CN112953780B - 封闭场景下无人驾驶车群构建及评价方法 - Google Patents

Abstract

封闭场景下无人驾驶车群构建及评价方法，本发明在研究无人驾驶节点运行状态和节点初始化的基础上，提出了基于车群节点加入、离开、引领节点更替的无人驾驶车群构建方法，还研究了包括基准度、引领节点变化率、算法运行时间等车群质量评价指标，从而使得封闭场景下无人驾驶车辆不需要事先进行路径规划以及后台控制终端，并且能够有效保持无人驾驶车辆节点运动行为智能化。本发明申请给出的技术方案具体包括如下步骤：步骤1.相关定义；步骤2.无人驾驶车群构建；步骤3.车群质量评价方法。本发明目的在于公开一种封闭场景下，面向无人驾驶车辆行车环境，提供一种能够保障无人驾驶车辆运动行为智能化方法。

Description

封闭场景下无人驾驶车群构建及评价方法

技术领域

本发明涉及无人驾驶领域，具体涉及封闭场景下无人驾驶车群构建方法。

背景技术

在封闭式场景中，因为内部道路设施风格统一，没有人为因素干扰，车辆运动轨迹存在一定的规律，常常被看作是最适合无人驾驶技术落地的应用场景。在此场景下，目前关于无人驾驶车辆的运行依赖于事先进行的路径规划，而且车辆的运行大多依靠后台中央控制器的集中决策。在这种模式下，无人驾驶车辆的行车路径往往是静态固定的，当遇到突发故障时，单智能体不能自主地做出应对决策，从而不可避免地造成事故的发生。此外，由于后台控制终端运行的成本与场地内整体车辆的规模相关，当无人驾驶车辆数量达到一定上限后，算法运行的复杂度将爆炸式增长，运算耗时长，决策出现较大的延迟，影响无人驾驶车辆的实时决策和避障功能。造成上述问题的原因在于，在中央控制器集中决策下的无人驾驶车辆缺乏独立感知周围路况信息并做出合理决策的自治能力。同时，无人驾驶车辆之间缺乏路况信息的交互，无法提前感知到前方突发路障并及时做出避障决策，从根本上制约了自动驾驶技术广泛应用。

发明内容

发明目的：

目前关于封闭式场景下无人驾驶的研究主要集中在利用后台中央控制器对场地内部车辆集中进行路径规划与决策。存在以下问题：首先，没有考虑无人驾驶车辆规模对路径规划过程的影响，从而导致算法运行时间复杂度较高；其次，静态路径规划算法使得后台控制终端在面对车辆节点突发故障时无法给出有效的运动决策解决方案。

本发明在研究无人驾驶节点运行状态和节点初始化的基础上，提出了基于车群节点加入、离开、引领节点更替的无人驾驶车群构建方法，还研究了包括基准度、引领节点变化率、算法运行时间等车群质量评价指标，从而使得封闭场景下无人驾驶车辆不需要事先进行路径规划以及后台控制终端，并且能够有效保持无人驾驶车辆节点运动行为智能化。

本发明申请给出的技术方案为：

为此，本发明具体给出以下技术方案实现：封闭场景下无人驾驶车群模型构建方法，具体包括如下步骤：

步骤1.相关定义

步骤2.无人驾驶车群构建

步骤2.1无人驾驶车群节点初始化

步骤2.2无人驾驶车群节点加入

步骤2.3无人驾驶车群节点离开

步骤2.4引领节点及其更替策略

步骤3.车群质量评价方法

有益效果

本发明目的在于公开一种考虑封闭场景下，面向无人驾驶车辆行车环境，提供一种能够保障无人驾驶车辆运动行为智能化方法，从而使得无人驾驶在封闭场景中能够得到应用的方法。

附表说明

表1本发明中的符号说明

表2仿真实验参数

附图说明

图1为节点初始化前

图2为节点初始化后

图3为车群节点初始化算法流程图

图4为节点加入前

图5为节点加入后

图6为车群节点加入算法流程图

图7为车群节点离开算法流程图

图8为引领节点及其更替策略算法流程图

图9为阈值α为0.2时DVGM算法和SOCDV算法基准度与车辆速度的关系

图10为阈值α为0.5时DVGM算法和SOCDV算法基准度与车辆速度的关系

图11为阈值α为0.8时DVGM算法和SOCDV算法基准度与车辆速度的关系

图12为阈值α为0.2时DVGM算法和SOCDV算法运行时间对比

图13为阈值α为0.5时DVGM算法和SOCDV算法运行时间对比

图14为阈值α为0.8时DVGM算法和SOCDV算法运行时间对比

图15为阈值α为0.2时DVGM算法和SOCDV算法车群引领节点变化率对比

图16为阈值α为0.5时DVGM算法和SOCDV算法车群引领节点变化率对比

图17为本发明方法流程图

具体实施方式

本发明的具体实施过程如图17所示，包括如下5个方面：

①相关定义

②无人驾驶车群构建方法

③车群质量评价指标

④仿真实验验证

①

相关定义

本发明封闭场景下无人驾驶车群模型构建中需要用到的主要符号，具体涵义说明如表1所示。

为了研究封闭场景下无人驾驶车群模型构建方法，相关定义如下：

(1)车群属性定义

定义1车辆节点直连度VCF(Vehicle ConnectFactor)：表示两个无人驾驶车辆节点v_a和v_b在t时刻的连通的边的状态，数学表达式为(1)：

VCF(v_a,v_b,t)＝[len_t(v_a,v_b)≤D_des] (1)

其中，len_t(v_a,v_b)表示无人驾驶车辆节点v_a和v_b之间的距离，D_des表示节点v之间最小通信距离。[]表示符号函数，表达式

车辆节点直连度VCF(v_a,v_b,t)在v_a,v_b节点间距离小于最小通信距离时取1，否则为0。

定义2车辆邻接节点AdjNode(Adjecent Node)：当无人驾驶车辆节点v_a与节点v_b之间的直连度VCF(v_a,v_b)>0，则可以称节点A与节点B是彼此的邻接节点。在无人驾驶车群网络结构图中，直接表现为从节点v_a出发时存在有一条边可以连接到v_b，数学表达式为(2)：

AdjNode(v_a,v_b)＝1 if VCF(v_a,v_b)>0 (2)

定义3可连通车辆节点集：表示在t时刻所有与无人驾驶车辆节点v_a可直接连通的无人驾驶节点的集合，数学表达式为(3.3)：

其中，VCF(v_a,v_b)表示无人驾驶车辆节点v_a和节点v_b之间的直连度，当直连度大于阈值时，两节点间可以之间连通。

定义4车辆节点引领度VNCL：表示无人驾驶车辆节点v_a在当前时刻关于车群内其他节点的重要程度。将t时刻节点v_a的VNCL值记为C_a,t，则有：

其中，x_a,t表示车辆节点a在t时刻时所在的x轴坐标，v_x,a,t表示车辆节点a在t时刻对应的速度分量，y_a,t表示车辆节点v_a在t时刻时所在的y轴坐标，v_y,a,t表示车辆节点v_a在t时刻对应的速度，分量|G_i,t|表示车辆节点所在车群在t时刻的规模；α表示车辆节点a在t时刻时所在的坐标轴上对应的权重。VNCL值越大，说明车辆节点在二维空间中位置更靠前，相对于其他节点更能提前感知路况信息。

定义5车辆节点连通强度VNCC：表示无人驾驶车辆节点v_a在t时刻与周围节点连通量总和，记为N_i(t)，则有：

其中，VCF(v_a,v_b)表示无人驾驶车辆节点v_a和节点v_b之间的直连度，当直连度大于阈值时，两节点间存在连通强度可记为1。

定义6车辆节点连通代价VNSE：表示无人驾驶车群中其他节点与当前车辆节点v_a所需要的通信代价，记为M_a(t),则有：

M_a(t)＝∑_w∈WSwN_a(t) (6)

其中WS表示连接权重集合{w_i|i＝1,2…k}，k表示最大邻接节点数量，VNSE值越大，说明其他节点与节点v_a通信所需要的成本就越高。

(2)车群节点状态定义

定义7初始化状态IS(Initialize State)：描述的是封闭式场景下每个无人驾驶车辆在最开始处于的状态。在整个初始化的过程中，所有的无人驾驶车辆节点都会保存和更新一个节点状态存储表NLB(Node Last Table)，这其中保存着当前节点运行状态以及所有与该节点直连的节点运行信息，对于处在CS(Common State)状态的节点，还需要维护该节点到引领节点LS(Leading State)的跳数之和与引领节点LS连通过程中经过的节点CS的车辆节点的ID。

定义8离群节点状态OS(Outlier State)：描述的状态是在封闭式场景下无人驾驶车辆节点不归属于任何车群，并且该节点周围所有车群都拒绝其加入，则该车辆节点处于离群节点状态。

定义9引领节点状态LS：无人驾驶车群中，引领节点是车群中车群节点引领度VNCL值最高的节点：

LN＝{v|VNCL_v＝max(VNCL_G),v∈G} (7)

无人驾驶车群引领节点的主要职能是对车群内部的各项信息进行存储与更新，如车群内所有连接的节点，车群内各节点的GPS定位信息以及车群节点引领优先级表等。在无人驾驶车群形成算法中，引领节点作为车群的决策者根据相关输入来判断一个车群外节点是否符合加入的条件。

其中，VNCL_G表示无人驾驶车群G所有节点引领度集合，VNCL_v表示车辆节点v的节点引领度。

定义10成员节点状态CS：无人驾驶车群中，除了引领节点LS以外，剩余节点都处于成员节点状态CS。在车群失去引领节点LS后，剩余普通节点CS可以通过节点引领优先级表，竞选车群的新任引领节点LS。

②

无人驾驶车群构建方法

(1)车群节点初始化

在封闭式场景中，无人驾驶车辆节点在接到执行任务后会开始自发形成车群。如图1和图2所示，由于在这个场景下不同的无人驾驶车辆节点有各自的目的且各自的车型也不相同，因此需要对无人驾驶车辆节点进行初始化，选择出若干个无人驾驶节点作为车群的引领节点。具体算法步骤如下：

1)将封闭式场景内所有无人驾驶车辆节点初始化为普通节点，并按照车群排列的方式从队列的最前端开始遍历。

2)遍历到当前节点时，如果当前节点的目的地与已存在的任意一个车群目的地一致，且该节点与该车群任意一个车辆节点的距离在通信可达范围以内，则遍历下一个节点。如果当前节点的目的地与已存在的任意一个车群目的地一致，且与该车群不在通信可达范围内，则该节点被初始化为新车群的引领节点。如果当前节点目的地与任意一个已存在的车群的目的地都不相同，则该节点被初始化为新车群的引领节点。

3)重复执行1)和2)，直至算法收敛。

车群节点初始化算法具体流程图如图3所示。

算法1备注说明：

(2)车群节点加入

无人驾驶车辆节点处于离群状态下，在其通信范围内搜索，寻找合适的车群加入。如图1、图2所示，离群节点在其通信范围R内寻找到一个普通节点，通过该普通节点向车群引领节点转发加入申请。如图4和图5所示，在车群引领节点通过离群节点的加入请求后，离群节点的状态转变成普通节点，成为该车群的一员。具体算法步骤如下：

1)车辆在其通信距离可达范围内搜索，如果存在引领节点，则向该引领节点发送加入车群请求(JC)数据包，引领节点接收到来自车群外部车群的加入请求数据包(JC)后，按照相应条件判断是否适合加入此车群，返回相应的请求结果数据包(JS)。若请求结果为通过，则引领节点广播JC数据包，并更新车群成员信息表。

其中，决策函数decision(x)为车群引领节点提供决策依据的函数，该函数综合考虑了车群方位、车辆节点连通代价、车辆节点连通强度等指标，使得车群节点加入的决策足够客观，决策函数decision(x)数学定义如下：

其中Δ表示为假设车辆加入车群后发生的变化，若决策函数decision(x)的值小于阈值α，则引领节点通过加入申请，否认这引领节点拒绝该节点的加入申请；

2)如果车辆在其通信距离可达范围内未找到引领节点，只存在成员节点。则该车辆通过成员节点转发加入请求数据包(JC)给引领节点，引领节点按照相应条件判断该车辆是否合适加入到此车群，并通过成员节点转发请求结果数据包(JS)给该无人驾驶车辆。若请求结果为通过，则引领节点广播JC数据包，并更新车群成员信息表；

3)如果车辆节点接收到来自车群引领节点发送或有车群成员信息节点转发的请求结果数据包(JS)且请求结果为通过，则该车辆节点状态转换到普通节点状态，所在车群ID和车群引领节点ID更新为对应车群ID和车群引领节点ID。如果加入请求未被引领节点通过，则返回到1)重新申请加入通信距离内的其他车群；

4)如果该车辆在其通信范围内未找到可以加入的车群，则它转换为引领节点并广播CH_ADV数据包。

车群节点加入算法具体流程图如图6所示。

算法2备注说明：

(3)车群节点离开

无人驾驶车群中的节点通过周期性的接收来自邻接节点发送的广播数据包感知邻接节点的存在。所有节点维护一张邻接节点信息表NTB，车群中任意节点在由TIME_LIMIT表示的给定时间量内没有接收到来自其某个邻接节点广播的HB数据包，则判定该节点因故被动离开车群。该节点向车群所在引领节点发送LM(Leave Message)数据包报告节点离开信息，若车群所在引领节点不在该车辆节点直接可达范围内，在通过其周围成员节点代为发送LM数据包。引领节点在收到LM数据包后，更新车群成员信息表。具体算法如下：

1)无人驾驶车群中任意节点v_a如果在给定时间量TIME_LIMIT内没有接收到来自其某个邻接车辆节点v_m广播的HB数据包，判定该节点因突发状况被动离开车群；

2)无人驾驶车辆节点v_a查询邻接节点信息表项NTB后，向该车辆节点的邻接车辆节点v_m直接或通过路由转发的方式发送NM(Node Missing)数据包，邻接车辆节点在收到NM数据包之后，更新其邻接节点信息表项，并不再感知节点v_a的存在；

3)如果节点v_a是引领节点，则重新选取该车群的引领节点。否则，节点v_a向车群所在引领节点发送LM(Leave Message)数据包报告节点离开信息，若车群所在引领节点不在该车辆节点直接可达范围内，在通过其周围成员节点代为发送LM数据包。引领节点在收到LM数据包后，更新车群成员信息表。

车群节点离开算法具体流程图如图7所示，算法过程描述为：

算法3备注说明：

(4)引领节点及其更替策略

无人驾驶车群引领节点一般为车群中位置最靠前的节点，当处于最前方的节点更新了自身的VNCL值以后，通过广播机制与周围的邻居节点比较彼此之间的VNCL值，若节点的目的地相同，则VNCL值较高的节点作为新车群的引领节点。如果节点之间目的地不同，则会形成不同的车群，这些节点自动当选为所在车群的引领节点。引领节点选定后，将新车群ID标记为引领节点ID。

无人驾驶车群引领节点在遇到一些突发状况时，会断开与车群其他节点的连接。为了保证车群能够稳定、有序地行驶下去，需要制定合理的引领节点更替策略来维持车群的正常运行。无人驾驶车群中所有节点维护相同的车群引领优先级列表，在引领节点发生故障失去领头作用时，车群内部进行自我选举，选举优先级最高的节点成为车群新的引领节点。具体算法如下：

1)如果车群中任意成员节点在由TIME_LIMIT表示的给定时间量内没有接收到来自引领节点广播的HB数据包，则判定车群引领节点出现故障并向车群内其他成员节点发送MISS数据包。

2)成员节点在收到来自其他节点发送的MISS数据包后，更新自己所维护的车群引领优先级列表，删除离开车群节点。

3)车群引领优先级列表中最高的节点自动当选为车群新的引领节点，并向车群其他成员节点发送NL数据包并更新车群成员信息表。

引领节点及其更替策略算法具体流程图如图8所示，算法过程描述为：

算法4备注说明：

③

车群质量评价步骤

为了能对无人驾驶车群形成算法的进行评估，本发明提出以下三个性能指标用来评估算法的质量，指标细节如下：

(1)基准度作为衡量车群形成算法性能的指标能够对划分结果内部的内聚度和分离度进行量化，能够很好地对算法的性能进行准确、客观的评估。基准度的数学表达式为(11)：

其中k(i)表示群内相似度，是无人驾驶车辆节点i到同一车群内其他车辆节点j的平均距离，用于量化车群内聚度。dist(i,j)表示车辆节点i和j的距离,m_s表示为车群的节点数量，k(i)值越小则表明车群内部结构越紧密。O_i表示车辆节点i目的地，S_i表示车辆节点i所属的车群，M表示车群数量，t(i)表示群外差异度，是无人驾驶车辆节点i到车群外部某目的地相同的无人驾驶车群内节点j之间的平均距离，基准度用来度量目的地相同但是不是同一个无人驾驶车群间的差异度，t(i)值越大说明，车群群间间隔越远，基准度越大表明同车群内结构紧密，异车群间间隔分散，车群划分结果质量越好。反之，基准度的值越小则表示车群划分结果质量越差。

(2)算法运行时间

算法运行时间定义为，以所有车辆节点为初始的混沌、无序状态为起点，到所有车辆形成各自车群并保持稳定有序的状态为止所经历的时间，数学表达式为：

T_total＝∑_k∈VT_i,k-T_0,k (10)

其中V表示所有车辆节点集合，k表示车辆节点，T_i,k表示节点k的车群规模趋于稳定，T_0,k表示节点k的车群处于初始状态。

(3)引领节点变化率

引领节点变化率是指无人驾驶车群在执行任务的周期内，引领节点变化的频率。整个生命周期中，无人驾驶车辆节点在遇到突发情况时会发生角色状态的转换。数学表达式为：

其中，LC_count表示无人驾驶车群在生命周期内，引领节点变化的次数。

④

仿真实验验证

本发明采用仿真实验的方式实现封闭场景下无人驾驶车群构建方法，以期进一步验证无人驾驶车群的合理性和有效性。

(1)仿真实验数据与方法

为了模拟封闭式场景，本发明利用交通仿真软件SUMO设定了一个10km*5km的封闭区域，仿真实验参数如表2所示，仿真时间跨度为25min，在这个封闭式的区域内道路数目为50条，十字路口的数量是300个，在每个十字路口都设有交通信号灯，无人驾驶车辆对应交通灯红黄绿分别是30s，3s和90s，整个仿真实验期间无人驾驶车辆峰值数目为6000辆。网络仿真中无线通信范围为150m，在仿真实验中无人驾驶车辆节点之间通过Ping的方式发送数据包，数据包的大小为32byte。此外，实验对无人驾驶车辆节点位置信息和网络数据采集的频率为0.1s/次。

(2)仿真与试验结果分析

1)车群稳定性分析

通过计算一个车群的基准度来评价算法性能的一个非常重要的方法。当一个基准度的数值越大代表算法的性能越好。首先，在选取决策函数阈值α在不同情况下对DVGM车群形成算法和SOCDV车群形成算法进行仿真实验，并计算在不同车速下无人驾驶车群的平均基准度。如图9所示。红色实现代表的DVGM算法下平均基准度与车辆平均速度的关系，蓝色虚线表示SOCDV算法下平均基准度和车辆平均速度的关系。分别画出封闭式场景下DVGM车群形成算法和SOCDV车群形成算法在阈值α为0.2、0.5、0.8的情况下，无人驾驶车群基准度和平均速度的关系权限，实验结果如图9，图10和图11所示。在不同阈值的情况下，无人驾驶车群形成过程均出现了车群平均基准度随车群平均速度的上升而下降的趋势。以图7为例，当决策函数阈值α为0.2时，无人驾驶车群平均基准度在车群平均速度为40km/h时最高，原因是当车群平均速度增加，车群内部速度差异越大，处于无线通信范围边缘的车辆节点容易出现连接不稳定的情况，导致基准度降低。

结合图9，图10和图11的结果分析，在决策函数阈值相同的情况下DVGM车群形成算法形成的车群平均基准度高于SOCDV算法形成的车群。因此，可以证明本发明提出的方法聚合效果好，形成的车群稳定性高。同时，由于随着决策函数阈值α升高，无人驾驶车辆节点加入车群的准入门槛降低，车群内部由于节点间差异增大，导致车群结构松散，所以形成的车群稳定性也随之降低。

2)算法时间复杂度分析

算法时间是指的从无人驾驶车辆节点初始化开始到车群结构趋于稳定所需要的时间。算法运行时间越短说明算法时间复杂度越低，鲁棒性越好。首先，在选取决策函数阈值α在不同情况下对DVGM车群形成算法和SOCDV车群形成算法进行仿真实验，多次采集数据分析无人驾驶车群形成算法运行平均时间。如图12中红色实线表示DVGM算法在7次实验中运行的时间，蓝色虚线表示SOCDV算法在7次实验中的运行的时间。其中DVGM车群形成算法7次实验中算法运行时间稳定在240ms左右，而SOCDV算法运行时间在330ms上下波动，DVGM算法性能优于SOCDV算法。结合图12，13，14的结果分析，在决策函数阈值相同的情况下，DVGM车群形成算法形成的车群时间开销低于SOCDV算法形成的车群。同时，由于随着决策函数阈值α升高，无人驾驶车辆节点加入车群的准入门槛降低，同种算法时间开销也会增加。因此，可以证明本发明提出的DVGM车群形成算法相较于SOCDV算法时间复杂度低、稳定性高。

3)引领节点变化率

引领节点变化率是度量车群引领节点稳定性的指标，按照定义引领节点变化率是在车群执行任务的周期内，引领节点变化的次数与周期时间的长度比值，这里为了方便展示实验结果，周期时间单位设置为分钟，因此引领节点变化率越低，在执行任务周期内车群引领节点变化次数越少，车群稳定性越高。本节首先对于无人驾驶车辆节点在不同平均车速下对DVGM算法和SOCDV算法进行仿真实验，然后计算出无人驾驶车群在25分钟内的引领节点变化率。如图15所示，红颜色的实现代表DVGM算法的车群引领节点变化率与平均速度的关系图，而蓝颜色虚线代表SOCDV算法的车群引领节点变化率的关系图。接着，按照决策函数阈值在不同取值的情况下分别画出无人驾驶车群引领节点变化率与平均速度的关系图。如图15,16所示，在不同车群形过程中，均出现了无人驾驶车群引领节点变化随车速上升而升高的趋势，原因是当车群平均速度升高时，车群内部速度差异变大，车群稳定性降低。如图15，在阈值为0.2时车速为40km/h时，引领节点变化率是0.045，车速为70km/h时，引领节点变化率是0.17。

如图15,16所示，本发明提出的DVGM无人驾驶车群形成算法和SOCDV算法相比在相同决策函数阈值与速度的情况下，车群引领节点变化率均低于后者，证明本发明提出的算法聚集效果好，稳定性高。另一方面，由于决策函数阈值的升高，导致节点加入车群的准入门槛降低，所以两中算法之间的差异也在减少。

创新点

本发明申请给出的技术方案为：本发明在研究无人驾驶节点运行状态和节点初始化的基础上，提出了基于车群节点加入、离开、引领节点更替的车群构建方法，研究了包括基准度、引领节点变化率、算法运行时间等车群质量评价指标。目的用来使得封闭场景下无人驾驶车辆不需要事先进行路径规划以及后台控制终端，并且能够有效保持无人驾驶车辆节点运动行为智能化，从而使得无人驾驶在封闭场景中能够得到广泛应用的方法。

说明书附表

表1

表2

仿真数据集	参数设置
		封闭式面积大小	10km*5km
仿真实验长度	25min
		道路数量	50
十字交叉道路数目	300
		是否设置红绿灯	是
红绿灯闪烁间隔	40s、3s、100s
		场地车辆节点数量	6000
最长通信距离	150m
		数据包传递方式	Ping
数据包大小(byte)	32
		数据获取频率	0.01s/次

Claims (2)

1.一种封闭场景下无人驾驶车群构建及评价方法，其特征在于，包括如下步骤：

步骤1.相关定义；

步骤2.无人驾驶车群构建；

步骤2.1无人驾驶车群节点初始化；

步骤2.2无人驾驶车群节点加入；

步骤2.3无人驾驶车群节点离开；

步骤2.4引领节点及其更替策略；

步骤3.车群质量评价方法；

步骤1中相关定义如下：

(1)车群属性定义

定义1车辆节点直连度VCF(Vehicle Connect Factor)：表示两个无人驾驶车辆节点v_a和v_b在t时刻的连通的边的状态，数学表达式为(1)：

VCF(v_a,v_b,t)＝[len_t(v_a,v_b)≤D_des] (1)

其中，len_t(v_a,v_b)表示无人驾驶车辆节点v_a和v_b之间的距离，D_des表示节点v之间最小通信距离；[]表示符号函数，表达式

车辆节点直连度VCF(v_a,v_b,t)在v_a,v_b节点间距离小于最小通信距离时取1，否则为0；

定义2车辆邻接节点AdjNode(Adjecent Node)：当无人驾驶车辆节点v_a与节点v_b之间的直连度VCF(v_a,v_b)>0，则称节点A与节点B是彼此的邻接节点；在无人驾驶车群网络结构图中，直接表现为从节点v_a出发时存在有一条边连接到v_b，数学表达式为(2)：

AdjNode(v_a,v_b)＝1 if VCF(v_a,v_b)>0 (2)

定义3可连通车辆节点集：表示在t时刻所有与无人驾驶车辆节点v_a可直接连通的无人驾驶节点的集合，数学表达式为(3.3)：

其中，VCF(v_a,v_b)表示无人驾驶车辆节点v_a和节点v_b之间的直连度，当直连度大于阈值时，两节点间可以之间连通；

定义4车辆节点引领度VNCL：表示无人驾驶车辆节点v_a在当前时刻关于车群内其他节点的重要程度；将t时刻节点v_a的车辆节点引领度VNCL值记为C_a,t，则有：

其中，x_a,t表示车辆节点a在t时刻时所在的x轴坐标，v_x,a,t表示车辆节点a在t时刻对应的速度分量，y_a,t表示车辆节点v_a在t时刻时所在的y轴坐标，v_y,a,t表示车辆节点v_a在t时刻对应的速度，分量|G_i,t|表示车辆节点所在车群在t时刻的规模；α表示车辆节点a在t时刻时所在的坐标轴上对应的权重；车辆节点引领度VNCL值越大，说明车辆节点在二维空间中位置更靠前，相对于其他节点更能提前感知路况信息；

定义5车辆节点连通强度VNCC：表示无人驾驶车辆节点v_a在t时刻与周围节点连通量总和，记为N_i(t)，则有：

其中，VCF(v_a,v_b)表示无人驾驶车辆节点v_a和节点v_b之间的直连度，当直连度大于阈值时，两节点间存在连通强度记为1；

定义6车辆节点连通代价VNSE：表示无人驾驶车群中其他节点与当前车辆节点v_a所需要的通信代价，记为M_a(t),则有：

其中WS表示连接权重集合{w_i|i＝1,2…k}，k表示最大邻接节点数量，车辆节点连通代价VNSE值越大，说明其他节点与节点v_a通信所需要的成本就越高；

(2)车群节点状态定义

定义7初始化状态IS(Initialize State)：描述的是封闭式场景下每个无人驾驶车辆在最开始处于的状态；在整个初始化的过程中，所有的无人驾驶车辆节点都会保存和更新一个节点状态存储表NLB(Node Last Table)，这其中保存着当前节点运行状态以及所有与该节点直连的节点运行信息，对于处在CS(Common State)状态的节点，还需要维护该节点到引领节点LS(Leading State)的跳数之和与引领节点LS连通过程中经过的节点CS的车辆节点的ID；

定义8离群节点状态OS(Outlier State)：描述的状态是在封闭式场景下无人驾驶车辆节点不归属于任何车群，并且该节点周围所有车群都拒绝其加入，则该车辆节点处于离群节点状态；

定义9引领节点状态LS：无人驾驶车群中，引领节点是车群中车群节点引领度VNCL值最高的节点：

LN＝{v|VNCL_v＝max(VNCL_G),v∈G} (7)

无人驾驶车群引领节点的职能是对车群内部的各项信息进行存储与更新，车群内所有连接的节点，车群内各节点的GPS定位信息以及车群节点引领优先级表；在无人驾驶车群形成算法中，引领节点作为车群的决策者根据相关输入来判断一个车群外节点符合加入的条件；

其中，VNCL_G表示无人驾驶车群G所有节点引领度集合，VNCL_v表示车辆节点v的节点引领度；

定义10成员节点状态CS：无人驾驶车群中，除了引领节点LS以外，剩余节点都处于成员节点状态CS；在车群失去引领节点LS后，剩余普通节点CS可以通过节点引领优先级表，竞选车群的新任引领节点LS；

所述步骤2.2中无人驾驶车群节点加入的算法步骤如下：

1)车辆在其通信距离可达范围内搜索，如果存在引领节点，则向该引领节点发送加入车群请求数据包，即JC数据包，引领节点接收到来自车群外部车群的加入请求数据包后，按照相应条件判断是否适合加入此车群，返回相应的请求结果数据包；若请求结果为通过，则引领节点广播JC数据包，并更新车群成员信息表；

其中，决策函数decision(x)为车群引领节点提供决策依据的函数，该函数综合考虑了车群方位、车辆节点连通代价、车辆节点连通强度指标，使得车群节点加入的决策足够客观，决策函数decision(x)数学定义如下：

其中Δ表示为假设车辆加入车群后发生的变化，若决策函数decision(x)的值小于阈值α，则引领节点通过加入申请，否认这引领节点拒绝该节点的加入申请；

2)如果车辆在其通信距离可达范围内未找到引领节点，只存在成员节点；则该车辆通过成员节点转发加入请求数据包给引领节点，引领节点按照相应条件判断该车辆是否合适加入到此车群，并通过成员节点转发请求结果数据包给该无人驾驶车辆；若请求结果为通过，则引领节点广播JC数据包，并更新车群成员信息表；

3)如果车辆节点接收到来自车群引领节点发送或有车群成员信息节点转发的请求结果数据包且请求结果为通过，则该车辆节点状态转换到普通节点状态，所在车群ID和车群引领节点ID更新为对应车群ID和车群引领节点ID；如果加入请求未被引领节点通过，则返回到1)重新申请加入通信距离内的其他车群；

4)如果该车辆在其通信范围内未找到可以加入的车群，则它转换为引领节点并广播CH_ADV数据包；

所述步骤2.3中无人驾驶车群节点离开的算法如下：

1)无人驾驶车群中任意节点v_a如果在给定时间量TIME_LIMIT内没有接收到来自其某个邻接车辆节点v_m广播的HB数据包，判定该节点因突发状况被动离开车群；

2)无人驾驶车辆节点v_a查询邻接节点信息表项NTB后，向该车辆节点的邻接车辆节点v_m直接或通过路由转发的方式发送NM(Node Missing)数据包，邻接车辆节点在收到NM数据包之后，更新其邻接节点信息表项，并不再感知节点v_a的存在；

3)如果节点v_a是引领节点，则重新选取该车群的引领节点；否则，节点v_a向车群所在引领节点发送LM(Leave Message)数据包报告节点离开信息，若车群所在引领节点不在该车辆节点直接可达范围内，在通过其周围成员节点代为发送LM数据包；引领节点在收到LM数据包后，更新车群成员信息表；

所述步骤2.4中引领节点及其更替策略的算法如下：

1)如果车群中任意成员节点在由TIME_LIMIT表示的给定时间量内没有接收到来自引领节点广播的HB数据包，则判定车群引领节点出现故障并向车群内其他成员节点发送MISS数据包；

2)成员节点在收到来自其他节点发送的MISS数据包后，更新自己所维护的车群引领优先级列表，删除离开车群节点；

3)车群引领优先级列表中最高的节点自动当选为车群新的引领节点，并向车群其他成员节点发送NL数据包并更新车群成员信息表；

所述步骤3中车群质量评价方法如下：

(1)基准度作为衡量车群形成算法性能的指标能够对划分结果内部的内聚度和分离度进行量化，能够对算法的性能进行准确、客观的评估；基准度的数学表达式为：

其中k(i)表示群内相似度，是无人驾驶车辆节点i到同一车群内其他车辆节点j的平均距离，用于量化车群内聚度；dist(i,j)表示车辆节点i和j的距离,m_s表示为车群的节点数量，k(i)值越小则表明车群内部结构越紧密；O_i表示车辆节点i目的地，S_i表示车辆节点i所属的车群，M表示车群数量，t(i)表示群外差异度，是无人驾驶车辆节点i到车群外部某目的地相同的无人驾驶车群内节点j之间的平均距离，基准度用来度量目的地相同但是不是同一个无人驾驶车群间的差异度，t(i)值越大说明，车群群间间隔越远，基准度越大表明同车群内结构紧密，异车群间间隔分散，车群划分结果质量越好；反之，基准度的值越小则表示车群划分结果质量越差；

(2)算法运行时间

算法运行时间定义为，以所有车辆节点为初始的混沌、无序状态为起点，到所有车辆形成各自车群并保持稳定有序的状态为止所经历的时间，数学表达式为：

T_total＝∑_k∈VT_i,k-T_0,k (10)

其中V表示所有车辆节点集合，k表示车辆节点，T_i,k表示节点k的车群规模趋于稳定，T_0,k表示节点k的车群处于初始状态；

(3)引领节点变化率

引领节点变化率是指无人驾驶车群在执行任务的周期内，引领节点变化的频率；整个生命周期中，无人驾驶车辆节点在遇到突发情况时会发生角色状态的转换；数学表达式为：

其中，LC_count表示无人驾驶车群在生命周期内，引领节点变化的次数。

2.如权利要求1所述的一种封闭场景下无人驾驶车群构建及评价方法，其特征在于，所述步骤2.1中无人驾驶车群节点初始化的算法步骤如下：

1)将封闭式场景内所有无人驾驶车辆节点初始化为普通节点，并按照车群排列的方式从队列的最前端开始遍历；

2)遍历到当前节点时，如果当前节点的目的地与已存在的任意一个车群目的地一致，且该节点与该车群任意一个车辆节点的距离在通信可达范围以内，则遍历下一个节点；如果当前节点的目的地与已存在的任意一个车群目的地一致，且与该车群不在通信可达范围内，则该节点被初始化为新车群的引领节点；如果当前节点目的地与任意一个已存在的车群的目的地都不相同，则该节点被初始化为新车群的引领节点；

3)重复执行1)和2)，直至算法收敛。

Images