CN112506075A - 基于tpzn的智能网联汽车系统协同控制方法 - Google Patents

Abstract

本发明涉及基于TPZN的智能网联汽车系统协同控制方法，属于无人驾驶、预测和控制策略领域，通过将Z语言形式化描述和TPN模型融合成为新的TPZN模型来实现功能，能够有效的解决时间Petri网因节点设备众多而带来的状态爆炸问题和Z框架动态能力和实时性不足的问题，建立的智能网联汽车系统协同控制的TPZN形式化模型，能够实现多源异构复杂环境下的智能网联汽车系统信息安全传输的协同控制，提升智能网联汽车行驶的安全性和可靠性。

Description

基于TPZN的智能网联汽车系统协同控制方法

技术领域

本发明涉及基于TPZN的智能网联汽车系统协同控制方法，属于无人驾驶、预测和控制策略领域，尤其适用于智能网联汽车系统协同控制。

背景技术

随着人工智能、大数据分析与处理技术、无线通信技术、车联网、无人驾驶技术等日趋成熟，智能网联汽车已广泛应用于物流、人民生活、兵力部署等民用和军事领域。在这种多源异构复杂环境下，智能网联汽车系统的协同控制显得尤其重要。采用具有严格数理逻辑基础的形式化建模和分析方法对智能网联汽车系统协同控制策略进行预测，有利于加强网联汽车的安全性。

与传统汽车系统控制方法(夏海英等人的文章“一种车车协同行驶建模方法”为代表)相比，智能网联汽车系统的运行环境复杂多变、终端传感器设备数量庞杂，更重要的是智能网络汽车系统对数据传输的实时性和正确性要求极高。面对多源异构环境下发生的随机事件，能尽可能的快速响应，给出正确的预测结果和合理有效的下一步策略实施方案，是保证网联汽车行驶安全的必要手段。目前，形式化方法(封飞等人的文章“基于混成自动机的车联网服务建模方法”为代表)虽然在智能交通的传输协议、站点信号、可信构造、应急预警方案、最短路径找寻等方面均有运用，然而在智能网联汽车系统信息安全传输的协同控制方面，并没有较为突出有效的方法。

进一步，Petri网作为形式化方法的一种，常用来对离散并行系统进行建模仿真和分析；在此基础上发展出来的时间Petri网，加入了变迁时间区间，能够给离散时间系统动态过程提供准确的描述，能够用来很好地解决智能网联汽车系统控制仿真问题，具体的方法描述可参考张洪梅硕士毕业论文“时间Petri网及其在仿真系统概念建模中的应用”。Z语言的提出和发展可以对多源异构复杂环境系统的一致性描述有了很大的帮助，刘洋在博士论文“网络式软件需求验证的形式化方法研究”提出了集成Petri网和Z语言的PZN(base onZ language and Petri Nets)模型，但是该模型无法实现系统在变迁动态过程的时间上描述。

发明内容

有鉴于此，本发明提供基于TPZN的智能网联汽车系统协同控制方法，针对多源异构复杂环境下的智能网联汽车系统信息安全传输的协同控制问题，提出通过融合Z语言形式化描述和时间Petri网(Time Petri Net，TPN)模型，建立智能网联汽车系统协同控制的基于Z语言的时间Petri网(base on Z language and Time Petri Nets，TPZN)形式化模型：其中时间Petri网部分刻画智能网联汽车系统的信息传输过程流，Z语言框架结构描述少量设计节点及信息传输规则；前置条件和后置条件来形式刻画智能网联汽车系统传输过程中每一状态转变过程中所需要的限制条件。

为达到上述目的，本发明提供如下技术方案：

基于TPZN的智能网联汽车系统协同控制方法，通过智能联网汽车系统进行实现；所述的智能联网汽车系统由多辆智能网络汽车的车载自组织网络和分别与之相连的汽车电子控制单元(ECU)和智能控制系统构成；所述的车载自组织网络由多个车载短程通信装置联网实现，可实现车与车之间的通信及车与路之间的通信；所述的汽车电子控制单元为汽车上安装的传感器、控制器和执行机构；智能控制系统为带有TPZN控制算法的中央处理器(CPU)。

包括如下步骤：

S1：智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则，进行车辆控制信息流传输相关约束规则制定；

S2：基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点，利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述；

S3：根据车辆控制信息流传输相关约束规则中状态和变迁的前置条件和后置条件，建立智能网联汽车系统的TPN模型；

S4：融合Z语言形式化描述和TPN模型，建立智能网联汽车系统协同控制的TPZN形式化模型；

S5：利用智能网联汽车系统协同控制的TPZN形式化模型，预测出对应不同路况的汽车变迁策略；

S6：针对步骤S5中预测汽车发生事故的情形，对车辆控制信息流传输相关约束规则进行修改。

进一步，单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id-name、时间Time和汽车电子控制单元属性At；所述的时间包括汽车电子控制单元的响应时间t_p和系统全局时间t_g；所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存在的状态P＝{p_i|i＝1，2，…，m}和所有的汽车电子控制单元对应的所有存在的操作T＝{τ_j|j＝1，2，…，n}；其中，m、n为所有汽车电子控制单元对应的状态和操作的总数。

更进一步，所述的含所有的汽车电子控制单元状态P可以按照理论推导、人为经验或者深度学习分类器(如SVM支持向量机等)训练将其分为正常驾驶状态和非正常驾驶状态。优选的，长短期记忆人工神经网络(LSTM)能够更好地适用于本发明场景。

进一步，所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系；所述的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、输出O；所述的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间的前置条件(P，T)和后置条件(T，P)。

进一步，步骤S3所述的智能网联汽车系统的时间Petri网模型为(P，T，F，M₀，SI)五组元的时间Petri网模型；其中，

(1)

为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集合，等价于有向弧集合，其中，K为有向弧的总数；

(2)M_i＝(vol(p₁)，vol(p₂)，…，vol(p_m))为智能网联汽车系统操作变迁前的状态向量，其中，初始时刻i＝0，vol(p_j)为当前状态p_j的汽车电子控制单元数量；当某个汽车电子控制单元在M_i状态发生变迁τ_r时称为状态M_i使能发生，标记为M_i]＞τ_r；

(3)SI为当前状态操作变迁时相对于初始时刻的最长时间区间，其中，初始时刻SI＝[0，0]，对任意操作集合

SI(τ)＝[max(eft(τ))，min(lft(τ))]，(eft≤lft)，eft表示操作最早的变迁时刻，lft表示操作最晚的变迁时刻。

进一步，步骤S4所述的智能网联汽车系统协同控制的TPZN形式化模型为融合Z语言形式化描述和TPN模型的(P，T，F，Z_P，Z_T，S，C，M₀，SI)九组元的形式化描述的模型；其中，

(1)Z_P，Z_T分别为采用Z语言框架抽象描述的汽车电子控制设备状态P和汽车电子控制设备对应的所有状态变迁T；

(2)S是P→Z_P的一一映射关系，C是T→Z_T的一一映射关系。

进一步，步骤S5所述的预测结果通过当前状态M_i可能到达的状态，通过可达树分析得到，即从当前状态M_i到另一状态M_j的所有可能变迁序列为可达树上从节点

到节点

的可能路径；其中，M_i为智能网联汽车系统第i次的操作

变迁前的状态向量；在操作

的过程t_g∈[t0_i，tf_i]完成后，

M_j为变迁后达到的状态，D(tf_i)为变迁的响应时间的集合，SI_i＝SI(τ_i)；如果M_j为目标状态，则此时D(tf_i)为空集。

进一步，步骤S5所述的汽车变迁策略具体为：(一)根据矩阵方程：M_j＝M_i+X·(D⁺-D^-)求解X的值；(二)如果X＝(M_j-M_i)·(D⁺-D^-)^-1无解，证明没有操作能够实现汽车从M_i状态变迁到M_j状态；(三)如果X有解，X的值就是M_i状态到达M_j状态的具体变迁过程的操作参数；其中：

(1)输入矩阵D^-满足：TPZN网络图中不存在τ_a到p_b的有向弧，则D^-[a，b]＝0；TPZN网络图中存在一条τ_a到p_b的有向弧，且τ_a操作使能能够产生状态p_b的数量为s，则D^-[a，b]＝s；其中，1≤a≤n，1≤b≤m：

(2)输出矩阵D⁺满足：TPZN网络图中不存在p_b到τ_a的有向弧，则D⁺[a，b]＝0；TPZN网络图中存在一条p_b到τ_a的有向弧，且能够使能操作τ_a的状态p_b的数量为s，则D⁺[a，b]＝s；其中，1≤a≤n，1≤b≤m。

进一步，步骤S6所述的对车辆控制信息流传输相关约束规则进行修改具体为：当汽车无法通过任意操作集合

从某个状态M_i变迁到正常状态M_j时，说明中间的前置条件或后置条件存在问题，结合车辆汽车电子控制设备状态Z_P，对车辆汽车电子控制设备操作Z_T中相关参数进行调整。

本发明的有益效果在于：本发明提供了基于TPZN的智能网联汽车系统协同控制方法，通过融合Z语言形式化描述和TPN模型，能够有效的解决时间Petri网因节点设备众多而带来的状态爆炸问题和Z框架动态能力和实时性不足的问题，建立的智能网联汽车系统协同控制的TPZN形式化模型，能够实现多源异构复杂环境下的智能网联汽车系统信息安全传输的协同控制，提升智能网联汽车行驶的安全性和可靠性。

附图说明

为了使本发明的目的、技术方案，本发明提供如下附图进行说明：

图1为基于TPZN的智能网联汽车系统协同控制方法流程图；

图2为本发明实施例的驾驶环境示意图；

图3为本发明实施例的中传感器部分状态或操作的Z语言形式化描述示意图；

图4为本发明实施例的TPN模型；

图5为本发明实施案例中Z语言形式化描述和TPN模型的融合示意图。

具体实施方式

下面将结合附图1，对本发明的优选实施例进行详细的描述。

实施例：针对无人驾驶的智能网联汽车的前进驾驶，结合图2，假设有一辆智能网联汽车车身前部前左、前中、前右有3个激光雷达(Lidar)，前左、前右有2个毫米波雷达(Radar)，广角、前端有2个视觉传感器(Vision)；车上含有图像识别子系统、雷达子系统、制动控制子系统等智能控制系统；本发明提供一种“基于TPZN的智能网联汽车系统协同控制方法”，通过智能联网汽车系统进行实现；所述的智能联网汽车系统由这一辆智能网络汽车的车载自组织网络和分别与之相连的汽车电子控制单元和智能控制系统构成；所述的车载自组织网络由多个车载短程通信装置联网实现，可实现车与车之间的通信及车与路之间的通信；所述的汽车电子控制单元为汽车上安装的激光雷达、毫米波雷达和视觉传感器；此外，智能控制系统还带有TPZN控制算法的中央处理器。

具体包含以下步骤：

步骤一、智能控制系统通过通信实时获取汽车电子控制单元信息(p₁～p₁₃)并依据相关交通规则(p₁₄)，进行车辆控制信息流传输相关约束规则制定；智能联网汽车系统的具体的相关参数如表1和表2所示。

其中，相关交通规则可以通过图像识别来获取，例如，公路限速，道路变窄等。车辆控制信息流传输相关约束规则为前置条件或后置条件。同时，还需要获取智能网联汽车的状态信息(p₀)用于给模型赋值，如汽车当前行驶的速度、加速度以及方向等数值。

表1本发明实施例的相关设定参数

表2状态和操作的具体含义解释

步骤二、基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点，利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述，部分结果如图3所示。

步骤三、根据车辆控制信息流传输相关约束规则中状态和表1中变迁的前置条件和后置条件，建立智能网联汽车系统的TPN模型，如图4所示。

所述的智能网联汽车系统的时间Petri网模型为(P，T，F，M₀，SI)五组元的时间Petri网模型。

(1)

为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集合，等价于有向弧集合，其中，K为有向弧的总数；

(2)M_i＝(vol(p₁)，vol(p₂)，…，vol(p_m))为智能网联汽车系统操作变迁前的状态向量，其中，初始时刻i＝0，vol(p_j)为当前状态p_j的汽车电子控制单元数量；当某个汽车电子控制单元在M_i状态发生变迁τ_r时称为状态M_i使能发生，标记为M_i]＞τ_r；

(3)SI为当前状态操作变迁时相对于初始时刻的最长时间区间，其中，初始时刻SI＝[0，0]，对任意操作集合

SI(τ)＝[max(eft(τ))，min(lft(τ))]，(eft≤lft)，eft表示操作最早的变迁时刻，lft表示操作最晚的变迁时刻。

步骤四、结合图5，融合Z语言形式化描述和TPN模型，建立智能网联汽车系统协同控制的TPZN形式化模型。

所述的智能网联汽车系统协同控制的TPZN形式化模型为融合Z语言形式化描述和TPN模型的(P，T，F，Z_P，Z_T，S，C，M₀，SI)九组元的形式化描述的模型。

(1)Z_P，Z_T分别为采用Z语言框架抽象描述的汽车电子控制设备状态P和汽车电子控制设备对应的所有状态变迁T；

(2)S是P→Z_P的一一映射关系，C是T→Z_T的一一映射关系。

步骤五、利用智能网联汽车系统协同控制的TPZN形式化模型，预测出对应不同路况的汽车变迁策略。特别的，具体的可达树的建立和仿真方法可以参考刘洋在博士论文“网络式软件需求验证的形式化方法研究”第四章提出的方法。

所述的预测结果通过当前状态M_i可能到达的状态，通过可达树分析得到，即从当前状态M_i到另一状态M_j的所有可能变迁序列为可达树上从节点

到节点

的可能路径；其中，M_i为智能网联汽车系统第i次的操作

变迁前的状态向量；在操作

的过程t_g∈[t0_i，tf_i]完成后，

M_j为变迁后达到的状态，D(tf_i)为变迁的响应时间的集合，SI_i＝SI(τ_i)；如果M_j为目标状态，则此时D(tf_i)为空集。

所述的汽车变迁策略具体为：(一)根据矩阵方程：M_j＝M_i+X·(D⁺-D^-)求解X的值；(二)如果X＝(M_j-M_i)·(D⁺-D^-)^-1无解，证明没有操作能够实现汽车从M_i状态变迁到M_j状态；(三)如果X有解，X的值就是M_i状态到达M_j状态的具体变迁过程的操作参数。

具体的：以网联汽车在直行情况下遇到道路前方有红灯为例，初始时刻输入矩阵D^-为：

初始时刻输出矩阵D⁺为：

仿真结果如表3所示：

表3仿真结果

当i＝5，6，7时，对应的D(tf_i)＝φ，表示当前阶段的网联汽车协同控制仿真结束，汽车此时状态为最终状态，分别为正常行驶p₁₆、紧急制动p₉和减速行驶p₁₀这三个状态。

步骤六：针对步骤S5中预测汽车发生事故的情形，对车辆控制信息流传输相关约束规则进行修改。

所述的对车辆控制信息流传输相关约束规则进行修改具体为：当汽车无法通过任意操作集合

从某个状态M_i变迁到正常状态M_j时，说明中间的前置条件或后置条件存在问题，结合车辆汽车电子控制设备状态Z_P，对车辆汽车电子控制设备操作Z_T中相关参数进行调整。

当在时间戳SI_i范围内没有接收到相关信息，即可以在智能控制系统中央处理器上设置报警系统，排查设备节点故障，以此来保证行车安全；同时，根据TPZN模型中Z语言框架的抽象描述能力将整个网联汽车运行环境进行更细致的底层划分，每层预留与其它层的前置条件、后置条件、输入、输出变量，将整个模型融合，从而保证行车的安全性。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (9)

1.基于TPZN的智能网联汽车系统协同控制方法，通过智能联网汽车系统进行实现；所述的智能联网汽车系统由多辆智能网络汽车的车载自组织网络和分别与之相连的汽车电子控制单元和智能控制系统构成；所述的车载自组织网络由多个车载短程通信装置联网实现，可实现车与车之间的通信及车与路之间的通信；所述的汽车电子控制单元为汽车上安装的传感器、控制器和执行机构；智能控制系统为带有TPZN控制算法的中央处理器；

其特征在于，该方法包含以下步骤：

S1：智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则，进行车辆控制信息流传输相关约束规则制定；

S2：基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点，利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述；

S3：根据车辆控制信息流传输相关约束规则中状态和变迁的前置条件和后置条件，建立智能网联汽车系统的时间Petri网模型；

S4：融合Z语言形式化描述和TPN模型，建立智能网联汽车系统协同控制的TPZN形式化模型；

S5：利用智能网联汽车系统协同控制的TPZN形式化模型，预测出对应不同路况的汽车变迁策略；

S6：针对步骤S5中预测汽车发生事故的情形，对车辆控制信息流传输相关约束规则进行修改。

2.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id-name、时间Time和汽车电子控制单元属性At；所述的时间包括汽车电子控制单元的响应时间t_p和系统全局时间t_g；所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存在的状态P＝{p_i|i＝1，2，…，m}和所有的汽车电子控制单元对应的所有存在的操作T＝{τ_j|j＝1，2，…，n}；其中，m、n为所有汽车电子控制单元对应的状态和操作的总数。

3.根据权利要求2所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，所述的含所有的汽车电子控制单元状态P可以按照理论推导、人为经验或者深度学习分类器训练将其分为正常驾驶状态和非正常驾驶状态。

4.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系；所述的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、输出O；所述的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间的前置条件(P，T)和后置条件(T，P)。

5.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，步骤S3所述的智能网联汽车系统的时间Petri网模型为(P，T，F，M₀，SI)五组元的时间Petri网模型；其中，

(1)

为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集合，等价于有向弧集合；

(2)M_i＝(vol(p₁)，vol(p₂)，…，vol(p_m))为智能网联汽车系统操作变迁前的状态向量，其中，初始时刻i＝0，vol(p_j)为当前状态p_j的汽车电子控制单元数量；

(3)SI为当前状态操作变迁时相对于初始时刻的最长时间区间，其中，初始时刻SI＝[0，0]，对任意操作集合

SI(τ)＝[max(eft(τ))，min(lft(τ))]，(eft≤lft)，eft表示操作最早的变迁时刻，lft表示操作最晚的变迁时刻。

6.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，步骤S4所述的智能网联汽车系统协同控制的TPZN形式化模型为融合Z语言形式化描述和TPN模型的(P，T，F，Z_P，Z_T，S，C，M₀，SI)九组元的形式化描述的模型；其中，

(1)Z_P，Z_T分别为采用Z语言框架抽象描述的汽车电子控制设备状态P和汽车电子控制设备对应的所有状态变迁T；

(2)S是P→Z_P的一一映射关系，C是T→Z_T的一一映射关系。

7.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，步骤S5所述的预测结果通过当前状态M_i可能到达的状态，通过可达树分析得到，即从当前状态M_i到另一状态M_j的所有可能变迁序列为可达树上从节点

到节点

的可能路径；其中，M_i为智能网联汽车系统第i次的操作

变迁前的状态向量；在操作

的过程t_g∈[t0_i，tf_i]完成后，

M_j为变迁后达到的状态，D(tf_i)为变迁的响应时间的集合，SI_i＝SI(τ_i)；如果M_j为目标状态，则此时D(tf_i)为空集。

8.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，步骤S5所述的汽车变迁策略具体为：(一)根据矩阵方程：M_j＝M_i+X·(D⁺-D^-)求解X的值；(二)如果X无解，证明没有操作能够实现汽车从M_i状态变迁到M_j状态；(三)如果X有解，X的值就是M_i状态到达M_j状态的具体变迁过程的操作参数；其中：

(1)输入矩阵D^-满足：TPZN网络图中不存在τ_a到p_b的有向弧，则D^-[a，b]＝0；TPZN网络图中存在一条τ_a到p_b的有向弧，且τ_a操作使能能够产生状态p_b的数量为s，则D^-[a，b]＝s；其中，1≤a≤n，1≤b≤m；

(2)输出矩阵D⁺满足：TPZN网络图中不存在p_b到τ_a的有向弧，则D⁺[a，b]＝0；TPZN网络图中存在一条p_b到τ_a的有向弧，且能够使能操作τ_a的状态p_b的数量为s，则D⁺[a，b]＝s；其中，1≤a≤n，1≤b≤m。

9.根据权利要求1所述的基于TPZN的智能网联汽车系统协同控制方法，其特征在于，步骤S6所述的对车辆控制信息流传输相关约束规则进行修改具体为：当汽车无法通过任意操作集合

从某个状态M_i变迁到正常状态M_j时，说明中间的前置条件或后置条件存在问题，结合车辆汽车电子控制设备状态Z_P，对车辆汽车电子控制设备操作Z_T中相关参数进行调整。

Images