CN113015085B - 高速公路场景中开放式无人驾驶车群动态演化探测方法 - Google Patents

高速公路场景中开放式无人驾驶车群动态演化探测方法 Download PDF

Info

Publication number
CN113015085B
CN113015085B CN202110195974.XA CN202110195974A CN113015085B CN 113015085 B CN113015085 B CN 113015085B CN 202110195974 A CN202110195974 A CN 202110195974A CN 113015085 B CN113015085 B CN 113015085B
Authority
CN
China
Prior art keywords
vehicle group
vehicle
unmanned
unmanned vehicle
group
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
CN202110195974.XA
Other languages
English (en)
Other versions
CN113015085A (zh
Inventor
程久军
毛其超
魏超
原桂远
刘登程
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110195974.XA priority Critical patent/CN113015085B/zh
Publication of CN113015085A publication Critical patent/CN113015085A/zh
Application granted granted Critical
Publication of CN113015085B publication Critical patent/CN113015085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • 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
    • H04W4/30—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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/026—Route selection considering the moving speed of individual devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H04W84/20—Master-slave selection or change arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及无人驾驶领域。高速公路场景中开放式无人驾驶车群动态演化探测方法。首先研究车群内部结构变化，然后给出无人驾驶车群动态演化探测算法，用以探测无人驾驶车群可能发生的结构变化，从而能够实时准确地探测车群内部动态演化特征。解决上述问题，能够实时准确地探测车群内部动态演化特征，从而确保无人驾驶车群运动行为稳定有序，以期满足未来无人驾驶运动行为智能化，使得无人驾驶在高速公路场景中能够得到实际应用成为可能。

Description

高速公路场景中开放式无人驾驶车群动态演化探测方法
技术领域
本发明涉及无人驾驶领域。
背景技术
现有车联网互联互通的现有技术：
目前，所谓车联网皆指人驾驶车辆。相关研究人员在车辆自组织网络 (VehicularAd-hoc NETwork,VANET)、基于基础设施的车联网网络(Vehicular Infrastructure-basedNETwork,VINET)以及VANET与VINET混合网络方面进行了相关研究。
车联网(有人驾驶)从信息领域的角度，对车与车、车与路面基础设施以及与后台服务器直接的信息交互，不考虑周围环境的外界因素，诸如障碍物、有人驾驶车体(这里指移动障碍物节点)、红绿灯等的干扰。
发明内容
针对以上问题，程久军等发明人于2020年12月16日申请的高速公路场景中开放式无人驾驶车群动态演化方法(申请人：同济大学，专利申请号： 202011484672.6)：研究基于车群相似度的元车群序列，从微观上分析节点的出现、加入、消失和离开等节点变化事件，然后从宏观上分析无人驾驶车群演化事件，包括车群形成、消亡、生存、分裂以及合并事件，给出了无人驾驶车群动态演化方法；即为实施例1公开内容。
本发明目的：高速公路场景中，无人驾驶与有人驾驶共存，无人驾驶车群可能受到有人驾驶车辆节点的干扰，在其生命周期中存在多种演化事件，包括微观层面的无人驾驶车辆节点的离开与加入，宏观层面的无人驾驶车群的形成、合并、分裂、消亡等事件。每种演化事件的内部结构保持高度相似，而不同演化事件具有显著差异。因此，如何探测无人驾驶车群可能发生的结构变化，从而能够实时准确地探测车群内部动态演化特征，能够合理指导新车群或车群集的建立,目前还没有对无人驾驶车群动态演化特征进行探测的研究。
基于实施例1，本发明进一步公开高速公路场景中开放式无人驾驶车群动态演化探测方法：首先研究车群内部结构变化，然后给出无人驾驶车群动态演化探测算法，用以探测无人驾驶车群可能发生的结构变化，从而能够实时准确地探测车群内部动态演化特征。解决上述问题，能够实时准确地探测车群内部动态演化特征，从而确保无人驾驶车群运动行为稳定有序，以期满足未来无人驾驶运动行为智能化，使得无人驾驶在高速公路场景中能够得到实际应用成为可能。
为此，本发明实施例3技术方案：
一种高速公路场景中开放式无人驾驶车群动态演化探测方法，具体包括如下步骤：
步骤1.相关定义
步骤2.无人驾驶车群动态演化探测
步骤2.1车群内部结构变化
步骤2.2车群动态演化探测算法
本发明目的在于公开一种考虑高速公路场景下，面向开放式无人驾驶车群行车环境，提供一种能够实时准确地探测车群动态演化过程中内部演化特征，有效满足未来无人驾驶车群始终保持运动行为智能化，从而能够使得无人驾驶在高速公路场景中能够得到应用的方法。本发明技术方案专适用于高速公路场景，并不适用于诸如港口、物流等封闭式场景，也不适用于城市场景。
附图说明
图1为实施例1跳车群网络拓扑结构图
图2为实施例1无人驾驶车辆状态转换框架图
图3实施例2方法总流程图
图4实施例2车群形成和消亡样本
图5实施例2车群生存和分裂样本
图6实施例2车群合并和分裂样本
图7实施例2车群动态演化样本示例
图8实施例2无人驾驶车群动态演化预测算法流程图(算法1)
图9为本发明实施例3方法流程图
图10实施例3车群动态演化探测算法流程图(算法2)
图11实施例3无人驾驶车群内部结构变化率
图12实施例3车群形成事件探测结果
图13实施例3车群消亡事件探测结果
图14实施例3车群生存事件探测结果
图15实施例3车群分裂事件探测结果
图16实施例3车群合并事件探测结果
具体实施方式
实施例1
实施例1的发明公开高速公路场景中开放式无人驾驶车车群模型及车群形成过程研究方法
本发明研究方法，其特征在于，包括如下步骤：
一、预定义步骤(包括无人驾驶车辆直接连通性、邻居节点、邻居节点集) 为了研究基于高速公路场景中无人驾驶车群形成算法，本发明给出如下定义：
定义1无人驾驶车辆直接连通性DVC(Driverless Vehicle Connectivity) 以表示两个无人驾驶车辆节点直接连接的稳定程度，其数学表达式为(1)：
Figure GDA0003302424470000031
其中，
DCR(Driverless Communication Range)表示无人驾驶车辆通信的最大连通范围；
distt(vi,vj)表示t时刻无人驾驶车辆节点vi与另一无人驾驶车辆节点vj之间的距离；当节点之间的距离大于最大连通范围时，DVC为0，表明两个无人驾驶车辆节点不存在连接，即反映在拓扑图上是两个节点之间不存在边；当无人驾驶车辆节点之间的距离小于或等于最大传输范围时，DVC与车辆之间的距离成负相关。节点之间距离越近，DVC越大，两个无人驾驶车辆节点之间直接连接的可靠程度越高，联系越紧密，反映到拓扑图上边的权重就越大。
定义2邻居节点NeiNode：如果无人驾驶车辆节点vi与另一无人驾驶车辆节点vj满足DVC(vi，vj)＞0，则称vi与vj互为邻居节点，反映在拓扑图中即是vi与 vj之间存在一条边；所述邻居节点NeiNode由数学表达式表征为(2)：
NeiNode(vi，vj)＝1 if DVC(vi，vj)＞0 (2)
定义3邻居节点集Ni，t：表示无人驾驶节点vi在t时刻的邻居节点的集合Vj，数学表达式为(3)：
Figure GDA0003302424470000041
二、构建无人驾驶车群网络拓扑结构步骤
无人驾驶车群即邻居车群NeiVG，如果两个无人驾驶车群VGi与VGj中的节点之间存在连接边，那么这两个车群互为邻居车群，所述无人驾驶车群的网络结构采用数学表达式为(4)：
Figure GDA0003302424470000042
为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群拓扑，如图1 所示，是一个三跳车群网络拓扑结构，其中：车辆的可连通半径在图中由R表示，车辆节点间的虚线表示车辆可以之间连通，不在连通范围内的车辆节点可由其他车辆转发通信；
三、定义车辆状态
定义6为了描述高速公路场景下无人驾驶车群形成过程，定义了以下五种无人驾驶车辆状态：
(1)初始化状态IN(Initialization)
初始化状态是无人驾驶车辆节点的起始状态。
在初始化时，每个无人驾驶车辆节点维护一个车辆基本信息表VIBT (VehicleInformation Basic Table)，包括节点自身及其邻居节点的车辆信息，其中：车辆信息包括其车辆ID、方向、速度、位置坐标、当前车辆状态，
邻居车辆信息包括车辆周围各邻居节点的车辆状态信息，
此外，车辆还需记录所属车群ID，如果是普通节点CN，则需保存到引领节点LN的跳数，连接到引领节点LN经过普通节点CN的车辆ID；如果是引领节点 LN，还需保存车群成员ID。
举例而非限定，表1-1车辆基本信息表如下：
Figure GDA0003302424470000051
(2)选举状态SE(Select State)
每个无人驾驶车辆节点在初始化状态后，全面感知其邻居节点信息，同时将自身信息发送给周围邻居节点，将车辆基本信息表VIBT更新为最新状态，此时，该无人驾驶车辆节点将自身的状态切换为选举状态。
(3)/(4)引领节点状态与普通节点状态
为了表征无人驾驶车辆节点在车群中的地位与其在车群维护中的贡献程度，在选举状态后，一个无人驾驶车群产生一个以上引领节点(Leading node；LN) 和若干个普通成员节点(Common node；CN)。
每个引领节点负责管理所在车群的各项信息，如车群节点集合、车群中各个无人驾驶车辆节点的位置、速度等；同时，在车群运动过程中，引领节点往往决定一个非本车群的节点是否可以加入本车群。
同时,车群的节点集合Ni中除引领节点外，剩下无人驾驶车辆节点处于普通节点状态。
(5)游离节点FN(Freeing Node)状态
在无人驾驶车辆节点运动过程中，若节点不能连接到任何现有车群，且周围不存在可以连通的节点，则此节点处于游离节点状态。
四、无人驾驶车辆状态转换过程
根据无人驾驶车辆节点在高速公路场景中运动特性和五种状态，给出无人驾驶车辆状态转换过程，其框架图如图2所示；
具体转换过程如下：
1)无人驾驶车辆节点开始处于初始化状态，这种状态下车辆周期性的交换 HELLO数据包构建自己的车辆基本信息表VIBT；
然后车辆转换到选举状态SE，在该状态中车辆做出其下一状态的决定，进入步骤2)；
2)当处于选举状态SE的无人驾驶车辆节点附近不存在邻近节点时，车辆转换为游离节点FN状态，进入步骤3)；
3)当处于游离节点FN状态的无人驾驶车辆节点发现可以直接连接的其他游离节点FN后，车辆转换为选举状态SE；
而当处于游离节点状态的无人驾驶车辆节点附近存在引领节点LN或普通节点CN的车群节点，则转换为普通节点，或者车辆转换为选举状态SE；
4)处于选举状态SE的无人驾驶车辆节点附近存在且不属于任何车群的节点，并且节点的相对属性度量最好，则车辆状态转换为引领节点LN状态；进入步骤5) 或者步骤6)；
5)在选举状态SE中，所述引领节点LN必然存在无人驾驶车辆节点度量性不是最优，则转换为普通节点CN状态；否则转换为引领节点LN状态；
6)当引领节点LN附近不存在普通节点CN时，则转换为选举状态SE；
7)当普通节点CN所属的车群引领节点LN不存在时，转换为选举状态SE。
进一步的，所述步骤5)中，定义节点相对移动性用于表征所述度量性以确定是否最优来选举引领节点LN。
采用所述节点相对移动性来选择稳定的引领节点，节点i相对移动性Mobi数学表达式为(5)：
Figure GDA0003302424470000071
其中，
Ni表示无人驾驶车辆节点vi所在车群的节点的集合，ij表示车群Ni内的第j个节点，Si表示节点i的速度；
Mobi值越小，表示节点i与车群内的其它节点相对速度差异小，相对移动性稳定。
若vi处于引领节点状态，数学表达式为(6)：
Figure GDA0003302424470000072
其中，
Mobi表示无人驾驶车辆i的节点相对移动性，i属于处于选举状态无人驾驶车辆节点。
作为实施例，给出本发明基于高速公路场景中车群形成过程中需要用到的主要符号，涵义说明如表1-2所示。
表1-2
Figure GDA0003302424470000073
Figure GDA0003302424470000081
综上，本发明首次提出面向开放式“无人驾驶车群”的概念，设想为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群，设计和构建了一种考虑高速公路场景下、面向开放式无人驾驶车群行车环境、能使得车群之间始终保持互联互通、有效满足未来无人驾驶运动行为智能化所需要的无人驾驶车群模型，同时研究了无人驾驶车辆节点的初始化状态、选举状态、引领节点状态、普通节点状态、游离节点状态以及五种状态的转换过程，给出了无人驾驶车群形成方法的雏形，从而为未来无人驾驶运动行为智能化提供所需的理论和方法，使得无人驾驶在高速公路场景中能够得到实际应用成为可能。
无人驾驶车辆作为车群的终端节点，其自身作为智能体，车内设置有用于传感、数据处理、数据存储、通信传输等诸多设备，从而支持其能获取车内信息和邻近车辆的实时信息，能够有效保持车群节点之间互联互通。但这些支持设备不作为本发明的发明任务。
物理环境中的各种网络，包括不同类型的路边基础设施网络、移动通信网络等，都视为现有技术，都视为能被本发明无人驾驶单智能体车辆节点能感知到的路网时空资源，但不作为本发明的发明任务。
本发明作为原创性的技术方案。接入网络类型、网络的服务质量、协议类型、网络带宽、终端能力等不是本发明的发明任务，有后续其它专利进一步公开、完善。本发明无人驾驶在高速公路场景中具有应用价值。
实施例2
高速公路场景中，无人驾驶与有人驾驶共存，无人驾驶车群可能受到有人驾驶车辆节点的干扰，在其生命周期中存在多种演化事件，包括微观层面的无人驾驶车辆节点的离开与加入，宏观层面的无人驾驶车群的形成、合并、分裂、消亡等事件。因此，如何准确地预测无人驾驶车群动态演化后的行为，能够合理指导新车群或车群集的建立，从而确保无人驾驶车群运动行为保持稳定有序是非常有意义的。
目前还没有对高速公路场景下无人驾驶车群动态演化后的预测研究。为此，基于实施例1，进一步公开实施例2
实施例2的具体实施过程如图3所示，包括如下4个方面：
①相关定义
②车群特征提取
③车群样本生成
④车群动态演化预测算法
①
相关定义
本发明基于高速公路场景中开放式无人驾驶车群动态演化探测过程中需要用到的主要符号，具体涵义说明如表2-1所示。
表2-1
Figure GDA0003302424470000091
Figure GDA0003302424470000101
为了研究基于高速公路场景中开放式无人驾驶车群动态演化探测方法，本发明给出车群相似度和元车群序列的定义，如下所示：
定义车群相似度设
Figure GDA0003302424470000102
和
Figure GDA0003302424470000103
分别是时间i和j检测到的车群。如果两个车群中相同的无人驾驶车辆节点与两个车群的节点总和的比例超过设定阈值k，则称
Figure GDA0003302424470000104
和
Figure GDA0003302424470000105
是相似的，用
Figure GDA0003302424470000106
表示，数学表达式为(1)：
Figure GDA0003302424470000107
其中，
Figure GDA0003302424470000108
表示时间i检测到的车群，
Figure GDA0003302424470000109
分别表示在时间i和j下，无人驾驶车群p和q中无人驾驶车辆节点的数目。
②车群特征提取
无人驾驶车群是由一定规模位置相近、运动趋势相似以及通信紧密的无人驾驶车辆节点组成的团体，根据图论知识，可以将无人驾驶车群抽象为由多个节点组成的复杂网络，每一个车群都具有其对应的结构特征，具体包括车群内节点数，节点连接的边数，车群内部与外部的连接比例，车群持续时间等。无人驾驶车群结构特征详细描述见表2-2。
表2-2无人驾驶车群结构特征
Figure GDA00033024244700001010
Figure GDA0003302424470000111
③车群样本生成
为了预测无人驾驶车群动态演化趋势，需要对所有时刻中的每一个车群进行特征提取，即用一组特征集合从多个维度来表示单个车群。这样，每个时刻的每个车群都会量化为一个样本，作为训练样本用于分类模型进行训练。无人驾驶车群动态演化预测样本示例分别如图所示：
图4中显示了一个车群形成与消亡的示例；
图5中显示了一个车群生存以及分裂为两个车群的示例；
图6中显示了两个车群合并成一个车群，之后再次分裂成两个车群的示例；
图7是不同车群及其演化的表示形式。
其中，
Figure GDA0003302424470000112
表示时刻t1的第p个车群，
Figure GDA0003302424470000113
表示车群
Figure GDA0003302424470000114
的第一个特征值，本发明取的特征为9个，tar是目标变量，即分类的结果，将车群动态演化时间中车群形成，车群消亡，车群生存，车群分裂，车群合并分别给tar赋值。每一行特征代表一个车群，所有车群的这些特征组成了分类模型的训练样本和测试样本。
④车群动态演化预测算法
无人驾驶车群动态演化预测是一个多分类单标签问题，即每一个车群可能发生五种演化事件，但在特定时刻只能发生一种事件。比较通用的解决多分类单标签问题的算法有决策树算法、决策表算法、adaboost.M1多分类算法、朴素贝叶斯分类算法，以上任一种分类算法都可以在WEKA数据挖掘软件直接使用，其对应的分类器名称如表2-3所示。
表2-3WEKA支持分类器
Figure GDA0003302424470000121
经过特征提取与生成数据样本，可以利用得到的数据样本通过算法1筛选出最优最适合的分类器算法，从而进行预测无人驾驶车群动态演化趋势。
注：表2-3中的各个分类器本身都为现有技术，利用算法1筛选出最优最适合的分类器算法后，本发明直接利用和运用该分类器进行预测。
具体如算法1所示，具体算法流程图如图8所示。
Figure GDA0003302424470000122
Figure GDA0003302424470000131
首先，计算无人驾驶车群的特征，生成数据样本，具体分为训练样本和测试样本两部分(算法1-2行)。
然后，在不同的分类算法上使用训练样本进行训练，得出每一种分类算法对应分类模型(算法4-16行)。使用测试样本在不同的分类模型上测试，得出预测结果(算法18-23行)。
接着，根据预测结果，与测试样本的标记的演化事件做比对，统计分类的准确率，召回率，然后计算模型的f1值，评估不同分类模型的优劣(算法24-28 行)，最后得出最适合的无人驾驶车群动态演化预测模型(算法31-32行)。通过以上步骤，就能够选择出适合无人驾驶车群动态演化特性的分类算法，应用该模型能够比较准确地预测车群动态演化趋势，从而可以实时准确的提前做出相应的措施，指导新车群或车群集的建立，使得车群运动行为保持稳定有序。例如预测无人驾驶车群将要发生分裂事件，如果不做处置，无人驾驶车群将经历车群一部分节点离开车群变为游离节点状态，这些游离节点随后通过车群形成方法重新生成新的车群。如果我们预测到车群将要分裂，可以提前将生成相应引领节点，这样将车群提前变为两个独立车群运行，从而不必花费时间与网络成本重新生成车群，保证车群运动行为保持稳定有序。
备注：算法1中文如下：
Figure GDA0003302424470000132
Figure GDA0003302424470000141
实施例3
高速公路场景中，无人驾驶与有人驾驶共存，无人驾驶车群可能受到有人驾驶车辆节点的干扰，在其生命周期中存在多种演化事件，包括微观层面的无人驾驶车辆节点的离开与加入，宏观层面的无人驾驶车群的形成、合并、分裂、消亡等事件。每种演化事件的内 部结构保持高度相似，而在不同演化事件具有显著差异。因此，如何探测无人驾驶车群可能 发生的结构变化，从而能够实时准确地探测车群内部动态演化特征，能够合理指导新车群 或车群集的建立,目前还没有对无人驾驶车群动态演化特征进行探测的研究。
通过研究车群内部结构变化，然后给出无人驾驶车群动态演化探测算法，用以探测无人驾驶车群可能发生的结构变化，从而能够实时准确地探测车群内部动态演化特征，能够合理指导新车群或车群集的建立，确保无人驾驶车群运动行为保持稳定有序，使得无人驾驶能够在高速公路得到广泛应用成为可能。
目前还没有对无人驾驶车群动态演化过程中的内部特征进行探测的方法，结合高速公路场景，研究车群内部结构变化；然后给出无人驾驶车群动态演化探测算法。为此，基于实施例1、实施例2研究，进一步公开实施例3。
本发明的具体实施过程如图9所示，包括如下4个方面：
①相关定义
②车群内部结构变化
③车群动态演化探测算法
④仿真实验验证
①相关定义
本发明基于高速公路场景中开放式无人驾驶车群动态演化探测过程中需要用到的主要符号，具体涵义说明如表1所示。
表1
Figure GDA0003302424470000151
为了研究基于高速公路场景中开放式无人驾驶车群动态演化探测方法，本发明给出车群相似度和元车群序列的定义，如下所示：
定义1车群相似度设
Figure GDA0003302424470000152
和
Figure GDA0003302424470000153
分别是时间i和j检测到的车群。如果两个车群中相同的无人驾驶车辆节点与两个车群的节点总和的比例超过设定阈值k，则称
Figure GDA0003302424470000154
和
Figure GDA0003302424470000155
是相似的，用
Figure GDA0003302424470000156
表示，数学表达式为(1)：
Figure GDA0003302424470000157
其中，
Figure GDA0003302424470000158
表示时间i检测到的车群，
Figure GDA0003302424470000159
分别表示在时间i和j下，无人驾驶车群p和q中无人驾驶车辆节点的数目。
定义2元车群序列给定一组时间1,2,…,n，元车群序列表示为
Figure GDA00033024244700001510
Figure GDA00033024244700001511
且满足以下条件：
(1)任何两个无人驾驶车群不处于同一时刻，且满足1≤t1＜t2＜…＜ tm≤n；
(2)MVG中任意一个无人驾驶车群，至少存在一个前面时刻出现的车群，该车群与之相似，即
Figure GDA0003302424470000161
②车群内部结构变化
无人驾驶车群在运动过程中，伴随着节点变化事件与车群演化事件，其内部结构必然发生变化。本发明抽象出其可能发生的四种变化，分别为无人驾驶车群规模变化，车群疏密变化，车群引领节点变化以及车群持久性变化。
(1)车群规模变化
无人驾驶车群在运动过程中如果发生生存事件，车群内无人驾驶车辆节点离开或者其他节点加入车群，会导致无人驾驶车群发生规模变化。假设在时刻 i情况下存在无人驾驶车群
Figure GDA0003302424470000162
并且在时刻j存在无人驾驶车群
Figure GDA0003302424470000163
并且j＞i，
Figure GDA0003302424470000164
与
Figure GDA0003302424470000165
相似，根据之前的定义我们称
Figure GDA0003302424470000166
发生了生存事件。如果无人驾驶车群
Figure GDA0003302424470000167
内的无人驾驶车辆节点少于车群
Figure GDA0003302424470000168
则无人驾驶车群的规模缩小，其数学表达式为(2)：
Figure GDA0003302424470000169
假设在时刻i情况下存在无人驾驶车群
Figure GDA00033024244700001610
并且在时刻j存在无人驾驶车群
Figure GDA00033024244700001611
并且j＞i，
Figure GDA00033024244700001612
与
Figure GDA00033024244700001613
相似。如果无人驾驶车群
Figure GDA00033024244700001614
内的无人驾驶车辆节点数目多于车群
Figure GDA00033024244700001615
则无人驾驶车群的规模扩大，其数学表达式为(3)：
Figure GDA00033024244700001616
(2)车群疏密变化
无人驾驶车群运动过程中，无人驾驶车辆节点动态变化中，可能受到有人驾驶车辆节点干扰，例如随意变道，恶意别车等，车群网络拓扑图可能出现边的权重加强，也可能减弱，造成无人驾驶车群内部出现疏密变化。假设在时刻i情况下存在无人驾驶车群
Figure GDA00033024244700001617
并且在时刻j存在无人驾驶车群
Figure GDA00033024244700001618
并且j＞i，
Figure GDA00033024244700001619
与
Figure GDA00033024244700001620
相似，根据之前的定义我们称
Figure GDA00033024244700001621
Figure GDA00033024244700001622
发生了生存事件。如果无人驾驶车群
Figure GDA00033024244700001623
组成的网络拓扑结构中的边数小于在j时刻车群
Figure GDA00033024244700001624
内的边数，称无人驾驶车群发生了聚集变化，其数学表达式为(4)：
Figure GDA00033024244700001625
Figure GDA0003302424470000171
同理，假设在时刻i情况下存在无人驾驶车群
Figure GDA0003302424470000172
并且在时刻j存在无人驾驶车群
Figure GDA0003302424470000173
并且j＞i，
Figure GDA0003302424470000174
与
Figure GDA0003302424470000175
相似，根据之前的定义我们称
Figure GDA0003302424470000176
发生了生存事件。如果无人驾驶车群
Figure GDA0003302424470000177
组成的网络拓扑结构中的边数大于在j时刻车群
Figure GDA0003302424470000178
内的边数，我们称无人驾驶车群发生了分散变化，其数学表达式为(5)：
Figure GDA0003302424470000179
Figure GDA00033024244700001710
(3)车群引领节点变化
无人驾驶车群中的引领节点是车群中最核心的成员，引领节点管理车群的各项信息，如车群节点集合，车群中各个节点的位置，速度等。在车群演化过程中，引领节点往往可以决定一个非本车群的节点是否可以加入本车群。由于引领节点的重要性，我们给出一种使用节点相对移动性来选择稳定的引领节点的方法。对于时刻i中的无人驾驶车群
Figure GDA00033024244700001711
中，无人驾驶车辆节点v的核心度centrality(v)的数学表达式为(6)：
Figure GDA00033024244700001712
其中
Figure GDA00033024244700001713
表示无人驾驶车辆节点v在车群
Figure GDA00033024244700001714
中存在的边数，即它与邻居节点可以通信则存在一条边，
Figure GDA00033024244700001715
表示车群
Figure GDA00033024244700001716
中存在的节点数目。
假设在时刻i情况下存在无人驾驶车群
Figure GDA00033024244700001717
并且在时刻j存在无人驾驶车群
Figure GDA00033024244700001718
并且j＞i，
Figure GDA00033024244700001719
与
Figure GDA00033024244700001720
相似，根据之前的定义称
Figure GDA00033024244700001721
发生了生存事件。如果探测到两个相似车群中的引领节点不同，则称无人驾驶车群发生了引领节点变化，其数学表达式为(7)：
Figure GDA00033024244700001722
Figure GDA00033024244700001723
Figure GDA00033024244700001724
(4)车群持久性变化
在无人驾驶车辆节点运动过程中，可能存在一种情况，无人驾驶车群内节点相互之间运行稳定，速度差异不影响网络拓扑结构。即在时刻i情况下存在无人驾驶车群
Figure GDA0003302424470000181
并且在时刻j存在无人驾驶车群
Figure GDA0003302424470000182
并且j>i，
Figure GDA0003302424470000183
与
Figure GDA0003302424470000184
相似，根据之前的定义称
Figure GDA0003302424470000185
发生了生存事件。此时无人驾驶车群
Figure GDA0003302424470000186
与
Figure GDA0003302424470000187
的网络拓扑结构中，包含的节点相同，边的数量相同，便称之发生了持久性变化，其数学表达式为(8)：
Figure GDA0003302424470000188
Figure GDA0003302424470000189
③车群动态演化探测算法
在研究无人驾驶车群五种动态演化事件与四种结构变化后，给出无人驾驶车群动态演化探测算法，能够探测无人驾驶发生的演化事件与结构变化，步骤如下：
(1)将当前车群与小于该时刻的元车群进行比较，如果满足match函数不为空集，置跳转值count为1且则该车群状态为form；
(2)若count值为0，将当前车群与大于该时刻的元车群进行比较，如果满足match函数不为空集，置跳转值count为1且则该车群状态为dissolve；
(3)若count值为0，将当前时刻该车群和其它车群与小于该时刻的元车群进行比较，如果满足sim函数大于阈值，置跳转值count为1且则该车群状态为 split；
(4)若count值为0，将当前时刻该车群与小于该时刻的元车群进行比较，如果满足sim函数大于阈值，置跳转值count为1且则该车群状态为merge；
(5)若count值为0，则当前车群状态为survive，计算对应的数据，判别在 survive状态下细分的四种状态。
车群动态演化探测算法如算法2所示，具体流程图如图10所示。
Figure GDA00033024244700001810
Figure GDA0003302424470000191
Figure GDA0003302424470000201
首先找出无人驾驶车群
Figure GDA0003302424470000202
所在的元车群序列
Figure GDA0003302424470000203
Figure GDA0003302424470000204
当j＜i时，
Figure GDA0003302424470000205
认为无人驾驶车群发生了形成事件(算法2-10行)。当j>i时，
Figure GDA0003302424470000206
认为无人驾驶车群发生了消亡事件(算法12-19行)。如果当前时间存在两个车群都与前一时刻的车群相似，判断发生了分裂事件(算法21-26行).如果当前时间存在一个车群与前一时刻的两个车群相似，判断发生了合并事件(算法28-33行)。当只能在前一时刻找到一个车群与当前时刻相似，便认为发生了生存事件，同时计算车群的节点数目变化，边的变化，最后确定无人驾驶车群发生的结构变化事件(算法35-45行)。
上述算法2中文描述：
Figure GDA0003302424470000207
Figure GDA0003302424470000211
④仿真实验验证
为了验证无人驾驶车群内部结构特征探测，本发明采用仿真实验的方式对高速公路场景车群进行计算机模拟，以获取相关的统计数据。
(1)实验数据
基于高速公路场景，本发明采用微观交通仿真软件SUMO创建了一条长度为10千米的单向双车道高速公路，道路中每2km设置一个入口与出口。具体仿真参数如表2所示，仿真时间设置为310秒。网络仿真中无人驾驶车辆可以保证稳定连接的范围设置为200米，考虑有人驾驶对车群的干扰，此外对整个无人驾驶车群的节点位置信息和节点数据的采集频率为1秒/次。
表2
Figure GDA0003302424470000212
(2)实验方法
本发明仿真实验是在上述仿真实验数据的基础上，利用SUMO和ns3仿真软件来进行交通仿真。为了验证车群相似性阈值k对车群演化的影响，设置两组无人驾驶车辆平均速度不同的实验，第一组将车辆的速度区间设置为[60,70]千米 /小时，第二组设置为[60,120]千米/小时。在道路中随机设置100辆无人驾驶车辆，其速度在设置区间服从均匀分布，并且目的地随机选择一个行驶正方向的出口离开道路。将k设置为0.1,0.2,…,1.0变化，仿真实验采集数据从第10s开始，然后每15秒生成无人驾驶车辆网络拓扑结构图，用于分析车群的拓扑结构变化。
(3)仿真实验结果与分析
1)无人驾驶车群内部结构变化
为了验证无人驾驶车群内部结构变化方法，把相似度阈值k设置为 0.1,0.2,…,1，并且统计相应相似度阈值下的无人驾驶车群内部结构变化率，结果如图2所示。从图中可以看出，车群规模变化与车群引领节点变化随着相似度阈值k的增加而减少；而车群疏密变化的值一直为1，车群持久性变化一直保持为 0，都不随着相似度阈值k而变化，这也表示无人驾驶车群一直是动态变化的，每个时刻的车群都不与前一个时刻的车群结构相同，都会发生疏密变化。
根据以上分析，可以得出结论，在探究无人驾驶车群内部结构与特征时，相对稳定的车群可以设定较高的相似度阈值k，而车群速度差异大，网络拓扑结构具有高动态性的网络，需要选择相对较低的相似度阈值k。
2)无人驾驶车群动态演化事件探测
为了验证无人驾驶车群动态演化事件探测方法，将相似度阈值k设置为 0.1,0.2,…,1，并且统计指定相似度阈值下每个时刻中检测到的群演化事件与车群结构变化，并计算平均值。车群演化事件具体包括：车群形成，车群消亡，车群生存，车群分裂，车群合并。图12，图13，图14，图15和图16分别表示无人驾驶车群演化事件的数目与车群相似度阈值的关系，五个实验图中矩形折线线为无人驾驶车辆速度区间设置为[60,70]千米/小时的统计数据，菱形折线表示无人驾驶车辆速度区间设置为[60,120]千米/小时的统计数据。图3表示，车群形成事件的发生次数与相似度阈值的关系图，可以看出相似度阈值k对检测到车群形成事件成正相关性。并且矩形折线与菱形折线对比可以看出，无人驾驶车群监测到的形成事件随着车辆平均速度的增加而增加。
车群消亡事件与相似度阈值的关系如图13所示。车群消亡事件的数目随着相似度阈值的增加而增加。并且车群消亡事件的数目等于车群形成事件的数目，这是因为在定义中，它们监测到的数目都等于元车群序列的数目。
车群生存事件与相似度阈值的关系如图14所示。车群分裂事件与相似度阈值的关系如图15所示。车群合并事件与相似度阈值的关系如图16所示。如图 14，图15和图16所示，无人驾驶车群生存事件，分裂事件，合并事件监测到的数目随着相似度阈值的增加而减少。并且图中矩形折线的代表的车辆平均速度为 [60,70]千米/小时监测到的事件数目均大于菱形折线代表的车辆平均速度为 [60,120]千米/小时监测到的事件数目。
创新点
创新点：本发明针对目前高速公路场景中，无人驾驶车群可能受到有人驾驶车辆节点的干扰，在其生命周期中存在多种演化事件，导致车群内部结构发生重大改变，不能有效维持无人驾驶车群运动行为稳定有序存在的问题，研究车群内部结构变化，然后给出无人驾驶车群动态演化探测算法，用以探测无人驾驶车群可能发生的结构变化，从而能够实时准确地探测车群内部动态演化特征，能够合理指导新车群或车群集的建立，确保无人驾驶车群运动行为保持稳定有序，使得无人驾驶能够在高速公路得到广泛应用成为可能。
高速公路场景中，无人驾驶与有人驾驶共存，无人驾驶车群可能受到有人驾驶车辆节点的干扰，在其生命周期中存在多种演化事件，包括微观层面的无人驾驶车辆节点的离开与加入，宏观层面的无人驾驶车群的形成、合并、分裂、消亡等事件，每种演化事件的内部结构保持高度相似，而在不同演化事件具有显著差异。因此，如何探测无人驾驶车群动态演化行为，揭示车群内部变化的一般性规律，从而深入理解无人驾驶车群系统组织及动态特征是急需解决的。

Claims (1)

1.一种高速公路场景中开放式无人驾驶车群动态演化探测方法，其特征是，包括如下步骤：
步骤1.相关定义
步骤2.无人驾驶车群动态演化探测
步骤2.1车群内部结构变化
步骤2.2车群动态演化探测算法
定义1车群相似度设
Figure FDA0003302424460000011
和
Figure FDA0003302424460000012
分别是时间i和j检测到的车群；如果两个车群中相同的无人驾驶车辆节点与两个车群的节点总和的比例超过设定阈值k，则称
Figure FDA0003302424460000013
和
Figure FDA0003302424460000014
是相似的，用
Figure FDA0003302424460000015
表示，数学表达式为(1)：
Figure FDA0003302424460000016
其中，
Figure FDA0003302424460000017
表示时间i检测到的车群，
Figure FDA0003302424460000018
分别表示在时间i和j下，无人驾驶车群p和q中无人驾驶车辆节点的数目；
定义2元车群序列给定一组时间1,2,…,n，元车群序列表示为
Figure FDA0003302424460000019
Figure FDA00033024244600000110
且满足以下条件：
(1)任何两个无人驾驶车群不处于同一时刻，且满足1≤t1＜t2＜…＜tm≤n；
(2)MVG中任意一个无人驾驶车群，至少存在一个前面时刻出现的车群，该车群与之相似，即
Figure FDA00033024244600000111
所述车群动态演化探测算法，能够探测无人驾驶发生的演化事件与结构变化，步骤如下：
(1)将当前车群与小于该时刻的元车群进行比较，如果满足match函数不为空集，置跳转值count为1且则该车群状态为form；
(2)若count值为0，将当前车群与大于该时刻的元车群进行比较，如果满足match函数不为空集，置跳转值count为1且则该车群状态为dissolve；
(3)若count值为0，将当前时刻该车群和其它车群与小于该时刻的元车群进行比较，如果满足sim函数大于阈值，置跳转值count为1且则该车群状态为split；
(4)若count值为0，将当前时刻该车群与小于该时刻的元车群进行比较，如果满足sim函数大于阈值，置跳转值count为1且则该车群状态为merge；
(5)若count值为0，则当前车群状态为survive，计算对应的数据，判别在survive状态下细分的四种状态。
CN202110195974.XA 2021-02-22 2021-02-22 高速公路场景中开放式无人驾驶车群动态演化探测方法 Active CN113015085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195974.XA CN113015085B (zh) 2021-02-22 2021-02-22 高速公路场景中开放式无人驾驶车群动态演化探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195974.XA CN113015085B (zh) 2021-02-22 2021-02-22 高速公路场景中开放式无人驾驶车群动态演化探测方法

Publications (2)

Publication Number Publication Date
CN113015085A CN113015085A (zh) 2021-06-22
CN113015085B true CN113015085B (zh) 2022-02-01

Family

ID=76405336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195974.XA Active CN113015085B (zh) 2021-02-22 2021-02-22 高速公路场景中开放式无人驾驶车群动态演化探测方法

Country Status (1)

Country Link
CN (1) CN113015085B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108712758A (zh) * 2018-04-27 2018-10-26 中山大学 一种应用于车载自组网络中安全的动态稳定分簇方法
CN108811022A (zh) * 2018-03-20 2018-11-13 天津理工大学 一种面向车辆网应用环境的动态高效路由方法
CN109840720A (zh) * 2019-03-01 2019-06-04 同济大学 车联网社区动态演化方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
WO2019216726A1 (en) * 2018-05-11 2019-11-14 Samsung Electronics Co., Ltd. Method and system for handling dynamic group creation in v2x system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112242059B (zh) * 2020-09-30 2021-10-01 南京航空航天大学 基于动机与风险评估的无人驾驶车辆智能决策方法
CN112242071B (zh) * 2020-10-16 2022-01-07 山东摩西网络科技有限公司 基于动态编组重构的道路自动驾驶车辆协同避障方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108811022A (zh) * 2018-03-20 2018-11-13 天津理工大学 一种面向车辆网应用环境的动态高效路由方法
CN108712758A (zh) * 2018-04-27 2018-10-26 中山大学 一种应用于车载自组网络中安全的动态稳定分簇方法
WO2019216726A1 (en) * 2018-05-11 2019-11-14 Samsung Electronics Co., Ltd. Method and system for handling dynamic group creation in v2x system
CN109840720A (zh) * 2019-03-01 2019-06-04 同济大学 车联网社区动态演化方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Jiujun Cheng ; Chunrong Cao ; Mengchu Zhou ; Cong Liu ; Shangce Gao ; .A Dynamic Evolution Mechanism for IoV Community in an Urban Scene.《IEEE Internet of Things Journal》.2020, *
Jiujun Cheng ; Guiyuan Yuan ; MengChu Zhou ; Shangce Gao ; Zhenhua H.A Connectivity-Prediction-Based Dynamic Clustering Model for VANET in an Urban Scene.《 IEEE Internet of Things Journal》.2020, *
Xiaoyu Huang ; Weiyi Xie ; Xiaomin Xu ; Delphine Ya-Chu Chan.Usage Intention of Internet of Vehicles Based on CAB Model: The Moderating Effect of Reference Groups.《2020 5th International Conference on Computer and Communication Systems (ICCCS)》.2020, *
一种面向车辆自组织网络的分布式成簇算法;陈慧欣等;《小型微型计算机系统》;20170815(第08期);全文 *
面向车载自组织网络路由的轨迹预测算法;黎阳等;《计算机研究与发展》;20171115(第11期);全文 *

Also Published As

Publication number Publication date
CN113015085A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
Kwatirayo et al. Adaptive traffic light control using VANET: A case study
EP2590151A1 (en) A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras
Li et al. Intermittently connected vehicle-to-vehicle networks: Detection and analysis
Calhan A fuzzy logic based clustering strategy for improving vehicular ad-hoc network performance
Khawar et al. Machine learning for internet of things-based smart transportation networks
Hassan et al. Intelligent transportation systems in smart city: a systematic survey
Gomides et al. Predictive congestion control based on collaborative information sharing for vehicular ad hoc networks
Mohanty et al. Identification and evaluation of the effective criteria for detection of congestion in a smart city
El Joubari et al. A stochastic mobility model for traffic forecasting in urban environments
Sliwa et al. Lightweight joint simulation of vehicular mobility and communication with LIMoSim
Zamil et al. Dynamic rough-based clustering for vehicular ad-hoc networks
CN113015085B (zh) 高速公路场景中开放式无人驾驶车群动态演化探测方法
Cheng et al. VANET adaptive power control from realistic propagation and traffic modeling
CN117097619A (zh) 一种车路云协同的通算存资源优化配置方法及系统
CN113012424B (zh) 高速公路场景中开放式无人驾驶车群动态演化预测方法
Khatua et al. SoVEC: Social vehicular edge computing-based optimum route selection
Hu et al. Graph neural network-based clustering enhancement in VANET for cooperative driving
Mahdi et al. Grouping vehicles in vehicular social networks
Khabbaz et al. A probabilistic and traffic-aware bundle release scheme for vehicular intermittently connected networks
Zhang et al. Feature extraction of trajectories for mobility modeling in 5G NB-IoT networks
Marwah et al. Congestion-free routing based on a hybrid meta-heuristic algorithm to provide an effective routing protocol by analyzing the significant impacts of QoS parameters in a dynamic VANET environment
Zannou et al. Predicting the Traffic Congestion and Optimal Route in a Smart City Exploiting IoT Devices
El Joubari Mobility and traffic models for VANETs
Fathy et al. A method to predict travel time in large-scale urban areas using Vehicular Networks
CN112689267B (zh) 一种高速公路场景中开放式无人驾驶车车群动态演化方法

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