CN113516301A - 面向自动驾驶的任务调度方法、终端设备及存储介质 - Google Patents

面向自动驾驶的任务调度方法、终端设备及存储介质 Download PDF

Info

Publication number
CN113516301A
CN113516301A CN202110692704.XA CN202110692704A CN113516301A CN 113516301 A CN113516301 A CN 113516301A CN 202110692704 A CN202110692704 A CN 202110692704A CN 113516301 A CN113516301 A CN 113516301A
Authority
CN
China
Prior art keywords
micro service
micro
nodes
service node
task
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.)
Granted
Application number
CN202110692704.XA
Other languages
English (en)
Other versions
CN113516301B (zh
Inventor
李希金
李红五
安岗
周晓龙
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202110692704.XA priority Critical patent/CN113516301B/zh
Publication of CN113516301A publication Critical patent/CN113516301A/zh
Application granted granted Critical
Publication of CN113516301B publication Critical patent/CN113516301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种面向自动驾驶的任务调度方法、终端设备及计算机可读存储介质，其中，所述方法包括：构建任务调度模型；获取自动驾驶车辆自身的服务资源和周围节点的服务资源；在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列；以及，将所述任务队列发送至所述自动驾驶车辆，以使所述自动驾驶车辆基于所述任务队列调用相应周围节点依次执行任务。本公开实施例通过构建任务调度模型，充分利用自动驾驶车辆自身的服务资源和周围节点的服务资源，在所构建任务调度模型中对服务资源进行任务调度优化，自动驾驶车辆根据优化的任务队列调度相应的任务，其至少可以有效提高自动驾驶车辆的整体性能和可靠性。

Description

面向自动驾驶的任务调度方法、终端设备及存储介质
技术领域
本公开涉及自动驾驶领域，尤其涉及一种面向自动驾驶的任务调度方法、一种终端设备以及一种计算机可读存储介质。
背景技术
随着移动互联网技术的不断发展，自动驾驶将成为未来一段时间快速发展领域之一，自动驾驶汽车将会成为继电脑、手机之后的第三个终端，并成为5G(5th GenerationMobile Communication Technology，第五代通信技术)中重要应用场景之一。
随着自动驾驶算法的复杂性越来越高，自动驾驶算法对计算能力的要求也不断提高，而当前自动驾驶的运行环境主要以单个车辆的车载设备为核心，采用封闭的运算系统，车载节点有限的板载处理能力成为阻碍车载自动驾驶系统采用更高层次自动驾驶算法的因素之一，车载设备通过网络拓展自身的计算能力，成为解决这个问题的有效途径。5G网络的高带宽和低时延，以及5G网络中的C-V2X(Cellular Vehicle-To-Everything，车用无线通信)技术的发展，为计算能力由封闭的车载节点拓展到网络其他的计算节点提供了良好的网络基础，但是不同的计算能力拓展方法，以及相应的自动驾驶的计算任务进行卸载和调度的策略，对整体的计算能力、可靠性和资源占用率将产生较大的影响。
发明内容
本公开提供了一种面向自动驾驶的任务调度方法、终端设备及计算机可读存储介质，充分利用自动驾驶车辆自身的服务资源和周围节点的服务资源，在所构建任务调度模型中对服务资源进行任务调度优化，以提高自动驾驶车辆的整体性能和可靠性，以至少解决上述技术问题。
根据本公开实施例的一方面，提供一种面向自动驾驶的任务调度方法，包括：
构建任务调度模型；
获取自动驾驶车辆自身的服务资源和周围节点的服务资源；
在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列；以及，
将所述任务队列发送至所述自动驾驶车辆，以使所述自动驾驶车辆基于所述任务队列调用相应的周围节点依次执行任务。
在一种实施方式中，所述构建任务调度模型，包括：
将自动驾驶任务按照第一预设规则拆分为若干个微服务；
将所述若干个微服务抽象成若干个微服务节点；以及，基于所述若干个微服务节点构建任务调度模型。
在一种实施方式中，所述基于所述若干个微服务节点构建任务调度模型，包括：
分别计算每两个微服务节点之间的任务调度综合权重；
基于所述每两个微服务节点之间的任务调度综合权重计算所述若干个微服务节点的最优收益；以及，
基于所述若干个微服务节点的最优收益构建任务调度模型。
在一种实施方式中，所述分别计算每两个微服务节点之间的任务调度综合权重，根据以下公式得到：
Figure BDA0003126770170000021
Figure BDA0003126770170000022
Figure BDA0003126770170000023
Figure BDA0003126770170000024
式中，k表示第i个微服务节点和第j个微服务节点之间属于第k个调用关系，
Figure BDA0003126770170000025
表示在第k个调用关系下的第i个微服务节点和第j个微服务节点之间的任务调度综合权重，
Figure BDA0003126770170000026
表示所述任务执行的综合收益，
Figure BDA0003126770170000027
表示所述任务执行的时间开销约束，
Figure BDA0003126770170000028
表示所述任务执行的可靠性，Sk1、Sk2和Sk3分别表示所述任务执行具有的资源数量、算法质量以及环境等级，τk1、τk2、τk3和τk4分别表示所述任务执行的时间、卸载的时间、通信占用的时间以及协调的时间，Qk1、Qk2和Qk3分别表示所述任务执行环境的可靠性、通信链路的可靠性以及所述任务调度与执行的可行性。
在一种实施方式中，所述基于所述每两个微服务节点之间的任务调度综合权重计算所述若干个微服务节点的最优收益，根据以下公式得到：
Figure BDA0003126770170000031
s.t.
Figure BDA0003126770170000032
Figure BDA0003126770170000033
式中，GM,N表示所述若干个微服务节点的最优收益，M表示微服务节点总数，N表示所有微服务节点之间的调用关系总数,τi,j表示预设时延约束条件，Qi,j表示预设质量约束条件。
在一种实施方式中，所述服务资源指的是所述若干个微服务节点能够为所述自动驾驶车辆提供的服务资源，
在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列，包括：
基于优化蚁群算法在所述任务调度模型中针对所述服务资源为所述若干个微服务节点进行任务调度优化，得到优化后的所述若干个微服务节点的任务队列。
在一种实施方式中，基于优化蚁群算法在所述任务调度模型中针对所述服务资源为所述若干个微服务节点进行任务调度优化，得到优化后的所述若干个微服务节点的任务队列，包括：
预先设置每两个微服务节点之间的信息素；
将若干人工蚂蚁分别放置在任意微服务节点处；
基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值；
基于所述概率值分别为所述若干人工蚂蚁选择其转移的下一个微服务节点；
在所述若干人工蚂蚁分别基于为其选择的下一个微服务节点进行转移之后，分别计算所述若干人工蚂蚁转移前后的两个微服务节点之间的信息素变化量；
基于所述信息素变化量对每两个微服务节点之间的信息素进行更新，得到每两个微服务节点之间更新后的信息素；
基于每两个微服务节点之间更新后的信息素重新执行基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值的步骤，分别为所述若干人工蚂蚁再次选择其转移的下一个微服务节点，直到所述若干人工蚂蚁跑完所有微服务节点；
在所述任务调度模型中针对所述服务资源基于此次所述若干人工蚂蚁跑完所有微服务节点的转移情况计算出所述若干个微服务节点的总收益；
重新执行将若干人工蚂蚁分别放置在任意微服务节点处的步骤，直到重新执行次数达到预设迭代次数；
从各次迭代计算出的所述若干个微服务节点的总收益中选择出与总收益最大的那次所述若干人工蚂蚁跑完所有微服务节点的转移情况，并基于该次所述若干人工蚂蚁跑完所有微服务节点的转移情况得到优化后的所述若干个微服务节点的任务队列。
在一种实施方式中，在基于所述信息素变化量对每两个微服务节点之间的信息素进行更新之后，以及基于每两个微服务节点之间更新后的信息素重新执行基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值的步骤之前，还包括：
每隔预设时间段基于第二预设规则在每两个微服务节点之间进行信息素抛洒。
在一种实施方式中，所述基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值，根据以下公式得到：
Figure BDA0003126770170000041
式中，
Figure BDA0003126770170000051
表示t时刻第e个人工蚂蚁从所处的微服务节点i转移到其相连的微服务节点j之间的概率值，[τi,j(t)]α表示t时刻微服务节点i和微服务节点j之间的信息素的α次幂，
Figure BDA0003126770170000052
表示t时刻在第k个调用关系下微服务节点i和微服务节点j之间任务执行的综合收益的β次幂，其中α和β为固定参数，Je(i)为第e个人工蚂蚁所处的微服务节点i相连的微服务节点集合。
在一种实施方式中，分别计算所述若干人工蚂蚁转移前后的两个微服务节点之间的信息素变化量，根据以下公式得到：
Figure BDA0003126770170000053
Figure BDA0003126770170000054
Figure BDA0003126770170000055
Figure BDA0003126770170000056
式中，
Figure BDA0003126770170000057
表示第e个人工蚂蚁转移前的微服务节点i和转移后的微服务节点j之间的信息素变化量，Q表示每个人工蚂蚁的信息素总量，Le表示第e个人工蚂蚁已经建立的路径长度，
Figure BDA0003126770170000058
表示第e个人工蚂蚁节从微服务节点i转移到微服务节点j的确认值，
Figure BDA0003126770170000059
为在第k个调用关系下微服务节点i和微服务节点j之间满足预设时延约束条件的确认值，
Figure BDA00031267701700000510
为在第k个调用关系下微服务节点i和微服务节点j之间满足预设质量约束条件的确认值。
在一种实施方式中，基于所述信息素变化量对每两个微服务节点之间的信息素进行更新，得到每两个微服务节点之间更新后的信息素，根据以下公式得到：
Figure BDA00031267701700000511
式中，τi,j(t+1)表示t+1时刻微服务节点i和微服务节点j之间更新后的信息素，τi,j(t)表示t时刻微服务节点i和微服务节点j之间的信息素，ρ为表示信息素蒸发率，f表示人工蚂蚁总数，
Figure BDA00031267701700000512
表示在第k个调用关系下微服务节点i和微服务节点j之间任务执行的时间开销时间，
Figure BDA00031267701700000513
表示在第k个调用关系下微服务节点i和微服务节点j之间任务执行的可靠性。
人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁人工蚂蚁基于相同的技术构思，本公开实施例相应还提供一种终端设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行所述的面向自动驾驶的任务调度方法。
基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的面向自动驾驶的任务调度方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的面向自动驾驶的任务调度方法，通过构建任务调度模型；获取自动驾驶车辆自身的服务资源和周围节点的服务资源；在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列；以及，将所述任务队列发送至所述自动驾驶车辆，以使所述自动驾驶车辆基于所述任务队列调用相应周围节点依次执行任务。本公开实施例通过构建任务调度模型，充分利用自动驾驶车辆自身的服务资源和周围节点的服务资源，在所构建任务调度模型中对服务资源进行任务调度优化，自动驾驶车辆根据优化的任务队列调度相应的任务，其至少可以有效提高自动驾驶车辆的整体性能和可靠性。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
图1为本公开实施例提供的一种面向自动驾驶的任务调度方法的流程示意图；
图2为图1中步骤S10的流程示意图；
图3为图2中步骤S13的流程示意图；
图4为本公开实施例提供的另一种面向自动驾驶的任务调度方法的流程示意图；
图5为图4中步骤S31的流程示意图；
图6为本公开实施例提供的又一种面向自动驾驶的任务调度方法的流程示意图；
图7为本公开实施例提供的一种终端设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
移动互联网时代，运营商之间以及与互联网业界之间的激烈竞争，导致运营商的电话和短信业务受互联网公司的侵蚀进一步增加，管道化趋势的进程也进一步加快。因此，除提供传统业务以外，运营商利用网络的独特优势，开发新的业务，成为运营商技术发展的重要趋势。自动驾驶是未来一段时间快速发展领域之一，自动驾驶汽车将会成为继PC、手机之后的第三个终端，并成为5G中重要应用场景之一，目前自动驾驶主要是互联网公司和车企等参与，运营商如何在自动驾驶中，利用5G网络的独特优势，开发新的5G应用，具有积极的意义。
自动驾驶通过车辆安装的米波雷达、激光雷达、超声波雷达和车载摄像头等，结合自动控制技术、模式识别技术等，结合一定的自动驾驶算法，由自动驾驶设备自动安全地操作机动车辆。车载短距离通信(Vehicle to X，简称V2X)作为5G网络的重要部分，提供车间通信(Vehicle to Vehicle，简称V2V)、车-设施通信(Vehicle to infrastructure，简称V2I)、车-行人通信(Vehicle to Pedestrian，简称V2P)、车-网络通信(Vehicle tonetwork，简称V2N)、车-云通信(Vehicle to Cloud，简称V2C)等技术。3GPP完成的5G车载短距离通信标准是基于蜂窝网络的车辆与一切通信(Cellular Vehicle-to-Everything，简称C-V2X)，其中LTE-V2X包含LTE-D2D(点对点)的PC5接口和LTE蜂窝网的Uu接口。其中车-车通信V2V，车-路边基础设施通信V2I，车-人通信V2P通过PC5模式，工作于专用频段；车-网络/云通信(V2N/V2C)通过Uu模式，工作于运营商蜂窝网络频段，其中的PC5接口称为Sidelink(侧行链路或直通链路)，Uu接口包括Uplink和Downlink(上下行链路)。
5G网络中的移动边缘计算(Mobile Edge Computing，简称MEC)将计算能力和存储能力迁移到了接入网的范畴中，通过在移动网络边缘(例如基站)提供IT服务环境和云计算能力，可以提供低时延、高带宽、实时的网络服务。由于MEC具有较高的计算能力和数据存储能力，自动驾驶的部分数据可以在MEC中进行分析、计算与存储。相比车载设备的运算能力受限，以及只能采集到车辆周围传感器的信息，运营商的5G基站可以作为路侧节点(RSU)，部署专门为自动驾驶服务的MEC，由于路侧节点体积和供电不受限制，具有较强的计算能力。同时，路侧节点天线部署位置高，覆盖范围大，相互之间以及同道路职能交通设备(例如交通信号灯)之间有高带宽网络连接，因此路侧节点的MEC除提供计算和数据存储能力以外，还具有道路信息的提供能力。
然而随着自动驾驶算法的复杂性越来越高，自动驾驶算法对计算能力的要求越来越高，而当前自动驾驶的运行环境主要以单个车辆的车载设备为核心，采用封闭的运算系统，车载节点有限的板载处理能力成为阻碍车载自动驾驶系统采用更高层次自动驾驶算法的因素之一。车载设备通过网络拓展自身的计算能力，成为解决这个问题的有效途径。5G网络的高带宽和低时延，以及5G网络中的C-V2X技术的发展，为计算能力由封闭的车载节点拓展到网络其他的计算节点提供了良好的网络基础，但是不同的计算能力拓展方法，以及相应的自动驾驶的计算任务进行卸载和调度的策略，对整体的计算能力、可靠性和资源占用率将产生较大的影响。
基于上述技术问题，为了利用5G网络，以及其中的C-V2X网络的各种计算资源的特点，将自动驾驶的计算能力拓展到网络的其他节点，尤其是5G基站和路侧节点的移动边缘计算(MEC)中，以及提供拓展后计算任务的高效调度方法，本公开实施例提出了一种基于5G网络的自动驾驶微服务任务调度优化方法，使自动驾驶任务在保证可靠性、时延要求的基础上，充分利用车载节点、路侧节点、5G边缘计算、以及云计算的各自特点和优势，通过对不同任务进行分类，构建相应的微服务调度模型，然后对任务调度进行改进的蚁群优化算法进行，将优化结果提供给自动驾驶程序进行调度，最后将结果发送到相应的硬件执行相关操作或者显示，从而提高了自动驾驶系统的整体性能和可靠性。
请参照图1，图1为本公开实施例提供的一种面向自动驾驶的任务调度方法的流程示意图，包括步骤S10-S40。
在步骤S10中，构建任务调度模型。
本实施例中，首先构建用于自动驾驶车辆优化任务队列的任务调度模型，具体地，如图2所示，步骤S10包括以下步骤S11-S13。
在步骤S11中，将自动驾驶任务按照第一预设规则拆分为若干个微服务。
本实施例中，将自动驾驶任务进行微服务化，可以理解的，自动驾驶任务的微服务化是分布式运行的基础。与传统自动驾驶任务采用完整封闭的运行体系，以及运行硬件和软件环境局限在车辆内部不同，本实施例采用微服务的模式，将自动驾驶任务拆分成m个微服务(组件)，各个微服务(组件)独立运行，微服务之间可以采用轻量级通过明确定义的接口进行通信。自动驾驶车辆可以根据需要，调用不同数量的微服务来满足自动驾驶的性能，例如在市区交通路况复杂的路段，可以额外调用更精细的环境识别服务和控制服务来应对，在高速公路的进出隧道部分，可以额外调用部署在隧道出入口的路侧节点提供的环境感知服务，以应对出入隧道过程中光线亮度巨大变化带来的自动驾驶风险。
需要说明的是，本领域技术人员可以根据实际应用对第一预设规则进行适应性设定，本实施例对自动驾驶任务拆分成若干个微服务作以下示例：
a、水平拆分：相同或者类似功能的实例多个数量运行，例如障碍物、车道、前后车、左右车的监测处理，当单个实例不能保证延时和可靠性时，可以分别将前、后、左、右、上、下摄像头、车载雷达的信号处理，采用微服务的方式，采用同样的算法，多个实例并行运行，其中左右车监测比前后车对时延要求严格，可以启动多个同样的微服务实例，以减少处理的时延。
b、区域拆分：按照实例的运行区域进行拆分。例如运行在本车的车载终端、路测节点、云端、其他车载终端的运行区域不同，将自动驾驶处理拆分成不同的微服务，根据需要进行任务调度。例如自动驾驶程序需要根据前方信号灯的状态变化来计算最佳的巡航速度，就需要调用路测节点运行的交通信号灯和道路状况的最佳巡航速度实例，因为路侧节点具有当前车辆前方多个道路的交通信号灯的状态信息和道路车流量信息，显然调用路侧节点上的微服务比调用本机的微服务能获得更好的性能，但是需要付出通信开销。
可以理解的是，本实施例的微服务运行区域包括：车辆自身的自动驾驶系统、LTE-V车载终端、LTE-V路侧节点、5G终端、5G移动边缘计算、自动驾驶的云平台。各个微服务组件可以卸载到不同的环境中运行，由于运行环境不同，各个环境中的微服务可以获取不同运行环境提供的信息，因此提供的性能也不同，但是也带来不同的延时、服务提供的稳定性、持续时间也不同。系统可以同时调用不同环境的多个相同的微服务以提高准确性、可靠性和任务执行的性能。
c、功能拆分：根据自动驾驶需要的功能进行拆分，分别满足自动驾驶的感知，规划和控制功能。
其中，感知部分包括环境感知和定位，采用LTE-V的V2X通信、激光雷达、摄像头和其他传感器，借助人工智能算法，感知障碍物，进一步理解障碍物，理解场景，预测目标障碍物的行为；规划部分包括任务规划，行为规划和动作规划任务规划基于路网和路径搜索算法实现，行为规划通过行为决策算法实现，动作规划算法针对需要达到的目标规划自动驾驶过程中的系列动作。动作规划对时延敏感，要求在规定时间内返回正确的结果，同时，对可靠性要求较高。另外，对周围环境要求有准确的理解；控制部分将规划好的动作实现，控制的精准度是一个重要的指标。控制系统通过比较算法输出的控制动作和车辆的实际测量结果，进行反馈控制，实际动作的测量结果越准确、越全面，控制部分的精准度就越高。
在步骤S12中，将所述若干个微服务抽象成若干个微服务节点。
具体地，为便于任务调度模型的构建以及任务队列的分析和优化计算，本实施例将微服务抽象成微服务节点，具体地，将自动驾驶的任务(微服务)和任务之间的调度开销抽象成计算模型G＝(V,E)，用点(即微服务节点)表示任务集合，连线表示任务之间的调度关系，其中，V＝{v1,v2,...vm}表示m个微服务节点的集合，E＝{e1,e2,...,en}表示n条连线的集合。
在步骤S13中，基于所述若干个微服务节点构建任务调度模型。
进一步地，步骤S13，如图3所示，包括以下步骤S131-S133：
在步骤S131中，分别计算每两个微服务节点之间的任务调度综合权重。
其中任务调度综合权重可以根据任务执行的收益、任务执行的时间开销约束以及任务执行的可靠性约束等因素计算得到。具体地，可以根据以下公式得到：
Figure BDA0003126770170000111
Figure BDA0003126770170000112
Figure BDA0003126770170000113
Figure BDA0003126770170000114
式中，k表示第i个微服务节点和第j个微服务节点之间属于第k个调用关系，
Figure BDA0003126770170000115
表示在第k调用关系下的第i个微服务节点和第j个微服务节点之间的任务调度综合权重，
Figure BDA0003126770170000116
表示所述任务执行的综合收益，
Figure BDA0003126770170000121
表示所述任务执行的时间开销约束，
Figure BDA0003126770170000122
表示所述任务执行的可靠性，Sk1、Sk2和Sk3分别表示所述任务执行具有的资源数量、算法质量以及环境等级，τk1、τk2、τk3和τk4分别表示所述任务执行的时间、卸载的时间、通信占用的时间以及协调的时间，Qk1、Qk2和Qk3分别表示所述任务执行环境的可靠性、通信链路的可靠性以及所述任务调度与执行的可行性。
需要说明的是，所述任务即在第k个调用关系下的第i个微服务节点和第j个微服务节点之间的任务，其中，k表示任务与任务之间的调用关系，在计算中不具备特殊意义，本实施例以调用关系k为1为例。其中，任务执行的收益，用任务执行的质量来衡量；任务执行具有的环境等级，包括硬件配置、能耗限制和通信环境等。
在步骤S132中，基于所述每两个微服务节点之间的任务调度综合权重计算所述若干个微服务节点的最优收益。
具体地，步骤S132，根据以下公式得到：
Figure BDA0003126770170000123
s.t.
Figure BDA0003126770170000124
Figure BDA0003126770170000125
式中，GM,N表示所述若干个微服务节点的最优收益，M表示若干个微服务节点总数，N表示所有微服务节点之间的调用关系总数,τi,j表示预设时延约束条件，Qi,j表示预设质量约束条件。
结合上述计算模型G＝(V,E)的内容，其中微服务节点i∈{v1,v2,...vm}，j∈{v1,v2,...vm}，N是所有的微服务相互调用关系，i，j之间的调用关系(i,j)∈{e1,e2,...,en}，τi,j表示系统设置的(i,j)之间调用的时延约束条件，Qi,j表示系统设置的(i,j)之间调用的质量约束条件，其中，s.t.表示被约束于以下条件(subject to)。
在步骤S133中，基于所述若干个微服务节点的最优收益构建任务调度模型。
可以理解的是，所有微服务节点之间的总的任务调度综合权重越高，收益越高，收益越高说明任务调度开销越小，越能够满足自动驾驶系统的整体性能和可靠性。
本实施例中，采用所述任务调度模型后，优化问题就变成了全部微服务任务调度算法，寻求满足延时和质量约束条件下的最优收益。在自动驾驶车辆需要调用任务时，根据任务调度模型获取最优收益的任务队列即可满足自动驾驶任务的最优调度。
在步骤S20中，获取自动驾驶车辆自身的服务资源和周围节点的服务资源。
具体地，5G网络中的LTE-V车载终端会通过周围节点的心跳信息获取周围节点发布的服务信息，从而获取周围节点的服务开放能力，包括服务种类、服务性能、服务开销、服务能力、服务质量。
需要说明的是，周围节点为自动驾驶车辆可以调用这些节点的服务资源的节点，其中一个周围节点可以调用一个或多个微服务示例，周围节点可以为车载节点、路侧节点、5G边缘计算节点或者云计算节点等。
在步骤S30中，在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列。
具体地，所述服务资源为自身的服务资源和周围节点服务资源，在任务调度模型中根据自身的服务资源和周围节点的服务资源对微服务进行任务调度优化，以保证在满足可靠性、时延约束条件下，选择出最优的任务队列。
在步骤S40中，将所述任务队列发送至所述自动驾驶车辆，以使所述自动驾驶车辆基于所述任务队列调用相应周围节点依次执行任务。
可以理解的是，自动驾驶车辆调用周围节点依次执行任务，其中，周围节点根据该任务队列调用相应的微服务实例依次执行各自的任务。
具体地，自动驾驶的优化程序不停循环进行优化，以满足车载节点周围环境的快速变化，并将优化后的结果放入任务调度队列，自动驾驶程序需要的各项功能，按照优化后的任务队列，调用相应周围节点(例如车载节点、路侧节点和云服务节点)的微服务。从微服务反馈的结果，送自动驾驶程序，进一步通过总线发送给自动驾驶的硬件，执行相应的动作，或者显示。
请参照图4，图4为本公开实施例提供的另一种面向自动驾驶的任务调度方法的流程示意图，在上一实施例的基础上，本实施例给出了在任务调度模型中进行任务队列优化的具体示例，其中，所述服务资源为所述若干微服务节点能够为所述自动驾驶车辆提供的服务资源，在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列(即，步骤S30)进一步划分为步骤S31。
在步骤S31中，基于优化蚁群算法在所述任务调度模型中针对所述服务资源为所述若干微服务节点进行任务调度优化，得到优化后的所述若干微服务节点的任务队列。
可以理解的是，蚁群算法是一种用来寻找优化路径的概率型算法，在本实施例中，在获取周围的微服务资源后，采用优化蚁群算法对各类资源的调度进行优化。蚁群算法在复杂无规律的最短路径问题的优化中，呈现出良好的性能，由最短路径优化，后续蚁群优化拓展到各类路由、任务调度等优化中。
与传统的蚁群算法不同的是，本实施例的优化蚁群算法包括人工蚂蚁同节点(微服务节点)之间的通信策略，当人工蚂蚁从节点i向j节点行走前，首先向j节点发起通信请求，询问j节点的约束条件
Figure BDA0003126770170000141
(假设调用关系k为1)，如果约束条件不满足，则更换行走方向，同时，将(i，j)节点之间的信息素由传统缓慢蒸发改进为即刻清除策略，避免了后续人工蚂蚁选择该路径，以达到在寻求最优路径的同时，避免将微服务的服务资源不满足约束条件的选择项考虑在内，有效保障任务可以实际被执行。
进一步地，基于优化蚁群算法在所述任务调度模型中针对所述服务资源为所述若干微服务节点进行任务调度优化，得到优化后的所述若干微服务节点的任务队列(步骤S31)，如图5所示，包括步骤S311-S314。
在实际应用中，由于任务调度受多个因素约束，同时，在满足约束条件下，其约束条件也会影响最终的优化结果，例如对于动态变化的车载节点和位置固定的路侧节点，任务执行环境的可靠性都满足任务要求的前提下，调度路测节点的任务可以减少后续任务切换的开销，从而可以提高在一段时间内的整体的性能。因此，本实施例需要针对传统蚁群优化算法进行改进，以满足本实施例的微服务任务调度优化的要求。
在步骤S311中，预先设置每两个微服务节点之间的信息素。
需要说明的是，步骤S311为蚁群算法的初始化过程，即设置每条边的信息素初始值，其中每条边的信息素初始值可以是均匀的也可以是非均匀的。
在步骤S312中，将若干人工蚂蚁分别放置在某一微服务节点处；
在步骤S313中，基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值。
具体地，步骤S313，根据以下公式得到：
Figure BDA0003126770170000151
式中，
Figure BDA0003126770170000152
表示t时刻第e个人工蚂蚁从所处的微服务节点i转移到其相连的微服务节点j之间的概率值，[τi,j(t)]α表示t时刻微服务节点i和微服务节点j之间的信息素的α次幂，
Figure BDA0003126770170000153
表示t时刻在第k调用关系下微服务节点i和微服务节点j之间任务执行的综合收益的β次幂，其中α和β为固定参数，Je(i)为第e个人工蚂蚁所处的微服务节点i相连的所有微服务节点集合。
本实施例中，利用基于收益的节点选择概率策略，在t时刻，人工蚂蚁k在i节点中，面临若干个选择到下一个节点，按照上式所示的概率选择相邻的下一个节点，其中，
Figure BDA0003126770170000154
的计算方式即通过任务调度模型中进行计算获得，基于此，人工蚂蚁会较大的概率选择综合收益大的下一个节点，因为车载节点处于快速移动中，这种方式也能保证人工蚂蚁以一定的概率不断探索其他的节点。
在步骤S314中，基于所述概率值分别为所述若干人工蚂蚁选择其转移的下一个微服务节点。
在步骤S315中，在所述若干人工蚂蚁分别基于为其选择的下一个微服务节点进行转移之后，分别计算所述若干人工蚂蚁转移前后的两个微服务节点之间的信息素变化量。
可以理解的是，e个人工蚂蚁基于系统为其各自计算得到的下一个节点的概率分别进行状态转移。
具体地，分别计算所述若干人工蚂蚁进行转移的每两个微服务节点之间的信息素变化量，根据以下公式得到：
Figure BDA0003126770170000161
Figure BDA0003126770170000162
Figure BDA0003126770170000163
Figure BDA0003126770170000164
式中，
Figure BDA0003126770170000165
表示第e个人工蚂蚁转移前的微服务节点i和转移后的微服务节点j之间的信息素变化量，Q表示每个人工蚂蚁的信息素总量，Le表示第e个人工蚂蚁已经建立的路径长度，
Figure BDA0003126770170000166
表示第e个人工蚂蚁节从微服务节点i转移到微服务节点j的确认值，
Figure BDA0003126770170000167
为在第k调用关系下微服务节点i和微服务节点j之间满足预设时延约束条件的确认值，
Figure BDA0003126770170000168
为在第k调用关系下微服务节点i和微服务节点j之间满足预设质量约束条件的确认值。
可以理解的是，人工蚂蚁转移前的微服务节点i和转移后的微服务节点j之间的信息素变化量，即，人工蚂蚁从节点i转移至j之前和人工蚂蚁从节点i转移至j之后的信息素变化量。
本实施例中，与传统的蚁群算法不同的是，设计了人工蚂蚁同节点的通信策略，当人工蚂蚁从节点i向j节点行走前，首先向j节点发起通信请求，询问j节点的约束条件
Figure BDA0003126770170000169
(假设调用关系k为1)，如果约束条件不满足，则更换行走方向，同时，将(i，j)节点之间的信息素由传统缓慢蒸发改进为即刻清除策略，避免了后续人工蚂蚁选择该路径。
上述公式中，
Figure BDA00031267701700001610
即用于判断第k个人工蚂蚁是否经过节点(i，j)之间的路径，如果经过，
Figure BDA00031267701700001611
否则
Figure BDA00031267701700001612
Q为系统设定的每个人工蚂蚁分配的信息素总量，L k为第k个人工蚂蚁已经建立的路径长度，
Figure BDA00031267701700001613
为对应约束条件(即任务调度模型中的约束条件)的信息素清除系数，当j节点的
Figure BDA00031267701700001614
时，
Figure BDA00031267701700001615
否则
Figure BDA00031267701700001616
Figure BDA00031267701700001617
为对应约束条件(即任务调度模型中的约束条件)的信息素清除系数，当j节点的
Figure BDA00031267701700001618
时，
Figure BDA00031267701700001619
否则
Figure BDA00031267701700001620
在步骤S316中，基于所述信息素变化量对每两个微服务节点之间的信息素进行更新，得到每两个微服务节点之间更新后的信息素，并返回步骤S313，基于每两个微服务节点之间更新后的信息素重新执行基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点的概率值的步骤，分别为所述若干人工蚂蚁再次选择其转移的下一个微服务节点，直到所述若干人工蚂蚁跑完所有微服务节点(c条件)。
可以理解的是，所有微服务节点及所有若干微服务节点。
其中，基于所述信息素变化量对所述每两个微服务节点之间的信息素进行更新，每两个微服务节点之间更新后的信息素，根据以下公式得到：
Figure BDA0003126770170000171
式中，τi,j(t+1)表示t+1时刻微服务节点i和微服务节点j之间更新后的信息素，τi,j(t)示t时刻微服务节点i和微服务节点j之间的信息素，ρ为信息素蒸发率，f表示人工蚂蚁总数，
Figure BDA0003126770170000172
表示在第k调用关系下微服务节点i和微服务节点j之间任务执行的时间开销时间，
Figure BDA0003126770170000173
表示在第k调用关系下微服务节点i和微服务节点j之间任务执行的可靠性。
需要说明的是，本实施例所考虑的节点之间的信息素更新内容，相较于传统蚁群优化算法的人工蚂蚁经过路径时的信息素更新只与是否经过该路径有关，本实施例的微服务任务调度模型中，任意两个节点(i，j)的综合权重
Figure BDA0003126770170000174
其中的制约参数
Figure BDA0003126770170000175
的不同，也影响整体的性能，因此应该反映到信息素中，使得后续人工蚂蚁从i节点出发时，在满足约束条件下，更多选择约束条件更好的任务调度方法，例如移动节点和路侧节点的交通信号灯识别，都能满足约束条件，如果路侧节点能够直接获取交通信号灯的状态，即模型总表示任务执行环境的可靠性Q1更好，应该优先调用路侧节点的交通灯识别任务，因此，要综合
Figure BDA0003126770170000176
参数更新节点(i，j)之间的信息素。
在步骤S317中，在所述任务调度模型中针对所述服务资源基于此次所述若干人工蚂蚁跑完所有微服务节点的转移情况计算出所述若干个微服务节点的总收益。
可以理解的是，上述任务调度模型中给出了选择最优收益的任务队列作为优化后的任务队列，其中，包括每两个微服务节点之间的任务调度综合权重的计算方式，所述的若干服务节点的总收益基于上的任务调度综合权重的计算方式分别计算每两个微服务节点(蚂蚁转移)之间的综合权重，然后根据所有综合权重计算得到若干微服务节点之间的综合收益。
进一步地，判断是否达到预设迭代次数，如果没有达到预设迭代次数则返回步骤S312重新执行将若干人工蚂蚁分别放置在任意微服务节点处的步骤，直到重新执行次数达到预设迭代次数。
其中，每次迭代可以将人工蚂蚁分别随机放置在不同的微服务节点处。(可以)
本实施例中，通过设置一个预设迭代次数，在这个预设迭代次数中寻求一个最优方案，其中本领域技术人员可以结合实际应用对预设迭代次数进行设定。
在步骤S318中，从各次迭代计算出的所述若干个微服务节点的总收益中选择出与总收益最大的那次所述若干人工蚂蚁节点跑完所有微服务节点的转移情况，并基于该次所述若干人工蚂蚁跑完所有微服务节点的转移情况得到优化后的所述若干个微服务节点的任务队列。
请参照图6，图6为本公开实施例提供的又一种面向自动驾驶的任务调度方法的流程示意图，在上一实施例的基础上，本实施例在步骤S31中增加了信息素抛洒的步骤，给出了应对节点快速变化的全局信息策略，以满足自动驾驶车辆快速变化过程中节点资源不断变化的需求，进一步优化任务队列，具体地，在步骤S316之后，以及重新执行步骤S313之前，还包括步骤S319。
需要说明的是，在一些实施例中，步骤S319也可以设置在步骤S316之前，本实施例仅为该步骤的一种实施形式，并非对其进行限定。
在步骤S319中，每隔预设时间段基于第二预设规则在每两个微服务节点之间进行信息素抛洒。
具体地，由于车辆处于快速移动中，这两周围的环境也会处于快速移动中，因此，在蚁群算法收敛后的一定时间t后，不满足约束条件的节点可能编程满足条件的节点，甚至是质量较高的节点，但是由于某些原因所进行的信息素清除操作(例如某时刻之前不满足
Figure BDA0003126770170000191
约束条件下已进行信息素清楚的路径)，因此人工蚂蚁可能长时间忽略这条任务调度的路径，从而影响整体的性能。
其中，本领域技术人员可以结合实际应用对第二预设规则进行适应性设定，本实施例中第二预设规则采取定期信息素抛洒的方式，可以按照下述公式进行信息素抛洒：
τi,j＝υifτi,j＜π
τi,j表示根据系统设置的固定时间间隔参数，对信息素τi,j＜π的路径，按照τi,j＝υ进行信息素抛洒，其中，π是系统设定的最低信息素阈值，υ是系统设定的信息素抛洒值，以便后续的人工蚂蚁能探索时间间隔以前信息素置0的路径。
基于相同的技术构思，本公开实施例相应还提供一种终端设备，如图7所示，所述终端设备包括存储器71和处理器72，所述存储器71中存储有计算机程序，当所述处理器72运行所述存储器71存储的计算机程序时，所述处理器72执行所述的面向自动驾驶的任务调度方法。
基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的面向自动驾驶的任务调度方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (13)

1.一种面向自动驾驶的任务调度方法，其特征在于，包括：
构建任务调度模型；
获取自动驾驶车辆自身的服务资源和周围节点的服务资源；
在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列；以及，
将所述任务队列发送至所述自动驾驶车辆，以使所述自动驾驶车辆基于所述任务队列调用相应的周围节点依次执行任务。
2.根据权利要求1所述的方法，其特征在于，所述构建任务调度模型，包括：
将自动驾驶任务按照第一预设规则拆分为若干个微服务；
将所述若干个微服务抽象成若干个微服务节点；以及，基于所述若干个微服务节点构建任务调度模型。
3.根据权利要求2所述的方法，其特征在于，所述基于所述若干个微服务节点构建任务调度模型，包括：
分别计算每两个微服务节点之间的任务调度综合权重；
基于所述每两个微服务节点之间的任务调度综合权重计算所述若干个微服务节点的最优收益；以及，
基于所述若干个微服务节点的最优收益构建任务调度模型。
4.根据权利要求3所述的方法，其特征在于，所述分别计算每两个微服务节点之间的任务调度综合权重，根据以下公式得到：
Figure FDA0003126770160000011
Figure FDA0003126770160000012
Figure FDA0003126770160000013
Figure FDA0003126770160000014
式中，k表示第i个微服务节点和第j个微服务节点之间属于第k个调用关系，
Figure FDA0003126770160000021
表示在第k个调用关系下的第i个微服务节点和第j个微服务节点之间的任务调度综合权重，
Figure FDA0003126770160000022
表示所述任务执行的综合收益，
Figure FDA0003126770160000023
表示所述任务执行的时间开销约束，
Figure FDA0003126770160000024
表示所述任务执行的可靠性，Sk1、Sk2和Sk3分别表示所述任务执行具有的资源数量、算法质量以及环境等级，τk1、τk2、τk3和τk4分别表示所述任务执行的时间、卸载的时间、通信占用的时间以及协调的时间，Qk1、Qk2和Qk3分别表示所述任务执行环境的可靠性、通信链路的可靠性以及所述任务调度与执行的可行性。
5.根据权利要求4所述的方法，其特征在于，所述基于所述每两个微服务节点之间的任务调度综合权重计算所述若干个微服务节点的最优收益，根据以下公式得到：
Figure FDA0003126770160000025
s.t.
Figure FDA0003126770160000026
Figure FDA0003126770160000027
式中，GM,N表示所述若干个微服务节点的最优收益，M表示微服务节点总数，N表示所有微服务节点之间的调用关系总数,τi,j表示预设时延约束条件，Qi,j表示预设质量约束条件。
6.根据权利要求2所述的方法，其特征在于，所述服务资源指的是所述若干个微服务节点能够为所述自动驾驶车辆提供的服务资源，
在所述任务调度模型中针对所述服务资源进行任务调度优化，得到优化后的任务队列，包括：
基于优化蚁群算法在所述任务调度模型中针对所述服务资源为所述若干个微服务节点进行任务调度优化，得到优化后的所述若干个微服务节点的任务队列。
7.根据权利要求6所述的方法，其特征在于，基于优化蚁群算法在所述任务调度模型中针对所述服务资源为所述若干个微服务节点进行任务调度优化，得到优化后的所述若干个微服务节点的任务队列，包括：
预先设置每两个微服务节点之间的信息素；
将若干人工蚂蚁分别放置在任意微服务节点处；
基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值；
基于所述概率值分别为所述若干人工蚂蚁选择其转移的下一个微服务节点；
在所述若干人工蚂蚁分别基于为其选择的下一个微服务节点进行转移之后，分别计算所述若干人工蚂蚁转移前后的两个微服务节点之间的信息素变化量；
基于所述信息素变化量对每两个微服务节点之间的信息素进行更新，得到每两个微服务节点之间更新后的信息素；
基于每两个微服务节点之间更新后的信息素重新执行基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值的步骤，分别为所述若干人工蚂蚁再次选择其转移的下一个微服务节点，直到所述若干人工蚂蚁跑完所有微服务节点；
在所述任务调度模型中针对所述服务资源基于此次所述若干人工蚂蚁跑完所有微服务节点的转移情况计算出所述若干个微服务节点的总收益；
重新执行将若干人工蚂蚁分别放置在任意微服务节点处的步骤，直到重新执行次数达到预设迭代次数；
从各次迭代计算出的所述若干个微服务节点的总收益中选择出与总收益最大的那次所述若干人工蚂蚁跑完所有微服务节点的转移情况，并基于该次所述若干人工蚂蚁跑完所有微服务节点的转移情况得到优化后的所述若干个微服务节点的任务队列。
8.根据权利要求7所述的方法，其特征在于，在基于所述信息素变化量对每两个微服务节点之间的信息素进行更新之后，以及基于每两个微服务节点之间更新后的信息素重新执行基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值的步骤之前，还包括：
每隔预设时间段基于第二预设规则在每两个微服务节点之间进行信息素抛洒。
9.根据权利要求7所述的方法，其特征在于，所述基于每两个微服务节点之间的信息素分别计算所述若干人工蚂蚁从各自所处的微服务节点转移到其相连的微服务节点集合中各个微服务节点之间的概率值，根据以下公式得到：
Figure FDA0003126770160000041
式中，
Figure FDA0003126770160000042
表示t时刻第e个人工蚂蚁从所处的微服务节点i转移到其相连的微服务节点j之间的概率值，[τi,j(t)]α表示t时刻微服务节点i和微服务节点j之间的信息素的α次幂，
Figure FDA0003126770160000043
表示t时刻在第k个调用关系下微服务节点i和微服务节点j之间任务执行的综合收益的β次幂，其中α和β为固定参数，Je(i)为第e个人工蚂蚁所处的微服务节点i相连的微服务节点集合。
10.根据权利要求7所述的方法，其特征在于，分别计算所述若干人工蚂蚁转移前后的两个微服务节点之间的信息素变化量，根据以下公式得到：
Figure FDA0003126770160000044
Figure FDA0003126770160000045
Figure FDA0003126770160000046
Figure FDA0003126770160000047
式中，
Figure FDA0003126770160000048
表示第e个人工蚂蚁转移前的微服务节点i和转移后的微服务节点j之间的信息素变化量，Q表示每个人工蚂蚁的信息素总量，Le表示第e个人工蚂蚁已经建立的路径长度，
Figure FDA0003126770160000051
表示第e个人工蚂蚁节从微服务节点i转移到微服务节点j的确认值，
Figure FDA0003126770160000052
为在第k个调用关系下微服务节点i和微服务节点j之间满足预设时延约束条件的确认值，
Figure FDA0003126770160000053
为在第k个调用关系下微服务节点i和微服务节点j之间满足预设质量约束条件的确认值。
11.根据权利要求7所述的方法，其特征在于，基于所述信息素变化量对每两个微服务节点之间的信息素进行更新，得到每两个微服务节点之间更新后的信息素，根据以下公式得到：
Figure FDA0003126770160000054
式中，τi,j(t+1)表示t+1时刻微服务节点i和微服务节点j之间更新后的信息素，τi,j(t)表示t时刻微服务节点i和微服务节点j之间的信息素，ρ表示信息素蒸发率，f表示人工蚂蚁总数，
Figure FDA0003126770160000055
表示在第k个调用关系下微服务节点i和微服务节点j之间任务执行的时间开销时间，
Figure FDA0003126770160000056
表示在第k个调用关系下微服务节点i和微服务节点j之间任务执行的可靠性。
12.一种终端设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至11中任一项所述的面向自动驾驶的任务调度方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，所述处理器执行根据权利要求1至11中任一项所述的面向自动驾驶的任务调度方法。
CN202110692704.XA 2021-06-22 2021-06-22 面向自动驾驶的任务调度方法、终端设备及存储介质 Active CN113516301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110692704.XA CN113516301B (zh) 2021-06-22 2021-06-22 面向自动驾驶的任务调度方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110692704.XA CN113516301B (zh) 2021-06-22 2021-06-22 面向自动驾驶的任务调度方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113516301A true CN113516301A (zh) 2021-10-19
CN113516301B CN113516301B (zh) 2023-06-27

Family

ID=78066197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110692704.XA Active CN113516301B (zh) 2021-06-22 2021-06-22 面向自动驾驶的任务调度方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113516301B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023093257A1 (zh) * 2021-11-26 2023-06-01 华为技术有限公司 一种自动驾驶业务的建模方法和相关设备
CN117234695A (zh) * 2023-11-13 2023-12-15 苏州挚途科技有限公司 用于自动驾驶系统的处理任务的调度方法及其装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293490A1 (en) * 2017-04-09 2018-10-11 Intel Corporation Neural network scheduling mechanism
CN109445923A (zh) * 2018-11-01 2019-03-08 郑州云海信息技术有限公司 一种微服务任务调度的方法及装置
CN111580945A (zh) * 2020-04-21 2020-08-25 智业互联（厦门）健康科技有限公司 微服务任务协调调度方法及系统
CN111611060A (zh) * 2020-02-13 2020-09-01 中国银联股份有限公司 大规模自动化运维任务调度方法及其系统
CN112055091A (zh) * 2020-09-11 2020-12-08 华人运通(上海)云计算科技有限公司 车载微服务架构、车载模块的通信方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293490A1 (en) * 2017-04-09 2018-10-11 Intel Corporation Neural network scheduling mechanism
CN109445923A (zh) * 2018-11-01 2019-03-08 郑州云海信息技术有限公司 一种微服务任务调度的方法及装置
CN111611060A (zh) * 2020-02-13 2020-09-01 中国银联股份有限公司 大规模自动化运维任务调度方法及其系统
CN111580945A (zh) * 2020-04-21 2020-08-25 智业互联（厦门）健康科技有限公司 微服务任务协调调度方法及系统
CN112055091A (zh) * 2020-09-11 2020-12-08 华人运通(上海)云计算科技有限公司 车载微服务架构、车载模块的通信方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONGJUN DAI等: "A scheduling algorithm for autonomous driving tasks on mobile edge computing servers", JOURNAL OF SYSTEMS ARCHITECTURE, pages 14 - 23 *
QI QI等: "Scalable parallel task scheduling for autonomous driving using multi-task deep reinforcement learnin", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, pages 13861 - 13874 *
殳雪城;范平清;: "基于边缘计算的物联网网关监控系统的研究", 电子器件, no. 06, pages 1569 - 1573 *
郝庭毅;吴恒;吴国全;张文博;: "面向微服务架构的容器级弹性资源供给方法", 计算机研究与发展, no. 03, pages 597 - 608 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023093257A1 (zh) * 2021-11-26 2023-06-01 华为技术有限公司 一种自动驾驶业务的建模方法和相关设备
CN117234695A (zh) * 2023-11-13 2023-12-15 苏州挚途科技有限公司 用于自动驾驶系统的处理任务的调度方法及其装置
CN117234695B (zh) * 2023-11-13 2024-01-30 苏州挚途科技有限公司 用于自动驾驶系统的处理任务的调度方法及其装置

Also Published As

Publication number Publication date
CN113516301B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Aoki et al. Cooperative perception with deep reinforcement learning for connected vehicles
Feng et al. AVE: Autonomous vehicular edge computing framework with ACO-based scheduling
CN112461256B (zh) 路径规划方法和装置
US11756345B2 (en) Partial sensor data sharing for connected vehicles
Bagheri et al. Cloud-based pedestrian road-safety with situation-adaptive energy-efficient communication
US11567495B2 (en) Methods and systems for selecting machine learning models to predict distributed computing resources
CN110114806A (zh) 信号灯控制方法、相关设备及系统
CN113516301B (zh) 面向自动驾驶的任务调度方法、终端设备及存储介质
CN111341136A (zh) 一种基于车路协同的代客泊车方法、系统及存储介质
CN112466115A (zh) 一种基于边缘计算的公交车辆交叉口优先通行控制系统及方法
US10826808B2 (en) Vehicle application enabling and network routing systems implemented based on latency characterization and projection
Zhou et al. Edge-facilitated augmented vision in vehicle-to-everything networks
US10768004B2 (en) Travel routing selection system and methods implemented based on characterization of historical latency data
CN112249034B (zh) 一种汽车大脑系统及车辆驾驶控制方法
US10154419B2 (en) Control of data connections and/or data transmissions in a mobile radio device
CN109410639B (zh) 基于车载导航地图的空闲停车位查询方法与系统
CN112382118B (zh) 车位智能预约管理系统、方法、存储介质、计算机设备
CN113911139B (zh) 车辆控制方法、装置和电子设备
EP3789984A1 (en) System for optimising transient kerbside access
CN111341093A (zh) 车队的控制方法、装置、设备及存储介质
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
US20240272928A1 (en) Method and system for remote execution of services requested by a mobile device via a cellular communication network
CN112504291B (zh) 一种车辆导航的方法及装置
CN111524389B (zh) 车辆驾驶方法和装置
CN113851003A (zh) 车辆控制系统、车辆控制方法、车辆控制设备及存储介质

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