CN111800508A - 基于大数据的自动驾驶故障监测方法 - Google Patents

Abstract

本发明涉及大数据和自动驾驶领域，公开了一种基于大数据的自动驾驶故障监测方法，其包括：边缘处理器对边缘节点组进行初始化以获得域验证数据，环境分析模块和行车策略模块基于边缘节点数据得到模态标准数据，运行模态监测模块通过对比边缘节点数据和模态标准数据分析汽车是否发生模态故障。边缘节点监测模块通过对比边缘节点数据与对应的边缘节点工作阈值分析每个边缘节点是否发生第一节点故障；在边缘节点没有发生第一节点故障时，边缘节点监测模块根据边缘节点之间的聚类验证规则执行聚类验证，分析当前边缘节点是否发生第二节点故障。

Description

基于大数据的自动驾驶故障监测方法

技术领域

本发明涉及大数据和自动驾驶领域，尤其涉及一种基于大数据的自动驾驶故障监测方法。

背景技术

随着汽车工业的高速发展，自动驾驶也进入高速发展的阶段。自动驾驶具有安全可靠、高效便利的优势，可以有效减少交通事故。不同于有人驾驶汽车通过驾驶员观察路况来操作车辆，自动驾驶汽车主要利用安装在汽车上的传感器来对外部环境进行判断识别。所以传感器对自动驾驶汽车而言至关重要。如果没有即时发现并处理传感器的故障，可能会给驾驶人带来很大的安全隐患，因此在自动驾驶中对传感器进行故障检测尤为重要。

然而，现有技术中对自动驾驶传感器的故障检测局限于对传感器进行独立检测，检测结果准确度不高，很有可能出现误判的情况，从而容易影响自动驾驶汽车行驶的安全性能。

发明内容

针对现有技术之不足，本发明提供了一种基于大数据的自动驾驶故障监测方法，其包括以下步骤：

S1)边缘处理器对每个边缘节点组进行初始化以得到每个边缘节点组的域验证数据；所述域验证数据包括边缘节点组的运行模态、标识节点、边缘节点工作阈值列表和聚类验证规则；

S2)自动驾驶状态监测云平台的环境分析模块根据自动驾驶汽车正在运行的边缘节点组的边缘节点数据和环境标准数据分析实际驾驶模态；

S3)行车策略模块基于实际驾驶模态从数据库获取模态标准数据，并将实际驾驶模态和模态标准数据发送到边缘处理器的运行模态监测模块；

S4)运行模态监测模块根据边缘节点数据、实际驾驶模态、模态标准数据和域验证数据中的运行模态分析自动驾驶汽车是否发生模态故障；

S5)边缘处理器的边缘节点监测模块根据边缘节点数据与边缘节点工作阈值分析边缘节点是否发生第一节点故障；

S6)在边缘节点没有发生第一节点故障时，边缘节点监测模块根据域验证数据为边缘节点选择聚类验证规则，并根据聚类验证数据和聚类验证规则对边缘节点执行聚类验证以分析边缘节点是否发生第二节点故障。

根据一个优选地实施例，步骤S1包括：

S1.1)边缘处理器中的预处理模块为每个边缘节点组预定义运行模态和标识节点；所述标识节点为边缘节点组的标志性节点用于识别边缘节点组的其他边缘节点；

S1.2)预处理模块根据标识节点为每个边缘节点组选择边缘节点，并为每个边缘节点预定义边缘节点工作阈值；

S1.3)预处理模块根据边缘节点组内边缘节点间的聚类信息为每个边缘节点组预定义聚类验证规则；

S1.4)预处理模块对每个边缘节点组的运行模态、标识节点、边缘节点工作阈值、聚类验证规则进行处理以得到每个边缘节点组的域验证数据并将其存储到边缘数据库。

根据一个优选地实施例，步骤S6包括：

S6.1)边缘节点监测模块根据边缘节点所属边缘节点组的域验证数据为所述边缘节点选择聚类验证规则；

S6.2)边缘节点监测模块获取与所述聚类验证规则相关联的边缘节点的边缘节点数据，并根据聚类验证规则和所述边缘节点数据执行聚类验证；

S6.3)边缘节点监测模块基于聚类验证结果确定边缘节点是否发生第二节点故障；所述第二节点故障为边缘节点在聚类验证时发生的故障。

根据一个优选地实施例，所述边缘节点为自动驾驶汽车的传感器，其包括环视摄像头、单目摄像机、双目摄像机、三目摄像机、激光雷达、毫米波雷达、超声波雷达、GPS、IMU、Encoder、温度传感器、湿度传感器和声音传感器。

根据一个优选地实施例，所述边缘节点组为根据驾驶模态将自动驾驶汽车的传感器进行分组，其包括泊车组、变道组、城市驾驶组、乡间小路驾驶组、低速驾驶组、高速驾驶组、倒车组。

根据一个优选地实施例，所述运行模态为边缘节点组匹配的驾驶模态，驾驶模态包括泊车模态、变道模态、城市驾驶道路模态、乡间小路驾驶模态、低速驾驶模态、高速驾驶模态、倒车模态。

根据一个优选地实施例，所述实际驾驶模态为根据当前驾驶环境分析得到自动驾驶汽车实际的驾驶模态，驾驶模态包括泊车模态、变道模态、城市驾驶道路模态、乡间小路驾驶模态、低速驾驶模态、高速驾驶模态、倒车模态。

根据一个优选地实施例，步骤S1.2包括：最小化节点故障报告错误率，并将此时的阈值作为边缘节点工作阈值：

minQ＝(Pα+β)s.tγ∈[x₁,y₁]δ∈[x₂,y₂]

其中，Q为节点故障报告错误率，γ为边缘节点工作阈值的下限，δ为边缘节点工作阈值的上限，α为节点故障误报率，P为误报系数，β为节点故障漏报率，γ∈[x₁,y₁]，δ∈[x₂,y₂]为边界约束条件，所述节点故障包括第一节点故障和第二节点故障。

根据一个优选地实施例，所述边缘节点工作阈值为边缘节点在正常工作时的数值范围；所述第一节点故障为边缘节点的边缘节点数据值超出边缘节点工作阈值的数值范围。

根据一个优选地实施例，所述聚类验证规则用于根据边缘节点组内边缘节点之间的聚类信息对每个边缘节点进行聚类验证。

根据一个优选地实施例，所述模态故障包括正在运行的边缘节点组与实际驾驶模态不匹配和边缘节点数据和标准模态数据不匹配。

与现有技术相比，本发明具有以下有益效果：

本发明根据自动驾驶汽车在不同驾驶模态下对传感器的需求不同，将自动驾驶汽车的传感器进行分组。通过边缘处理器验证当前实际驾驶模态和正在运行的边缘节点组是否匹配，避免了由于实际驾驶模态与边缘节点组不匹配而出现安全隐患。

此外，本发明还在每个边缘节点组内设置聚类验证规则，通过每个边缘节点组中边缘节点之间的聚类信息来验证边缘节点是否出现故障，提高了传感器故障检测的准确性，避免由于出现误判的情况而导致不可挽回的损失。

附图说明

图1为一示例性实施例提供的自动驾驶故障监测方法的流程图；

图2为一示例性实施例提供的自动驾驶故障监测系统的结构示意图。

具体实施方式

下面将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不用于限定与本发明相一致的所有实施方式。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

参见图1，在一个实施例中，基于大数据的自动驾驶故障监测方法包括以下步骤：

S1)边缘处理器对每个边缘节点组进行初始化以获得每个边缘节点组的域验证数据，所述域验证数据用于检测自动驾驶状态和边缘节点是否出现故障，即是否发生模态故障或节点故障。

域验证数据包括：边缘节点组的运行模态、标识节点、边缘节点工作阈值和聚类验证规则；所述运行模态为边缘节点组匹配的驾驶模态。

本发明中使用域验证数据对自动驾驶状态和边缘节点进行检测，在发生模态故障和节点故障时，使用预定义过程处理故障或及时提醒驾驶人，避免了由于边缘节点故障或运行的边缘节点组与实际驾驶模态不匹配而导致车辆控制出现异常，从而对驾驶人的人身安全造成威胁。

具体地，步骤S1包括：

S1.1、边缘处理器中的预处理模块为每个边缘节点组预定义运行模态和标识节点，所述标识节点为边缘节点组的标志性节点用于识别边缘节点组的其他边缘节点。

优选地，边缘节点为自动驾驶汽车的传感器，包括但不限于环视摄像头、单目摄像机、双目摄像机、三目摄像机、激光雷达、毫米波雷达、超声波雷达、GPS、IMU、Encoder、陀螺仪传感器、温度传感器、湿度传感器、声音传感器、燃油传感器、速度传感器。

优选地，边缘节点组为根据驾驶模态将自动驾驶汽车的传感器分为不同组包括但不限于泊车组、变道组、高速路驾驶组、城市驾驶组、乡间驾驶组、低速驾驶组、高速驾驶组、倒车组。

在自动驾驶中不同的驾驶模态对传感器的需求不同，传感器的参数范围也会不同。例如在例如实现自动泊车，依靠近距离的超声波雷达和全景传感器即可。高速公路上实现AEB自动紧急制动和ACC自适应巡航的功能，则仅需要对汽车前方的车辆进行检测，但如果实现变道的功能则还需要对汽车右前方和右后方的车辆的转向和行车情况进行检测。

不同的驾驶模态对传感器的需求不同。因此，每个边缘节点组适应的驾驶模态不同，相同边缘节点在不同边缘节点组中正常工作的数值范围也不同。

优选地，运行模态为边缘节点组匹配的驾驶模态，其中，驾驶模态包括：泊车模态、变道模态、城市驾驶道路模态、乡间小路驾驶模态、低速驾驶模态、高速驾驶模态、倒车模态。例如，边缘节点组中泊车组的运行模态为泊车模态，变道组的运行模态为变道模态，倒车组的运行模态为倒车模态。

S1.2、边缘处理器中的预处理模块根据标识节点为每个边缘节点组确定边缘节点，并为每个边缘节点预定义边缘节点工作阈值。

优选地，标识节点为边缘节点组的标志性节点，用于识别边缘节点组的其他边缘节点。例如：在边缘节点组中的泊车组中，超声波雷达最能体现自动泊车的特征，因此可以将超声波雷达作为泊车组中的标识节点，通过超声波雷达来找到全景传感器等用于泊车环境的传感器。

优选地，边缘节点工作阈值为边缘节点在正常工作时有效的数值范围，如果边缘节点超过它的边缘节点工作阈值，则说明该边缘节点出现第一节点故障。

可选地，预处理模块根据历史节点故障报告对历史边缘节点阈值进行更新以得到边缘节点工作阈值[γ,δ]。

可选地，最小化节点故障报告错误率，将此时的阈值作为边缘节点工作阈值：

minQ＝(Pα+β)s.tγ∈[x₁,y₁]δ∈[x₂,y₂]

其中，Q节点故障报告错误率，γ为边缘节点工作阈值的下限，δ为边缘节点工作阈值的上限，α为根据历史节点故障报告计算得出的节点故障误报率，P为误报系数，β根据历史节点故障报告计算得出的节点故障漏报率，γ∈[x₁,y₁]，δ∈[x₂,y₂]为边界约束条件，所述边界约束条件根据边缘节点实际运行情况和历史边缘节点阈值进行设置，所述节点故障包括第一节点故障和第二节点故障。

S1.3、边缘处理器中的预处理模块根据边缘节点组内边缘节点间的聚类信息为每个边缘节点组预定义聚类验证规则。

优选地，聚类验证规则用于根据边缘节点组中边缘节点之间聚类信息，对每个边缘节点进行聚类验证，所述聚类信息包括：聚类信息包括聚类主题和聚类值，所述聚类主题包括：泊车、变道和倒车。

S1.4、边缘处理器中的预处理模块对每个边缘节点组的运行模态、标识节点、边缘节点工作阈值、聚类验证规则进行处理以得到每个边缘节点组的域验证数据并将其存储到边缘数据库；

S2)边缘处理器接收自动驾驶汽车正在运行的边缘节点组的边缘节点数据并将其发送到自动驾驶状态监测云平台的环境分析模块，自动驾驶状态监测云平台的环境分析模块基于边缘节点数据和环境标准数据分析得到实际驾驶模态，所述环境标准数据用于判断分析自动驾驶汽车当前的实际驾驶模态。

可选地，每辆自动驾驶汽车包括一个边缘处理器和多个边缘节点。

具体地，自动驾驶状态监测云平台的环境分析模块接收从边缘处理器接收自动驾驶汽车正在运行的边缘节点组的边缘节点数据，并从数据库中获取环境标准数据；环境分析模块提取边缘节点数据的特征数据和环境标准数据的特征数据，并将边缘节点数据的特征数据和环境标准数据的特征数据进行对比分析得出当前自动驾驶汽车的实际驾驶模态。

S3)自动驾驶状态监测云平台的行车策略模块基于实际驾驶模态从数据库中提取该实际驾驶模态所对应的模态标准数据，并将实际驾驶模态和模态标准数据发送到边缘处理器中的运行模态监测模块。

优选地，模态标准数据包括该模态下所需要的所有边缘节点的节点标识符，以及每个边缘节点正常运行时的数值范围。每个边缘节点都有唯一的节点标识符，用于标识边缘节点。

在一个实施例中，自动驾驶状态监测云平台中的环境分析模块根据接收到的边缘节点数据和环境标准数据分析自动驾驶汽车当前实际驾驶模态为倒车模态。环境分析模块向自动驾驶状态监测云平台中的行车策略模块发送指示，指示当前汽车处于倒车模态。行车策略模块根据指示在数据库中提取出倒车模态的模态标准数据，并将倒车模态的模态标准数据和实际驾驶模态发送到边缘处理器中的运行模态监测模块。

S4)边缘处理器中的运行模态监测模块根据边缘节点数据、实际驾驶模态、模态标准数据和域验证数据中的运行模态进行分析，以确定是否出现模态故障，若出现模态故障则使用预定义过程处理故障，生成故障报告并将其发送给车主。

在一个实施例中，当前实际驾驶模态为倒车模态，但是此时自动驾驶汽车使用的是边缘节点组中的泊车组，泊车组的运行模态为泊车模态，倒车模态和泊车模态不匹配则证明当前实际驾驶模态和边缘节点组不匹配，此时使用预定义过程将自动驾驶汽车的边缘节点组从泊车组修改为倒车组，并生成故障报告发送给车主或驾驶人。

在一个实施例中，模态标准数据中显示当前倒车模态中速度传感器的范围为0-30km/h，而此时速度传感器的速度显示当前速度为80km/h，表明此时出现模态故障，即，在当前驾驶模态中速度传感器出现故障。

可选地，故障报告用于对驾驶状态故障进行评估其包括出现的故障，故障原因以及有关后续维护保养的建议。

可选地，所述模态故障包括正在运行的边缘节点组与实际驾驶模态不匹配和边缘节点数据和标准模态数据不匹配。

本发明中，将传感器按照驾驶模态进行分组，在特定的驾驶模态运行特定的边缘节点组，并检测实际驾驶模态与运行的边缘节点组是否匹配。并且结合驾驶模态来对传感器进行故障检测，极大程度增强了传感器故障检测的准确性，避免了传感器的误判而影响自动驾驶汽车行驶的安全性能。

S5)边缘处理器中的边缘节点监测模块根据边缘节点数据与边缘节点工作阈值确定边缘节点是否发生第一节点故障，若发生第一节点故障则使用预定义过程处理故障，生成故障报告并将其发送给车主。

所述第一节点故障为边缘节点的边缘节点数据超出边缘节点工作阈值，即，边缘节点采集的边缘数据超出边缘节点在正常工作时的范围值时该边缘节点发生第一节点故障。

在一个实施例中，自动驾驶中的速度传感器的工作阈值为0-300km/h，如果速度传感器采集的速度为-60km/h，则说明速度传感器出现第一节点故障，此时使用预定义过程校正速度传感器，并生成故障报告将其发送给车主。

S6)边缘处理器中的边缘节点监测模块根据域验证数据为边缘节点选择聚类验证规则，根据聚类验证规则相关联的边缘节点数据和聚类验证规则对边缘节点执行聚类验证，并根据聚类验证结果确定边缘节点是否发生第二节点故障，若发生第二节点故障则使用预定义过程处理故障，生成故障报告并将其发送给车主。

优选地，所述第二节点故障为边缘节点在聚类验证时发生的节点故障。

优选地，所述预定义过程为预设所有出现的故障类型，并为每种故障类型分别预设处理故障的方法，

优选地，所述故障报告包括出现的故障，故障原因以及后续维护保养的建议。

在一个实施例中，一组聚类验证规则为燃油传感器、速度传感器和陀螺仪传感器进行聚类验证，当陀螺仪传感器数据表示汽车正常行驶没有爬坡，此时若读取车速为60km/s，而燃油传感器却显示燃油消耗极高，这三个传感器中至少有一个传感器出现故障，此时可以通过其他包含着这三个传感器中至少一个的聚类验证规则找到出现故障的传感器。此时出现第二节点故障。

具体的，步骤S6包括：

S6.1)边缘处理器中的边缘节点监测模块根据边缘节点所属边缘节点组的域验证数据为边缘节点选择聚类验证规则。

具体的，每个边缘节点组有很多聚类验证规则，每个边缘节点只涉及边缘节点组聚类验证规则的一部分。例如：在边缘节点组中的倒车组中有20条聚类验证规则，而与速度传感器相关联的聚类验证规则只有5条。

S6.2)边缘处理器中的边缘节点监测模块获得与聚类验证规则相关联的边缘节点的边缘节点数据，并根据聚类验证规则和边缘节点数据执行聚类验证。

优选地，边缘节点监测模块根据聚类验证规则获取与所述边缘节点相关联的边缘节点的边缘节点数据，并根据所述边缘节点的边缘节点数据和所述边缘节点相关联的边缘节点的边缘节点数据得到聚类验证数据，然后根据聚类验证规则和聚类验证数据执行聚类验证。

具体地，边缘节点监测模块根据选择的聚类验证规则确定聚类验证规则中包含的所有边缘节点的节点标识符，边缘节点监测模块根据节点标识符向对应的边缘节点发送聚类验证指令，边缘节点响应于接收到的边聚类验证指令将边缘节点数据发送到边缘节点监测模块，边缘节点监测模块根据聚类验证规则和所有相关联的边缘节点数据执行聚类验证。

在一个实施例中，对速度传感器进行聚类验证，则需要在当前边缘节点组的众多聚类验证规则中找到与速度传感器有关的几条聚类验证规则，边缘节点监测模块获取每条聚类验证规则中相关联的其他传感器的数据，例如在速度传感器的一条聚类验证规则中涉及陀螺仪、速度传感器、燃油传感器，边缘节点监测模块获取陀螺仪传感器和燃油传感器的数据，将这些数据和速度传感器的数据一起进行聚类验证。

S6.3)边缘节点监测模块基于聚类验证结果确定边缘节点是否发生第二节点故障，若发生第二节点故障则使用预定义过程处理故障，生成故障报告将其发送给车主，并将故障的聚类验证规则、故障边缘节点数据、故障边缘节点存储到边缘数据库。

在该实施例中，利用自动驾驶时边缘节点组中边缘节点之间的聚类信息，对边缘节点组中的边缘节点进行聚类验证，极大程度上提高了传感器故障检测的准确性。

本发明根据自动驾驶汽车在不同驾驶模态下对传感器的需求不同，将自动驾驶汽车的传感器进行分组。通过边缘处理器验证当前实际驾驶模态和正在运行的边缘节点组是否匹配。避免了由于实际驾驶模态与边缘节点组不匹配而出现安全隐患。此外，本发明还在每个边缘节点组内设置聚类验证规则，通过每个边缘节点组中边缘节点之间的聚类信息来验证边缘节点是否出现故障，提高了传感器故障检测的准确性，避免由于出现误判的情况而导致不可挽回的损失。

在另一个实施例中，步骤S6包括：

S6.1)边缘节点监测模块选择要测试的聚类验证规则。

S6.2)边缘节点监测模块获得与所述聚类验证规则相关联的多个边缘节点的边缘节点数据，通过所述的多个边缘节点数据来测试所述聚类验证规则。

S6.3)边缘节点监测模块检测聚类验证规则是否异常，并将异常的聚类验证规则存储到边缘数据库，使用预定义过程重新定义聚类验证规则。

在该实施例中使用正常的边缘节点来反向测试聚类验证规则是否正常，并在聚类验证规则异常时使用预定义过程校正聚类验证规则，避免了由于聚类验证规则本身的错误而判定传感器异常而导致的人力物力消耗和用户体验不佳的情况，更避免了由于聚类验证规则异常而判定传感器异常而导致出现安全隐患的情况。

参见图2，在一个实施例中，自动驾驶故障监测系统包括：自动驾驶状态监测云平台、边缘处理器和边缘节点；自动驾驶状态监测云平台包括环境分析模块、行车策略模块和数据库；边缘处理器包括预处理模块、边缘节点监测模块、运行模态监测模块和边缘数据库。

边缘节点为自动驾驶汽车的传感器，包括环视摄像头、单目摄像机、双目摄像机、三目摄像机、激光雷达、毫米波雷达、超声波雷达、GPS、IMU、Encoder、陀螺仪传感器、温度传感器、湿度传感器、声音传感器、燃油传感器、速度传感器。

环境分析模块被配置为根据自动驾驶汽车正在运行的边缘节点组的边缘节点数据和环境标准数据分析实际驾驶模态。

行车策略模块被配置为根据实际驾驶模态从数据库获取模态标准数据。

预处理模块被配置为对每个边缘节点组进行初始化以得到每个边缘节点组的域验证数据。

运行模态监测模块被配置为根据边缘节点数据、实际驾驶模态、模态标准数据和域验证数据中的运行模态分析自动驾驶汽车是否发生模态故障。

边缘节点监测模块被配置为根据边缘节点数据与边缘节点工作阈值分析边缘节点是否发生第一节点故障，并在边缘节点没有发生第一节点故障时，根据聚类验证数据和聚类验证规则对边缘节点执行聚类验证以分析边缘节点是否发生第二节点故障。

数据库可以用于存储每个驾驶模态的模态标准数据。边缘数据库可以用于存储自动驾驶汽车的每个边缘节点组的域验证数据。

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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，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权利要求的保护范围为准。

Claims (10)

1.一种基于大数据的自动驾驶故障监测方法，其特征在于，其包括以下步骤：

S1)边缘处理器对每个边缘节点组进行初始化以得到每个边缘节点组的域验证数据；所述域验证数据包括边缘节点组的运行模态、标识节点、边缘节点工作阈值列表和聚类验证规则；

S2)自动驾驶状态监测云平台的环境分析模块根据自动驾驶汽车正在运行的边缘节点组的边缘节点数据和环境标准数据分析实际驾驶模态；

S3)行车策略模块根据实际驾驶模态从数据库获取模态标准数据，并将实际驾驶模态和模态标准数据发送到边缘处理器的运行模态监测模块；

S4)运行模态监测模块根据边缘节点数据、实际驾驶模态、模态标准数据和域验证数据中的运行模态分析自动驾驶汽车是否发生模态故障；

S5)边缘处理器的边缘节点监测模块根据边缘节点数据与边缘节点工作阈值分析边缘节点是否发生第一节点故障；

S6)在边缘节点没有发生第一节点故障时，边缘节点监测模块根据域验证数据为边缘节点选择聚类验证规则，并根据聚类验证数据和聚类验证规则对边缘节点执行聚类验证以分析边缘节点是否发生第二节点故障。

2.根据权利要求1所述的方法，其特征在于，步骤S1包括：

S1.1)边缘处理器中的预处理模块为每个边缘节点组预定义运行模态和标识节点；所述标识节点为边缘节点组的标志性节点用于识别边缘节点组的其他边缘节点；

S1.2)预处理模块根据标识节点为每个边缘节点组选择边缘节点，并为每个边缘节点预定义边缘节点工作阈值；

S1.3)预处理模块根据边缘节点组内边缘节点间的聚类信息为每个边缘节点组预定义聚类验证规则；

S1.4)预处理模块对每个边缘节点组的运行模态、标识节点、边缘节点工作阈值、聚类验证规则进行处理以得到每个边缘节点组的域验证数据并将其存储到边缘数据库。

3.根据权利要求2所述方法，其特征在于，步骤S6包括：

S6.1)边缘节点监测模块根据边缘节点所属边缘节点组的域验证数据为所述边缘节点选择聚类验证规则；

S6.2)边缘节点监测模块根据聚类验证规则获取与所述边缘节点相关联的边缘节点的边缘节点数据以得到聚类验证数据，并根据聚类验证规则和聚类验证数据执行聚类验证；

S6.3)边缘节点监测模块基于聚类验证结果确定边缘节点是否发生第二节点故障；所述第二节点故障为边缘节点在聚类验证时发生的故障。

4.根据权利要求3所述的方法，其特征在于，所述边缘节点为自动驾驶汽车的传感器，其包括环视摄像头、单目摄像机、双目摄像机、三目摄像机、激光雷达、毫米波雷达、超声波雷达、GPS、IMU、Encoder、温度传感器、湿度传感器和声音传感器。

5.根据权利要求4所述的方法，其特征在于，所述边缘节点组为根据驾驶模态将自动驾驶汽车的传感器进行分组，其包括泊车组、变道组、城市驾驶组、乡间小路驾驶组、低速驾驶组、高速驾驶组、倒车组。

6.根据权利要求5所述方法，其特征在于，所述运行模态为边缘节点组匹配的驾驶模态，驾驶模态包括泊车模态、变道模态、城市驾驶道路模态、乡间小路驾驶模态、低速驾驶模态、高速驾驶模态、倒车模态。

7.根据权利要求6所述方法，其特征在于，步骤S1.2包括：最小化节点故障报告错误率，并将此时的阈值作为边缘节点工作阈值：

minQ＝(Pα+β)s.tγ∈[x₁,y₁]δ∈[x₂,y₂]

其中，Q为节点故障报告错误率，γ为边缘节点工作阈值的下限，δ为边缘节点工作阈值的上限，α为节点故障误报率，P为误报系数，β为节点故障漏报率，γ∈[x₁,y₁]，δ∈[x₂,y₂]为边界约束条件，所述节点故障包括第一节点故障和第二节点故障。

8.根据权利要求7所述的方法，其特征在于，所述边缘节点工作阈值为边缘节点在正常工作时的数值范围；所述第一节点故障为边缘节点的边缘节点数据值超出边缘节点工作阈值的数值范围。

9.根据权利要求8所述的方法，其特征在于，所述聚类验证规则用于根据边缘节点组内边缘节点之间的聚类信息对每个边缘节点进行聚类验证。

10.根据权利要求9所述的方法，其特征在于，所述模态故障包括正在运行的边缘节点组与实际驾驶模态不匹配和边缘节点数据和标准模态数据不匹配。

Images