CN111845754B - 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 - Google Patents

基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 Download PDF

Info

Publication number
CN111845754B
CN111845754B CN202010734512.6A CN202010734512A CN111845754B CN 111845754 B CN111845754 B CN 111845754B CN 202010734512 A CN202010734512 A CN 202010734512A CN 111845754 B CN111845754 B CN 111845754B
Authority
CN
China
Prior art keywords
vehicles
automatic driving
driving
vehicle
information
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
Application number
CN202010734512.6A
Other languages
English (en)
Other versions
CN111845754A (zh
Inventor
唐晓峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN202010734512.6A priority Critical patent/CN111845754B/zh
Publication of CN111845754A publication Critical patent/CN111845754A/zh
Application granted granted Critical
Publication of CN111845754B publication Critical patent/CN111845754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Transportation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，建立了群体智能的自动驾驶车辆的决策框架，充分利用群体智能的自组织、分工和群内个体的信息交互功能，将自动驾驶车辆的速度、加速度和规划的路径实时性状态进行信息共享，实现群体智能的自动驾驶车辆的行驶决策功能；同时，将多车的速度、加速度、路径信息和对道路前方的感知图像和视频信息发送到边缘计算服务器中，边缘计算服务器根据群体车辆的状态信息和云计算中心传输的实时性道路信息，对多车的行驶行为进行决策，并且根据所感知的道路图像信息，实现对多车的未来行驶决策进行预测认知和单车的未来行驶决策的个性化决策功能。

Description

基于边缘计算和群智算法的自动驾驶车辆的决策预测方法
技术领域
本发明涉及自动驾驶领域，具体是一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法。
背景技术
随着人工智能技术的发展，自动驾驶车辆的智能性水平有了显著提升，已经在某些园区投入使用，但由于自动驾驶车辆对于复杂的道路环境的智能性水平差距较远，所以，自动驾驶车辆的大规模应用还尚需一段时间，尤其面对交叉十字路口、没有红绿灯的道路环境，自动驾驶车辆很难对其行驶行为做出合理的决策，特别在群体智能的自动驾驶车辆行驶时，其行驶行为的决策更是需要解决的关键问题之一。
现今的自动驾驶车辆决策方法主要是基于规则类方法，基于规则的决策方法面对复杂的道路交通环境时，需要将所有的道路交通参与者的行驶状态都考虑进去，不仅增加了计算量，而且实时性较差，也无法制定所有的行驶规则来确保车辆的行驶安全性；而对于多车的行驶决策研究较少，普遍采用车间通信的方法来辅助决策行为，但车间通信的方法受到网络信号的影响，在自动驾驶车辆高速行驶和复杂的道路交通环境时候，车间信息的交互存在时间延迟，并且大量交通数据会影响通道和服务器失效，不能做到准确的信息交互，从而影响自动驾驶的行驶决策行为。
因此，面对复杂多变的道路交通环境和自动驾驶车辆要求较高的智能性行驶水平，现有的决策方法影响了自动驾驶车辆的智能性行驶水平。
发明内容
针对上述问题，本发明的目的是提供一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，充分利用群体智能和边缘计算服务器二者各自的优势，能够使群体智能的自动驾驶车辆在动态复杂的道路环境下实时做出合理的行驶决策，并能针对道路前方的行驶环境提前做出行驶行为的决策预测作用，提升了自动驾驶车辆的智能性行驶水平。
为实现上述目的，本发明提供一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，所述方法的步骤如下：
S1、在高速公路行驶环境下，确定群体智能的自动驾驶车辆的行驶行为决策和个体车辆的行驶行为决策：
①首先根据群体智能的自组织和通信功能，判断个体车辆在道路环境的位置以及与周围道路使用者之间的状态比例，例如侧向距离、纵向距离，个体的车速、加速度；将获取的群体智能的数据信息发送到边缘计算服务器和云计算中心；
②自动驾驶车辆通常的行驶行为分为超车、换道、自适应巡航和自由行驶四种模式，分别将每种行驶模式的群体车辆的行驶状态，侧向距离、纵向距离、车速、加速度和行驶路径信息发送到边缘计算服务器中，边缘计算服务器再将数据信息卸载到云计算中心；
③分别设置每种行驶状态的评价指标，以方便自动驾驶车辆做出具体的行驶决策来，通常对于超车、换道、自适应巡航三种行驶模式来说，常用的评价指标是安全性、舒适性、经济性和效率性；尤其在安全性指标中，采用TTC来设置碰撞时间：
Figure GDA0003143772400000021
其中，yi、yj是前后两车的位置，vi、vj是前后两车的速度；
④采用有限状态机实现群体智能中所有个体的行驶决策行为；当群体车辆对道路前方的交通环境感知较为简单时，群体车辆中的个体车辆可以任意决策其行驶方式；当前方道路环境较为复杂时候，通过将群体车辆的数据发送到边缘计算服务器中，边缘计算服务器根据计算的道路前方数据结果，将信息发送给群体智能的自动驾驶车辆中，群体智能车辆对前方道路环境做出同样一种行驶决策，以保证行车的安全性；
S2、在高速公路行驶环境下，确定群体智能的自动驾驶车辆内部的个体失效车辆的行驶行为决策：当群体智能中任意的个体车辆出现传感器失效的情况，而无法对周围环境和前方道路环境的实时感知，为确保其行驶安全性，将群体车辆中所有的行驶数据和道路周围环境数据发送到边缘计算服务器中，同时云计算中心也把实时性道路环境地图信息发送到边缘计算服务器，并在边缘计算服务器中根据周围车辆的行驶状态和传感器失效的车辆先验感知的环境信息进行行驶决策的数据计算，并将计算后的决策数据信息发送给车辆，车辆根据接收到的决策数据信息实行减速、换道以及退出群体智能车辆的行驶中；
进一步，失效车辆的行驶状态如车速、加速度、侧向距离和纵向距离四种行驶状态的数据信息，实时性地发送到周围车辆和边缘计算服务器中；失效的车辆退出群体智能车辆后，重新构建其余自动驾驶车辆形成群体智能体系，再通过与边缘计算服务器的数据交互中，重新做出行驶行为的决策信息；
S3、在高速公路环境下，为确保群体智能的自动驾驶车辆安全高速的行驶，需要根据宏观道路环境的数据信息和群体车辆的数据信息，对群体智能车辆的未来时刻的行驶行为进行决策预测；
①首先通过云计算中心将宏观的高速公路实时交通地图信息发送到边缘计算服务器中，并且将群体车辆的高精地图信息也发送到边缘计算服务器中，在进行误差精确度对比后，将未来一段时间群体车辆可能行驶的车道线信息、交通标志信息和周围车辆信息保存在边缘计算服务器中，同时发送到群体车辆和云计算中心；
②在边缘计算服务器中，接收群体智能车辆的所有行驶状态，例如车速、加速度、实时图像信息及其路径规划信息的时候，并结合S7步骤中的实时道路交通信息，对其未来一段时间的行驶状态采用大数据分析进行预测，并将预测之后的行驶状态同时发送到群体车辆和云计算中心；
③在边缘计算服务器中，根据预测的群体车辆的行驶状态和S7步骤中的实时道路信息，对群体车辆在未来一段时间内的行驶决策进行预测，并且将预测的群体车辆的行驶决策信息发送到群体车辆中；
④群体车辆根据获取的未来一段时间内的决策预测结果，通过实时性的环境感知后获取的行为决策信息，进行实时性误差对比，并采用最终的决策预测有计划行驶；
S4、在城市附带交通的道路环境和其余较为复杂的道路环境例如恶劣天气下的道路环境、跨海大桥的道路环境、临近景区的道路环境以及有红绿灯控制的交叉路口和无红绿灯控制的交叉路口的道路环境，这几种较为复杂的道路环境行驶时，确定群体智能的自动驾驶车辆的行驶行为决策和个体车辆的行驶行为决策；
①首先根据群体智能的分工、自组织和通信功能，判断个体车辆在道路环境的位置以及周围车辆的位置信息，并且将个体车辆与周围车辆的侧向距离、纵向距离以及自身的状态如车速、加速度，发送到边缘计算服务器中；
②自动驾驶车辆可以根据具体的道路环境进行群体车辆的自组织功能，完成多车写作环境感知和决策；通常在复杂的行驶环境下，自动驾驶车辆很难会执行超车行驶的决策，因此，通常会有换道、车道保持和自适应巡航三种行驶模式，分别将每种行驶模式的群体车辆的行驶状态，侧向距离、纵向距离、车速、加速度和行驶路径信息发送到边缘计算服务器中，边缘计算服务器再将数据信息卸载到云计算中心；
S5、、在所述的复杂道路交通环境中，确定群体智能的自动驾驶车辆内部的个体失效车辆的行驶行为决策；也同时把所有道路使用者如行人、自行车、摩托车及其他动态障碍物和静态障碍物的状态信息和群体智能车辆所感知的其它道路使用者的图像信息发送到边缘计算服务器中，边缘计算服务器再把相应的数据信息发送到云计算中心；
在所述的复杂道路交通环境中，分别设置每种行驶状态的评价指标是车辆的安全性、舒适性和经济性三种特性；尤其在安全性指标中，关于车辆之间的行驶安全距离，采用TTC来设置碰撞时间：
Figure GDA0003143772400000051
其中，yi、yj是前后两车的位置，vi、vj是前后两车的速度；
①在所述的复杂道路交通环境中，采用有限状态机和车辆通信的方法实现所有群体智能车辆中的个体车辆的行驶决策行为；例如当前车经过城市附带交通十字路口的道路环境时，假如前车根据道路环境做出的行驶决策信息和根据决策信息做出的路径规划信息，发送给后方车辆和周围的车辆，此时后方车辆可以根据发送过来的数据信息，采用有限状态机的方法进行行驶行为的决策；
进一步，当群体智能车辆经过复杂的道路交通环境时，也需要边缘计算服务器计算周围的道路环境，并且将计算后的数据发送到群体车辆中，为群体车辆的决策提供信息；
②当群体智能中任意的个体车辆出现传感器失效的情况，而无法对周围环境和前方道路环境的实时感知，为确保整个行驶道路环境的安全性，将群体车辆中所有的行驶数据和道路周围环境数据发送到边缘计算服务器中，同时云计算中心也把实时性道路环境地图信息发送到边缘计算服务器，并在边缘计算服务器中根据周围车辆的行驶状态和传感器失效的车辆先验感知的环境信息进行行驶决策的数据计算，并将计算后的决策数据信息发送给车辆，车辆根据接收到的决策数据信息实行减速、换道以及退出群体智能车辆的行驶中；
③为确保整个道路交通环境的安全性，对于传感器失效的自动驾驶车辆，根据群体智能的特点，采用群体内通信的方式实现与前车同步的路径规划信息，并依次根据周围车辆的数据信息和边缘计算服务器传输的道路信息，有序地减少车速，直到停止；
S6、所述的复杂道路交通环境中，为实现群体智能的自动驾驶车辆具有较好的通过性，确定群体智能的自动驾驶车辆的未来时刻的行驶行为决策预测功能：
①需要根据宏观的道路环境的数据信息和群体车辆的数据信息，对群体智能车辆的未来时刻的行驶行为进行决策预测；首先通过云计算中心将宏观的高速公路实时交通地图信息，尤其是交叉十字路口、交通标志例如红绿灯、换道标志和车速限制这几种关键的影响自动驾驶车辆行驶决策的信息发送到边缘计算服务器中，同时将群体车辆的高精地图信息也发送到边缘计算服务器中，在进行误差精确度对比后，将未来一段时间群体车辆可能行驶的车道线信息、交通标志信息和周围车辆信息保存在边缘计算服务器中，也一并发送到群体车辆和云计算中心；
②在边缘计算服务器中，接收群体智能车辆的所有行驶状态，并结合S19步骤中的实时道路交通信息，对其未来一段时间的行驶状态采用大数据分析进行预测，并将预测之后的行驶状态同时发送到群体车辆和云计算中心；
③在边缘计算服务器中，根据预测的群体车辆的行驶状态和S7步骤中的实时道路信息，对群体车辆在未来一段时间内的行驶决策进行预测，并且将预测的群体车辆的行驶决策信息发送到群体车辆中；
④群体智能车辆根据获取的未来一段时间内的决策预测结果，通过实时性的环境感知后获取的行为决策信息，进行实时性误差对比，并采用最终的决策预测有计划行驶。
本发明具有以下优点：
(1)利用群体智能的自组织和通信功能，实现了个体车辆和群体车辆在不同交通环境中的决策行为；并且利用边缘计算服务器的计算力和低时延的通信能力特点，实现了个体车辆和群体车辆的实时性行驶决策的行为，解决了群体智能过于依赖个体车辆而无法在全局范围内实现对个体车辆的行驶行为决策的准确性；
(2)利用边缘计算服务器对群体智能车辆的行驶状态、图像信息、路径规划信息、位置信息和道路交通信息的处理能力，提前预测了群体智能的自动驾驶车辆的行驶决策功能，实现了群体智能的自动驾驶车辆在全局的道路环境下对道路环境的实时性决策预测，提高了行驶安全性。
本发明具有可扩展性、可靠性强、降低时延以及提升群体车辆的智能性水平优点。
附图说明
图1是本发明实施的群体智能的自动驾驶车辆决策方法的流程图；
图2是本发明实施的群体智能的自动驾驶车辆决策预测的原理图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。
一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其技术方案包括以下步骤：
步骤1：在高速公路行驶环境下，首先根据群体智能的自组织和通信功能，判断个体车辆与周围道路使用者在道路环境的位置和行驶状态；并且把个体车辆与周围道路使用者的位置和行驶状态发送到边缘计算服务器和云计算中心；
进一步，根据自动驾驶车辆的四种行驶行为：超车、换道、自适应巡航和自由驾驶，分别计算其群体车辆的行驶状态、纵向车间距、横向车间距和路径信息，并且发送到边缘计算服务器中，边缘计算服务器同时将处理完毕的数据信息卸载到云计算中心；
对车辆的四种行驶行为：超车、换道、自适应巡航和自由驾驶，分别设置评价指标，以方便自动驾驶车辆做出具体的行驶决策来，尤其对于安全性指标来讲，主要采用三种参数：碰撞时间、纵向安全距离和侧向安全距离，其中，设置的碰撞时间如下：
Figure GDA0003143772400000081
其中，yi、yj是前后两车的位置，vi、vj是前后两车的速度；
对于纵向安全距离和侧向安全距离，都可以采用常用的模型来实现；
进一步，确定上述群体车辆的状态数据后，采用有限状态机实现群体智能车辆中所有个体行驶行为；
当群体车辆对道路前方的交通环境感知较为简单时，群体车辆中的个体车辆可以任意决策其行驶方式；当前方道路环境较为复杂时候，通过将群体车辆的数据发送到边缘计算服务器中，边缘计算服务器根据计算的道路前方数据结果，将信息发送给群体智能的自动驾驶车辆中，群体智能车辆对前方道路环境做出同样一种行驶决策；
步骤2：在高速公路行驶环境下，当群体智能中任意的个体车辆出现传感器失效时，将群体车辆中所有的行驶数据和道路周围环境数据发送到边缘计算服务器中，同时云计算中心也把实时性道路环境地图信息发送到边缘计算服务器，并在边缘计算服务器中根据周围车辆的行驶状态和传感器失效的车辆先验感知的环境信息进行行驶决策的数据计算，并将计算后的决策数据信息发送给车辆，车辆根据接收到的决策数据信息实行减速、换道以及退出群体智能车辆的行驶中；
进一步，采用蜂群优化算法实现对群体智能的自动驾驶车辆进行路径规划，以确保失效车辆可以有效跟踪前方车辆规划的路径行驶，确保群体车辆局部的全局优化，不会终端整个群体。
进一步，在失效车辆做出正确的实时性决策后，其余车辆可以重新组合群体智能；
使用以下方程表示车辆更新的位置信息：
Figure GDA0003143772400000091
式中，Vij表示更新的位置信息；
Figure GDA0003143772400000092
表示在[-1,1]之间的任意数值；pij是目标位置；
步骤3：在高速公路环境下，根据宏观道路环境的数据信息和群体车辆的数据信息，对群体智能车辆的未来时刻的行驶行为进行决策预测；
首先通过云计算中心将宏观的高速公路实时交通地图信息发送到边缘计算服务器中，并且将群体车辆的高精地图信息也发送到边缘计算服务器中，在进行误差精确度对比后，将未来一段时间群体车辆可能行驶的车道线信息、交通标志信息和周围车辆信息保存在边缘计算服务器中，同时发送到群体车辆和云计算中心；
进一步，在边缘计算服务器中，结合群体车辆的行驶状态和图像处理信息以及实时性道路交通信息，预测群体车辆未来一段时间的行驶状态，进而对群体车辆未来时刻的行驶行为决策进行预测，并将预测的决策信息发送给群体车辆中，通过群体车辆的实时性行驶行为决策，前后进行误差最小化对比处理，最终得出正确的行驶行为决策预测结果；
步骤4：在城市附带交通的道路环境和其余较为复杂的道路环境例如恶劣天气下的道路环境、跨海大桥的道路环境、临近景区的道路环境以及有红绿灯控制的交叉路口和无红绿灯控制的交叉路口的道路环境，这几种较为复杂的道路环境行驶时，首先根据群体智能的分工、自组织和通信功能，判断个体车辆在道路环境的位置以及周围车辆的位置信息，并且将个体车辆与周围车辆的侧向距离、纵向距离以及自身的状态如车速、加速度，发送到边缘计算服务器中；
进一步，自动驾驶车辆可以根据具体的道路环境进行群体车辆的自组织功能，完成多车写作环境感知和决策；
根据自动驾驶车辆在复杂道路环境的三种行驶行为：换道、车道保持和自适应巡航，分别计算其群体车辆的行驶状态、纵向车间距、横向车间距和路径信息，并且发送到边缘计算服务器中，边缘计算服务器同时将处理完毕的数据信息卸载到云计算中心；
对车辆的四种行驶行为：换道、车道保持和自适应巡航，分别设置评价指标，以方便自动驾驶车辆做出具体的行驶决策来，尤其对于安全性指标来讲，主要采用三种参数：碰撞时间、纵向安全距离和侧向安全距离；
采用有限状态机和车辆通信的方法实现所有群体智能车辆中的个体车辆的行驶决策行为；尤其针对群体车辆，需要边缘计算服务器计算周围的道路环境，并且将计算后的数据发送到群体车辆中，为群体车辆的决策提供信息；
步骤5：在步骤4所述的复杂道路交通环境中，当群体智能中任意的个体车辆出现传感器失效的情况，将群体车辆中所有的行驶数据和道路周围环境数据发送到边缘计算服务器中，同时云计算中心也把实时性道路环境地图信息发送到边缘计算服务器，并在边缘计算服务器中根据周围车辆的行驶状态和传感器失效的车辆先验感知的环境信息进行行驶决策的数据计算，并将计算后的决策数据信息发送给车辆，车辆根据接收到的决策数据信息实行减速、换道以及退出群体智能车辆的行驶中；
步骤6：在步骤4所述的复杂道路交通环境中，根据宏观的道路环境的数据信息和群体车辆的数据信息，对群体智能车辆的未来时刻的行驶行为进行决策预测；首先通过云计算中心将宏观的高速公路实时交通地图信息，尤其是交叉十字路口、交通标志例如红绿灯、换道标志和车速限制这几种关键的影响自动驾驶车辆行驶决策的信息发送到边缘计算服务器中，同时将群体车辆的高精地图信息也发送到边缘计算服务器中，在进行误差精确度对比后，将未来一段时间群体车辆可能行驶的车道线信息、交通标志信息和周围车辆信息保存在边缘计算服务器中，也一并发送到群体车辆和云计算中心；
进一步，在边缘计算服务器中，结合群体车辆的行驶状态和图像处理信息以及实时性道路交通信息，预测群体车辆未来一段时间的行驶状态，进而对群体车辆未来时刻的行驶行为决策进行预测，并将预测的决策信息发送给群体车辆中，通过群体车辆的实时性行驶行为决策，前后进行误差最小化对比处理，最终得出正确的行驶行为决策预测结果。
本发明充分利用群体智能的特点和边缘计算的优势来实现多车自动驾驶车辆的决策预测，首先建立了群体智能的自动驾驶车辆的决策框架，充分利用群体智能的自组织、分工和群内个体的信息交互功能，将自动驾驶车辆的速度、加速度和规划的路径实时性状态进行信息共享，实现群体智能的自动驾驶车辆的行驶决策功能；同时，将多车的速度、加速度、路径信息和对道路前方的感知图像和视频信息发送到边缘计算服务器中，边缘计算服务器根据群体车辆的状态信息和云计算中心传输的实时性道路信息，对多车的行驶行为进行决策，并且根据所感知的道路图像信息，实现对多车的未来行驶决策进行预测认知和单车的未来行驶决策的个性化决策功能。
本发明解决了传统自动驾驶车辆因受道路环境的影响而导致决策实时性较差的问题，解决了群体智能过多依赖群车内其余自动驾驶车辆的短板，充分利用边缘计算服务器对道路环境的数据强大的计算力，提前预测了群体智能的自动驾驶车辆的行驶决策预测功能，解决了群车内个体车辆存在传感器环境感知失效情况下的自动行驶决策的问题，该方法具有可扩展性、可靠性强、降低时延以及提升群体车辆的智能性水平优点。
上述各实例仅用于本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征是，包括：
（1）在高速公路行驶环境下，确定群体智能的自动驾驶车辆的行驶行为决策和个体车辆的行驶行为决策；
（2）在高速公路行驶环境下，确定群体智能的自动驾驶车辆内部的个体失效车辆的行驶行为决策；
（3）在高速公路行驶环境下，确定群体智能的自动驾驶车辆的未来时刻的行驶行为决策预测功能；
（4）在较为复杂道路环境行驶，确定群体智能的自动驾驶车辆的行驶行为决策和个体车辆的行驶行为决策；
（5）在（4）中所述的复杂道路环境，确定群体智能的自动驾驶车辆内部的个体失效车辆的行驶行为决策；
（6）在（4）中所述的复杂道路环境，确定群体智能的自动驾驶车辆的未来时刻的行驶行为决策预测功能。
2.如权利要求1所述的基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征在于：步骤（1）的具体过程为：
①在高速公路行驶环境下，首先根据群体智能的自动驾驶车辆的自组织和通信功能，判断个体车辆在道路环境的位置以及与周围道路使用者之间的状态，将获取的群体智能的自动驾驶车辆的数据信息发送到边缘计算服务器和云计算中心；
②自动驾驶车辆行驶行为分为超车、换道、自适应巡航和自由行驶四种模式，分别将每种行驶模式的群体智能的自动驾驶车辆的行驶状态、侧向距离、纵向距离、车速、加速度和行驶路径信息发送到边缘计算服务器中，边缘计算服务器再将数据信息卸载到云计算中心；
③采用有限状态机实现群体智能的自动驾驶车辆中所有个体的行驶决策行为；当群体智能的自动驾驶车辆对道路前方的交通环境感知较为简单时，群体智能的自动驾驶车辆中的个体车辆可以任意决策其行驶方式；当前方道路环境较为复杂时候，通过将群体智能的自动驾驶车辆的数据发送到边缘计算服务器中，边缘计算服务器根据计算的道路前方数据结果，将信息发送给群体智能的自动驾驶车辆中，群体智能的自动驾驶车辆对前方道路环境做出同样一种行驶决策，以保证行车的安全性。
3.如权利要求2所述的基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征在于：步骤（2）的具体过程为：
在高速公路环境下，当群体智能的自动驾驶车辆中任意的个体车辆出现传感器失效的情况，而无法对周围环境和前方道路环境的实时感知，将群体智能的自动驾驶车辆中所有的行驶数据和道路周围环境数据发送到边缘计算服务器中，同时云计算中心也把实时性道路环境地图信息发送到边缘计算服务器，并在边缘计算服务器中根据周围车辆的行驶状态和传感器失效的车辆先验感知的环境信息进行行驶决策的数据计算，并将计算后的决策数据信息发送给传感器失效的车辆，传感器失效的车辆根据接收到的决策数据信息实行减速、换道以及退出群体智能的自动驾驶车辆的行驶中。
4.如权利要求3所述的基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征在于：步骤（3）的具体过程为：
①根据宏观道路环境的数据信息和群体智能的自动驾驶车辆的数据信息，对群体智能的自动驾驶车辆的未来时刻的行驶行为进行决策预测；首先通过云计算中心将宏观的高速公路实时交通地图信息发送到边缘计算服务器中，并且将群体智能的自动驾驶车辆的高精地图信息也发送到边缘计算服务器中，在进行误差精确度对比后，将未来一段时间群体智能的自动驾驶车辆可能行驶的车道线信息、交通标志信息和周围车辆信息保存在边缘计算服务器中，同时发送到群体智能的自动驾驶车辆和云计算中心；
②在边缘计算服务器中，接收群体智能的自动驾驶车辆的所有行驶状态，车速、加速度、实时图像信息及其路径规划信息的时候，并结合①步骤中的实时交通地图信息，对其未来一段时间的行驶状态采用大数据分析进行预测，并将预测之后的行驶状态同时发送到群体智能的自动驾驶车辆和云计算中心；
③在边缘计算服务器中，根据预测的群体智能的自动驾驶车辆的行驶状态和①步骤中的实时交通地图信息，对群体智能的自动驾驶车辆在未来一段时间内的行驶决策进行预测，并且将预测的群体智能的自动驾驶车辆的行驶决策信息发送到群体智能的自动驾驶车辆中；
④群体智能的自动驾驶车辆根据获取的未来一段时间内的决策预测结果，通过实时性的环境感知后获取的行为决策信息，进行实时性误差对比，并采用最终的决策预测有计划行驶。
5.如权利要求4所述的基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征在于：步骤（4）的具体过程为：
①首先根据群体智能的自动驾驶车辆的分工、自组织和通信功能，判断个体车辆在道路环境的位置以及周围车辆的位置信息，并且将个体车辆与周围车辆的侧向距离、纵向距离以及自身的状态，发送到边缘计算服务器中；
②自动驾驶车辆可以根据具体的道路环境进行群体智能的自动驾驶车辆的自组织功能，完成多车协作环境感知和决策；有换道、车道保持和自适应巡航三种行驶模式，分别将每种行驶模式的群体智能的自动驾驶车辆的行驶状态，侧向距离、纵向距离、车速、加速度和行驶路径信息，所有道路使用者及其他动态障碍物和静态障碍物的状态信息和群体智能的自动驾驶车辆所感知的其它道路使用者的图像信息发送到边缘计算服务器中，边缘计算服务器再将数据信息卸载到云计算中心。
6.如权利要求5所述的基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征在于：步骤（5）的具体过程为：
①采用有限状态机和车辆通信的方法实现所有群体智能的自动驾驶车辆中的个体车辆的行驶决策行为；
②将群体智能的自动驾驶车辆中所有的行驶数据和道路周围环境数据发送到边缘计算服务器中，同时云计算中心也把实时性道路环境地图信息发送到边缘计算服务器，并在边缘计算服务器中根据周围车辆的行驶状态和传感器失效的车辆先验感知的环境信息进行行驶决策的数据计算，并将计算后的决策数据信息发送给车辆，车辆根据接收到的决策数据信息实行减速、换道以及退出群体智能的自动驾驶车辆的行驶中；
③为确保整个道路交通环境的安全性，对于传感器失效的自动驾驶车辆，根据群体智能的自动驾驶车辆的特点，采用群体智能的自动驾驶车辆内通信的方式实现与前车同步的路径规划信息，并依次根据周围车辆的数据信息和边缘计算服务器传输的道路信息，有序地减少车速，直到停止。
7.如权利要求4所述的基于边缘计算和群智算法的自动驾驶车辆的决策预测方法，其特征在于：步骤（6）的具体过程为：
①根据宏观的道路环境的数据信息和群体智能的自动驾驶车辆的数据信息，对群体智能的自动驾驶车辆的未来时刻的行驶行为进行决策预测；首先通过云计算中心将宏观的高速公路实时交通地图信息，影响自动驾驶车辆行驶决策的信息发送到边缘计算服务器中，同时将群体智能的自动驾驶车辆的高精地图信息也发送到边缘计算服务器中，在进行误差精确度对比后，将未来一段时间群体智能的自动驾驶车辆可能行驶的车道线信息、交通标志信息和周围车辆信息保存在边缘计算服务器中，也一并发送到群体智能的自动驾驶车辆和云计算中心；
②剩余同步骤（3）中②③④的内容。
CN202010734512.6A 2020-07-27 2020-07-27 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 Active CN111845754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010734512.6A CN111845754B (zh) 2020-07-27 2020-07-27 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010734512.6A CN111845754B (zh) 2020-07-27 2020-07-27 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法

Publications (2)

Publication Number Publication Date
CN111845754A CN111845754A (zh) 2020-10-30
CN111845754B true CN111845754B (zh) 2021-09-24

Family

ID=72947575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010734512.6A Active CN111845754B (zh) 2020-07-27 2020-07-27 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法

Country Status (1)

Country Link
CN (1) CN111845754B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348201B (zh) * 2020-11-11 2024-03-12 扬州大学 一种基于联邦深度强化学习的自动驾驶群车的智能决策实现方法
CN112124308A (zh) * 2020-11-18 2020-12-25 北京清研宏达信息科技有限公司 基于5g分级决策的自适应巡航系统
CN112484725B (zh) * 2020-11-23 2023-03-21 吉林大学 一种基于多传感器融合的智能汽车高精度定位与时空态势安全方法
CN114283607B (zh) * 2020-12-21 2022-09-20 北京邮电大学 一种基于分布式群智学习的多车协同规划方法
CN113177508B (zh) * 2021-05-18 2022-04-08 中移(上海)信息通信科技有限公司 一种行车信息的处理方法、装置及设备
CN113593225B (zh) * 2021-07-21 2022-09-06 同济大学 一种面向纯网联环境的单点交叉口车辆控制方法
CN114648870B (zh) * 2022-02-11 2023-07-28 行云新能科技（深圳）有限公司 边缘计算系统、边缘计算决策预测方法以及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107959708A (zh) * 2017-10-24 2018-04-24 北京邮电大学 一种基于云端-边缘端-车端的车联网服务协同计算方法与系统
CN108492603A (zh) * 2018-04-25 2018-09-04 济南浪潮高新科技投资发展有限公司 一种边缘计算站及基于边缘计算站的自动驾驶方法
CN110633138A (zh) * 2019-08-28 2019-12-31 中山大学 一种基于边缘计算的自动驾驶服务卸载方法
US10616734B1 (en) * 2018-11-20 2020-04-07 T-Mobile Usa, Inc. Unmanned aerial vehicle assisted V2X
CN110979332A (zh) * 2019-12-24 2020-04-10 奇瑞汽车股份有限公司 智能汽车的控制方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11218553B2 (en) * 2018-03-05 2022-01-04 Intel Corporation Inter-MEC system communication for V2X services

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107959708A (zh) * 2017-10-24 2018-04-24 北京邮电大学 一种基于云端-边缘端-车端的车联网服务协同计算方法与系统
CN108492603A (zh) * 2018-04-25 2018-09-04 济南浪潮高新科技投资发展有限公司 一种边缘计算站及基于边缘计算站的自动驾驶方法
US10616734B1 (en) * 2018-11-20 2020-04-07 T-Mobile Usa, Inc. Unmanned aerial vehicle assisted V2X
CN110633138A (zh) * 2019-08-28 2019-12-31 中山大学 一种基于边缘计算的自动驾驶服务卸载方法
CN110979332A (zh) * 2019-12-24 2020-04-10 奇瑞汽车股份有限公司 智能汽车的控制方法、装置及存储介质

Also Published As

Publication number Publication date
CN111845754A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111845754B (zh) 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法
CN112099496B (zh) 一种自动驾驶训练方法、装置、设备及介质
US11138745B2 (en) Object association for autonomous vehicles
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
US11555706B1 (en) Processing graph representations of tactical maps using neural networks
GB2608567A (en) Operation of a vehicle using motion planning with machine learning
CN110796856A (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
CN110304074A (zh) 一种基于分层状态机的混合式驾驶方法
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
CN110843789A (zh) 一种基于时序卷积网络的车辆换道意图预测方法
CN113085852A (zh) 自动驾驶车辆的行为预警方法、装置及云端设备
US11935417B2 (en) Systems and methods for cooperatively managing mixed traffic at an intersection
US12030485B2 (en) Vehicle operation using maneuver generation
WO2023097874A1 (zh) 用于行驶轨迹规划的方法和装置
CN116469249A (zh) HDMap与5G车路协的智慧交通云管理平台
CN112896185A (zh) 一种面向车路协同的智能驾驶行为决策规划方法及系统
CN112406905A (zh) 基于交通工具的数据处理方法、装置、计算机及存储介质
CN116266380A (zh) 一种环境数据重建方法、装置、系统及存储介质
Pan et al. Research on the behavior decision of connected and autonomous vehicle at the unsignalized intersection
CN116911480A (zh) 基于信任共享机制的车联网场景下的路径预测方法及系统
US20240067195A1 (en) Transfer Learning with Experience Filter for Vehicle Operation
CN214475561U (zh) 一种基于智能信号灯的自动驾驶控制系统
CN114822048A (zh) 一种网联车的云端规划服务系统及方法
Petrou AI-Driven Systems for Autonomous Vehicle Traffic Flow Optimization and Control
CN118209127B (zh) 路径优化方法、装置、电子设备及存储介质

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