | |
US11568239B2 (en) | Artificial intelligence server and method for providing information to user | |
US20240013264A1 (en) | Dynamic rideshare service behavior based on past passenger experience data | |
US20210335344A1 (en) | Artificial intelligence device capable of controlling other devices based on device information | |
CN108074008B (zh) | 一种预测拥堵路段的方法及装置 | |
US20200009731A1 (en) | Artificial intelligence server for determining route of robot and method for the same | |
CN111464973B (zh) | 一种确定车辆驾驶模式和驾驶路线的方法 | |
US11455529B2 (en) | Artificial intelligence server for controlling a plurality of robots based on guidance urgency | |
US20200410405A1 (en) | Organized carpools provided by rideshare service | |
KR20210097336A (ko) | 제품 냉동을 위한 인공 지능 장치 및 그 방법 | |
Mu et al. | Deep reinforcement learning based adaptive threshold multi-tasks offloading approach in mec | |
US11854059B2 (en) | Smart apparatus | |
US11074814B2 (en) | Portable apparatus for providing notification | |
CN107750339B (zh) | 基于无线信号特性使用移动装置检测用户的场境 | |
KR20190102146A (ko) | 자율주행시스템에서 차량의 배차방법 및 이를 위한 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |