CN113742909A - 封闭场景下无人驾驶车群自协模型构建方法 - Google Patents

Abstract

本发明涉及无人驾驶领域，提出了封闭场景下无人驾驶车群自协模型构建方法。具体包括如下步骤：步骤1.相关定义；步骤2.无人驾驶车群动态演化算法；步骤2.1无人驾驶车群群内演化；步骤2.2无人驾驶车群群间演化；步骤3.基于有限状态机的车群自协演化模型；步骤3.1无人驾驶车群群内自协模型；步骤3.2无人驾驶车群群间自协模型；步骤4.无人驾驶车群自协模型的多目标优化。通过本方法，能够保障无人驾驶车群始终保持稳定有序的运动行为智能化自治协同，从而使得无人驾驶车群在封闭场景下能够得到应用推广。

Description

封闭场景下无人驾驶车群自协模型构建方法

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自协模型构建方法。

背景技术

封闭场景下的无人驾驶虽然没有高速公路和城市道路场景下诸多因素的干扰，但是由于车群本身内部节点的变化，以及根据不同任务产生的不同车群相互交织在一起，以及封闭场景下可能存在红绿灯的干扰，同样也会造成无人驾驶车群在任务完成的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合并、分裂等事件。因此，如何剖析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，量化车群动态演化的改变类型，改变时间以及改变程度，深入理解无人驾驶车群系统组织及动态特征，从而使得无人驾驶车群面对上述因素导致的异常变化的情况下仍然能够保持稳定有序的运动行为智能化，使得无人驾驶车群自协技术在封闭场景下应用落地，从而推动无人驾驶技术在不同场景以及不同领域的广泛应用，是非常有意义的。

发明内容

发明目的：

本发明首先对无人驾驶车辆车群和演化事件等相关信息进行定义，使得能够表示无人驾驶车群的动态演化过程。在此基础上结合封闭式场景的特性，从微观上对无人驾驶车群群内和群间的动态演化事件进行剖析，结合有限状态自动机对各个演化事件得到状态转移方程并给出了无人驾驶车群自协模型，利用多目标优化对自协模型进行优化。解决上述问题，使得无人驾驶车群自协技术在封闭场景下能够得到实际应用成为可能。

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自协模型构建方法，具体包括如下步骤：

步骤1.相关定义

步骤2.无人驾驶车群动态演化算法

步骤2.1无人驾驶车群群内演化

步骤2.2无人驾驶车群群间演化

步骤3.基于有限状态机的车群自协演化模型

步骤3.1无人驾驶车群群内自协模型

步骤3.2无人驾驶车群群间自协模型

步骤4.无人驾驶车群自协模型的多目标优化

有益效果

本发明目的在于公开一种考虑封闭场景下，面向动态演化的无人驾驶车群行车环境，提供一种能够保障无人驾驶车群始终保持稳定有序的运动行为智能化自协模型构建方法，从而使得无人驾驶车群在封闭场景下能够得到应用推广。

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无人驾驶车群群内演化场景

图2节点加入事件

图3无人驾驶车群节点加入演化算法流程图

图4节点离开事件

图5无人驾驶车群节点离开演化算法流程图

图6车群分裂事件

图7无人驾驶车群分裂演化算法流程图

图8车群合并事件

图9无人驾驶车群节点合并演化算法流程图

图10无人驾驶车群群间演化场景

图11车群群间单节点加入事件

图12无人驾驶车群群间单节点加入演化算法流程图

图13车群群间多节点加入事件

图14无人驾驶车群群间多节点加入演化算法流程图

图15群内模型状态转换图

图16无人驾驶车群群内自协模型形成算法流程图

图17群间模型状态转换

图18无人驾驶车群群间自协模型形成算法流程图

图19无人驾驶车群动态演化前0.5s内基准度值

图20无人驾驶车群动态演化优化后0.5s内基准度值

图21无人驾驶车群动态演化优化前20min内基准度值

图22无人驾驶车群动态演化优化后20min内基准度值

图23无人驾驶车群自协模型优化前10min内车群引领节点变化率均值

图24无人驾驶车群自协模型优化后10min内车群引领节点变化率均值

图25无人驾驶车群自协模型优化前车群平均存在时间

图26无人驾驶车群自协模型优化后车群平均存在时间

图27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27所示，包括如下5个方面：

①相关定义

②无人驾驶车群动态演化算法

③基于有限状态机的车群自协演化模型

④无人驾驶车群自协模型的多目标优化

⑤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自协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自协模型构建方法，相关定义如下：

(1)无人驾驶车群群内自协

定义13无人驾驶车群自协演化模型是由一个包含五个元素的集合构成的，其数学表达式为：

S＝(Z，α，δ，q₀，F) (1)

其中，Z是无人驾驶车群自协演化模型所有有限状态的集合，即对于

z记作S在此刻所处的状态α是模型的可输入集合，δ是从α到Z的映射，q0是模型的一个非空的初始状态，F是模型的终止状态集合。并且，如果模型S在t时刻处于状态q，并在t+1时刻因事件a发生状态转移到状态q′，则记为δ(q，a)＝q′。

在有限状态自动机的基础算法上，结合无人驾驶车群演化算法的相关知识，将整个模型的升级分为两大部分，首先是对于每个一个车群都会对应有一个子模型，综合来看对于每一个车群的子模型又会有对应的归并算法将所有的子模型融合成最终的自协模型。对于每一个子模型集合可以由四大元素构成，有限状态集合Z＝{初始状态，节点加入，节点离开，车群合并，车群分离}；模型的可输入集合α主要包括当前车群的各个车辆节点的属性、运动行为特征、网络拓扑结构信息等；初始化车群结果是模型的最初始状态q₀；F定义为车群的理想状态，在该状态下车群能安全、稳定、高效地运行，即自协状态。

定义14初始状态Z₁：无人驾驶车群在车群形成算法的作用下形成若干个稳定、有序的车群集合{H₁，H₂，...，H_n}，无人驾驶车群在封闭式场景下运行，会受到很多因素的影响，除了天气、道路设置、车辆配置这些客观因素，突发的车辆故障是影响车群运行稳定性最多的因素，即便是破坏程度最小车辆故障事件也能让原本安全、稳定运行的车群失去平衡和稳定，从而转变为不稳定的状态。所以，当车群能维持现状稳定有序前行，车群成员组成以及引领节点稳定不变时，称为初始状态，其数学表达式定义为：

Sim(t，t+1，H，H′)＜0.5 (2)

其中，Sim函数计算初始时刻车群H在t时刻到t+1时刻之间相似程度，在初始状态下，车群属于混乱无序的状态，相似度取值通常低于0.5。

定义15增长状态Z₂：在实际的封闭式场景中，无人驾驶车群从结构上在受到一系列外部因素的影响下很难保持一成不变的状态。其中，最常见的就是增长状态，由于一些不可抗力的因素车群H中的某个车辆节点V_i出现故障并与车群H失去联系，而通过车群演化算法节点V_i重新与车群H建立可靠连接并申请重新加入车群H。从网络拓扑结构上来看，处于增长状态下的车群H在t时刻车群规模为Scale(H)，在t+1时刻车群规模为Scale(H′)，其中Scale(H′)-Scale(H)＞0，其数学表达式定义为：

NodeDif(t，t+1，H，H′)＞0 (3)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，车群H内部节点个数会不断增长。

定义16缩减状态Z₃：对于封闭式场景下的无人驾驶车辆而言，常常会因为车辆的硬件故障，例如运动故障和通信故障，使得车辆与原车群失去联系，车群引领节点也失去对该车辆节点的控制。在这种情况下，出现故障的该车辆节点不得不脱离出原有的无人驾驶车群。从网络拓扑结构上来看，处于缩减状态下的车群H在t时刻车群规模为Scale(H)，在t+1时刻车群规模为Scale(H′)，其中Scale(H)-Scale(H′)＞0，其数学表达式定义为：

NodeDif(t，t+1，H，H′)＜0 (4)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，车群H内部节点个数会不断减少。

定义17分裂状态Z₄：相较于单个无人驾驶车辆节点的故障，多个车辆节点故障引发的状态转换问题更为复杂，解决方案也更具难度。当车群分布呈现沙漏状，即大量车辆节点集中在前后两端，中间部分的车辆节点稀少时，一旦承担车群前后两部分的联系的中间车辆节点出现了故障，那车群的后半部将于前半部分失去联系。此时，车群将进入分裂状态。从网络拓扑结构上来分析，在分裂状态下的车群H在t时刻车群规模为Scale(H)，在t+1时刻车群分裂为{H₁，H₂，...，H_n}且

其数学表达式定义为：

NodeDif(t，t+1，H，H′)＜0 (5)

GroupNum(t，t+1)＞1 (6)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，GroupNum函数计算的是t时刻到t+1时刻车群数量的变化，车群处在分裂状态时，原车群的节点个数会减少，同时会形成新的车群H′。

定义18合并状态Z₅：从同一个车群分裂出来的几个子车群{H₁，H₂，...，H_n}，在合适的时机需要进入合并状态，即两个车群相互靠近，并且彼此节点又在通信可达范围内，此时这两个车群可以重新合并成一个新的车群H′。合并的过程需要按照节点引领度来重新选择一个引领节点，从无人驾驶车群之间的网络结构来分析，在已经获得的无人驾驶车群序列中，当前t时刻存在一个车群H₁与另一个车群H₂存在高度相似且直接可连，则两个子车群H₁和H₂合并成一个车群，其数学表达式定义如下：

NodeDif(t，t+1，H，H′)＞0 (7)

GroupNum(t，t+1)＜1 (8)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，GroupNum函数计算的是t时刻到t+1时刻车群数量的变化，车群处在合并时，无人驾驶车群H′会与车群H合并成新的车群。

定义19自协状态Z₆：无人驾驶车群在封闭式场景下会遇到很多突发状况，针对不同状况会有不同的动态演化算法帮助车群恢复稳定、有序的状态。如果一个车群H在t时刻网络拓扑结构与在t+1时刻的网络拓扑结构一致，即在整个过程中无人驾驶车群能保持车群拓扑结构的稳定性和节点间交互的实时性，则该车群处于自协状态，数学表达式定义为：

TCG(H)＝∑_μ，v∈HT(μ，v) (9)

Sim(t，t+1，H，H′)＝1 (10)

其中Sim函数是计算从t时刻到t+1时刻两个车群网络结构的相似度，TCG(H)函数是计算在车群H中节点之间的连通代价之和，T(μ，v)函数是计算两节点之间的连通代价。

(2)无人驾驶车群群间自协

定义20初始状态Z′₁：无人驾驶车群在车群形成算法的作用下形成若干个稳定、有序的车群集合

无人驾驶车群在封闭式场景下运行，会受到很多因素的影响，除了天气、道路设置、车辆配置这些客观因素，突发的车辆故障是影响车群运行稳定性最多的因素。所以，当无人驾驶车群模型能维持现状稳定有序前行，车群成员组成以及引领节点稳定不变时，称为初始状态，其数学表达式定义为：

Sim(t，H，H₀)＝1 (11)

其中，Sim函数计算初始时刻车群H在t时刻到t+1时刻与初始车群H₀之间相似程度，在初始状态下，车群网络结构与车群形成算法构建的车群模型保持一致，相似度取值通常等于1。

定义21混沌状态Z′₂：无人驾驶车群H在封闭式场景中可能会出现节点失联的情况，对于单个节点V_i因为失联脱离出原车群H₁，并且此时车群H₁中距离节点V_i最近的节点V₁的距离大于最长通信距离R，从而节点V₁与原车群H₁失去直接联系的能力。此时，节点V₁必须与在其通信可达范围内的其他车群H₂联系并由H₂车群的引领节点向车群H₁转发节点V₁失联的信息并告知V₁的具体位置，同时节点V₁从H₂车群得知原车群的位置和行驶信息通过加速行驶追上H₁车群并重新申请加入车群，其数学表达式定义为：

Count(t，t+1，H_t，H_t+1)＞1 (12)

其中，Count函数是统计在t时刻到t+1时刻之间无人驾驶车群H内部从成员节点状态转为游离状态的节点个数。

定义22自协状态Z′₃：无人驾驶车群针对不同的突发状况会有不同的车群群间演化算法帮助车群恢复稳定、有序的状态。如果所有车群H在t时刻网络拓扑结构与在t+1时刻的网络拓扑结构一致，即在整个过程中无人驾驶车群能保持车群拓扑结构的稳定性和节点间交互的实时性，则该车群处于自协状态，其数学表达式定义为：

其中Sim函数是计算同一个无人驾驶车群在t时刻到t+1时刻网络结构的相似度，

函数是计算在车群集合

中各车群内节点之间的连通代价之和。

②

无人驾驶车群动态演化算法

(1)无人驾驶车群群内演化

如图1所示无人驾驶车群往往会因为一些车辆节点失联、道路障碍等进入不稳定状态，为了探究无人驾驶车群内部的动态变化细节，对无人驾驶车群内部演化事件作了形式化的描述，并对各个事件的具体过程做了算法实现。

1)节点加入

节点加入事件如图2所示，在封闭式场景下，无人驾驶车辆节点V_i因特殊原因短暂离开车群后，可以通过与车群直接或间接交流的方式，重新申请加入车群。从无人驾驶车群之间的网络结构来分析，在t-1时刻，无人驾驶车辆节点V_i未出现在车群网络拓扑结构中，在t时刻，节点V_i重新出现在车群中，数学表达式定义为：

其中，函数NodeAdd表示对于无人驾驶车辆节点V_i，在t时刻和t-1时刻之间是否归属于同一个社区，取值为1时表明节点属于不同的两个车群。

无人驾驶车群节点加入算法如下：

算法1备注说明：

无人驾驶车群节点加入演化算法流程图如图3所示。

2)节点离开

节点离开事件如图4所示，无人驾驶车辆节点在封闭式场景下快速运动过程中，会遇到一些紧急的突发情况，比如车辆节点V_i在t时刻出现工程故障无法继续正常行驶，此时为了确保无人驾驶车群H能够继续安全、稳定有序的运转，需要将故障车辆剔除出车群队列，并由车群引领节点通知这一消息。从无人驾驶车群之间的网络结构来分析，在t+1时刻无法找到前一时刻存在的节点V_i，数学表达式定义为：

其中，函数NodeDel表示对于无人驾驶车辆节点V_i，在t时刻到t-1时刻之间是否发生离开车群的事件。无人驾驶车群节点离开演化算法如下：

算法2备注说明：

无人驾驶车群节点离开演化算法流程图如图5所示。

3)车群分裂

如图6所示，很多情况下，当无人驾驶车群中出现故障节点时，简单的节点替换算法往往不能完全解决问题，特别是当出现问题的节点V_i在车群网络结构中处于关键地位时。即节点V_i作为车群前半段和后半段唯一的联络节点承担起串接车群H重要任务时，单纯把节点V_i作为坏死节点剔除出车群序列会导致前后两半车群脱节，车群引领节点失去对后半车群的联系与控制。从无人驾驶车群之间的网络结构来分析，当作为中坚节点V_i出现故障时，首先需要做的是将原车群H分割成两个子车群H₁和H₂，对于引领节点所在的车群H₁不做变动，而对于子车群H₂则需要重新选举出新的引领节点，该事件数学表达式定义为：

其中，函数GroupSplit表示对于无人驾驶车辆节点V_i，在t时刻到t-1时刻之间是否分裂为若干个车群{H₁,H₂,…,H₃}。

无人驾驶车群分裂算法如下：

算法3备注说明：

无人驾驶车群分裂演化算法流程图如图7所示。

4)车群合并

如图8所示，无人驾驶车群在封闭式场景下运动过程中，在一个车群H分裂成两个子车群H₁和H₂后，可能会出发生这两个车群相互靠近，并且彼此节点又在通信可达范围内，此时这两个车群可以重新合并成一个新的车群H′。从无人驾驶车群之间的网络结构来分析，在已经获得的无人驾驶车群序列中，当前t时刻存在一个车群H₁与另一个车群H₂存在高度相似且直接可连，则两个子车群H₁和H₂合并成一个车群，并且重新选举出一个新的引领节点，该事件数学表达式定义为：

其中，函数GroupMerge表示若干个车群{H₁,H₂,…,H₃}，在t时刻到t-1时刻之间是否合并为同一个车群。

无人驾驶车群合并演化算法如下：

算法4备注说明：

无人驾驶车群节点合并演化算法流程图如图9所示。

(2)无人驾驶车群群间演化

如图10所示无人驾驶车群往往会因为一些多个车群的车辆节点失联而进入不稳定状态，为了探究无人驾驶车群群间的动态变化细节，对无人驾驶车群群间演化事件作了形式化的描述，并对各个事件的具体过程做了算法实现。

1)车群群间单节点加入

如图11所示，无人驾驶车群在封闭式场中可能会出现节点失联的情况，对于单个节点V_i因为失联脱离出原车群H₁，并且此时车群H₁中距离节点V_i最近的节点V₁的距离大于最长通信距离R，从而节点V₁与原车群H₁失去直接联系的能力。此时，节点V₁必须与在其通信可达范围内的其他车群H₂联系并由H₂车群的引领节点向车群H₁转发节点V₁失联的信息并告知V₁的具体位置，同时节点V₁从H₂车群得知原车群的位置和行驶信息通过加速行驶追上H₁车群并重新申请加入车群，该事件定义为：

其中，函数SingleNodeAdd表示游离节点V_loss，在t时刻到t-1时刻之间是否通过群间演化重新回到原车群。无人驾驶车群群间单节点加入算法如下：

算法5备注说明：

无人驾驶车群群间单节点加入演化算法如图12所示。

2)车群群间多节点加入

如图13所示无人驾驶车群在封闭式场中除了出现单一节点失联的故障，还有可能出现来自多个车群的多个车辆节点同时失联。在t时刻，无人驾驶车辆节点{V₁，V₂，...，V_n}与原车群{H₁，H₂，...，H_n}失去联系。此时，在失联车辆节点序列{V₁，V₂，...，V_n}中，选择节点引领度VNCL最高的节点V₁作为优先度最高的节点，除了车群H₁以外的其他车群优先为H₁寻找失联节点V₁并由车群H₁的引领节点向V₁间接下达指令通知其加速追上车群H₁。在节点V₁重新加入车群H₁后，在剩余失联节点序列{V₂，...，V_n}中重新选择节点引领度VNCL最高的节点V₂作为优先度最高的节点，并按照相同的方法让节点V₂重新加入原车群H₂，该事件数学表达式定义为：

MaxVnclOfSeq(V₁，V₂，...，V_n)＝V_i if V_i＞V_n＞...＞V_i+1＞...＞V₁ (21)

其中，函数MultiNodeAdd表示多个原属于不同车群游离节点V_loss1，V_loss2，...，V_lossn，在t时刻到t-1时刻之间是否通过群间演化重新回到原车群。无人驾驶车群群间多节点加入算法如下：

算法6备注说明：

无人驾驶车群群间多节点加入演化算法流程图如图14所示。

③

基于有限状态机的车群自协演化模型

(1)无人驾驶车群群内自协模型

1)群内自协模型运行状态的转移方程

无人驾驶车群内部节点的状态稳定受到外界各种事件的影响，为了能使节点在动态演化过程能顺利完成状态的转换，这里给出了五种群内自协模型运行状态的转移方程。具体方程如下所示：

a)初始化状态转移方程

δ(Z₁，a₁)＝Z₂：通过无人驾驶车群形成算法，可以得到若干个车群，而这些车群在运行过程中由于一些不稳定的因素导致激励事件的发生。比如，在t时刻车群H中某个节点V_i通过监听周围的广播信号，在通信范围内发现原本属于车群H的节点V_loss与原车群失去了联系，则此时系统产生激励信号α₁，车群H进入增长状态Z₂。

b)增长状态转移方程

δ(Z₂，a₅)＝Z₆：处于增长状态下的无人驾驶车群H需要与车群外部的节点一直交互，需要加入到车群H的节点通过直接或者间接与车群引领节点交互的方式申请加入进来，如果在t时刻到t+1时刻，车群的ΔT(H)和ΔSim(t，t+1，H，H′)都稳定不变，则系统会产生激励信号a₅使得车群进入自协状态。

c)缩减状态转移方程

δ(Z₃，a₆)＝Z₆：处于缩减状态下的无人驾驶车群H通过群内所有节点定时互相广播交互状态的机制，时刻监控车群内部所有节点的运行状态。如果在t时刻到t+1时刻，车群的ΔT(H)和ΔSim(t，t+1，H，H′)都稳定不变，则系统会产生激励信号a₆使得车群进入自协状态。

d)分裂状态转移方程

δ(Z₄，a₇)＝Z₆：处于分裂状态下的无人驾驶车群H需要时刻监控好整个车群极其复杂的演化事件，其中包括对失联节点的准确定位、车群分裂前后状态的转换。如果在t时刻到t+1时刻，车群的ΔT(H)和ΔSim(t，t+1，H，H′)都稳定不变，则系统会产生激励信号a₇使得车群进入自协状态。

e)分裂状态转移方程

δ(Z₅，a₈)＝Z₆：处于合并状态下的无人驾驶车群H在不断融合的同时，需要重新对车群内部的引领节点进行选举，新的引领节点将负责在新车群中起到引领的作用。如果在t时刻到t+1时刻，车群的ΔT(H)和ΔSim(t，t+1，H，H′)都稳定不变，则系统会产生激励信号a₈使得车群进入自协状态。

2)无人驾驶车群群内自协模型

为了使无人驾驶车群在遇到突发故障和道路障碍物等外部干扰时依然能够保持稳定有序的运动行为，基于封闭式场景下无人驾驶车群群内自协模型的运行状态和状态间转移函数，结合无人驾驶车群群内和群间动态演化方法，给出了无人驾驶车群群内自协模型，具体自协模型状态转换图如图15所示。

无人驾驶车群群内自协模型实现了车群内各节点之间保持有目的的互联互通，保证了车群结构的稳定性，具体模型为：

其中，TCG(H_t)表示在t时刻无人驾驶车群H内部所有节点的连通代价之和，TCG(H_t)的值越低表示当前时刻无人驾驶车群的连通程度越高，Sim(t，t+1，H，H′)表示在从t时刻到t+1时刻两个车群网络结构的相似度，若相似度值大于0.5表示车群结构状态稳定符合自协的要求，当相似度取值小于等于0.5时，无人驾驶车群开始发生演化。无人驾驶车群群内自协模型形成算法如下：

算法7备注说明：

无人驾驶车群群内自协模型形成算法流程图如图16所示。

(2)无人驾驶车群群间自协模型

1)群间自协模型运行状态的转移方程

在封闭式场景下，车辆节点故障等外部因素容易影响无人驾驶车群之间稳定有序的状态，为了能使车群在动态演化过程能顺利完成状态的转换，这里给出了三种群间自协模型运行状态的转移方程。具体方程如下所示：

a)初始化状态转移方程

δ(Z′₁，a′₁)＝Z′₂：通过无人驾驶车群形成算法，可以得到若干个车群，而这车群在运行过程中由于一些不稳定的因素导致激励事件的发生。比如，在t时刻车群H中某个节点V_i通过监听周围的广播信号，在通信范围内发现原本属于车群H的节点V_loss与原车群失去了联系，则此时系统产生激励信号a′₁，车群随之进入混沌状态Z′₂。

b)混沌状态转移方程

6(Z′₂，a′₂)＝Z′₃：通过无人驾驶车群形成算法，可以得到若干个车群，而这些车群在运行过程中由于一些不稳定的因素导致激励事件的发生。比如，在t时刻车群H中某个节点V_i通过监听周围的广播信号，在通信范围内发现了因属于其他车群H_other无人驾驶车辆节点V_other，则此时系统产生激励信号a′₂，V_other通过车群H的引领节点向原车群H_other申请重新加入车群，从而使得各车群回到自协状态。

2)基于归并的无人驾驶车群群间自协模型

无人驾驶车群在封闭式环境下运行过程中，如果各个车群的群内自协模型只是单纯地独立运行或者使用串行的方法套用规则，那么整个算法需要建立多进程和多线程，这种模式下整个系统频繁地切换进程并造成大量资源上的浪费。因此，本发明使用归并的方法，对各个车群的群内自协模型进行整合，减少了模型整体上的时间和资源的开销。

通过对封闭式场景下无人驾驶车群群间自协模型的运行状态做出具体说明，结合无人驾驶车群群内模型归并算法，给出了无人驾驶车群群间自协模型，具体群间自协模型状态转换图如图17所示。

无人驾驶车群群间自协模型实现各个车群之间保持稳定的互联互通，同时也保证了车群结构的稳定性，具体模型表达式为：

其中，

表示在t时刻无人驾驶车群H_i内部所有节点的连通代价之和，

的值越低表示当前时刻无人驾驶车群的连通程度越高，Sim(t,t+1,H_i,H_i′)表示在从t时刻到t+1时刻两个车群网络结构的相似度，若相似度值大于0.5表示车群结构状态稳定符合自协的要求，当相似度取值小于等于0.5时，无人驾驶车群开始发生群间演化。无人驾驶车群群内自协模型形成算法如下：

算法8备注说明：

无人驾驶车群群间自协模型形成算法流程图如图18所示。

④

无人驾驶车群自协模型的多目标优化

无人驾驶车群在封闭式环境下，为了能够保证车群在外部环境干扰的影响下依旧能遵循自协准则，使得车群始终表现出智能行为特征需要从车群的连通性、节点交互实时性、车群拓扑结构的稳定性等多个方面来对无人驾驶车群自协模型进行优化。主要内容包括：定义多目标函数、约束条件以及利用多目标优化算法对问题进行求解。

(1)目标函数

无人驾驶车群自协模型可以分为车群群内模型和车群群间模型两部分，其中无人驾驶车群H_i群内模型可以表示为S_i＝(Z_i，α_i，δ_i,q₀,F_i)，而无人驾驶车群间模型可以表示为：

S＝ω₁·S₁+ω₂·S₂+ω₃·S₃+...+ω_n-1·S_n-1+ω_n·S_n (24)

第一个目标函数如公式25所示，就是车群节点连接的稳定性，在外部环境的不确定性影响下，无人驾驶车群内部节点极易发生变化，在这种情况下车辆节点之间的信息交互会出现障碍，造成车群进入混沌无序状态，通过研究节点与引领节点之间的连接程度来表征整个车群的稳定性，稳定性可以表示为：

其中，v_i，v_j是车群H_i的任意两车辆节点，ρ_i，j是两个节点之间的边权重。

第二个目标函数如公式26所示是车群H_i节点之间信息交互的实时性，表示交互数据分组后通过车群引领节点发送到其他节点这个过程中时间上的消耗。因此，车群节点之间信息交互的实时性可以表示为：

其中，dist(v_i，v_leader)表示车群节点和引领节点间的距离，ε表示消息传播的速率。

第三个目标函数如公式27是车群H_i的演变性，演变性表征的是封闭式路网环境下无人驾驶车群的动态演化特性，即在t时刻到t+1时刻之间车群发生演化的次数，并量化其改变的程度。因此，车群的演变性可以定义为：

(2)约束条件

在对无人驾驶车群自协模型进行多目标优化前，需要定义好各个目标变量的约束条件，在约束条件的基础上对各个目标变量进行转换。

对于无人驾驶车群自协模型S的各个参数[ω₁，ω₂，ω₃，...，ω_n-1，ω_n]，都会有各自的约束范围，约束条件k₁(x)具体数学表达式如下：

k₁(x)：0≤ω_i≤1，1≤i≤N (28)

其中，ω_i是各个无人驾驶车群群内自协模型的权重参数，N是车群数量。

在封闭式场景下无人驾驶车群数目至少是有一个，车群数量的上限是所有无人驾驶车辆的数目N_vehicle，即每个车辆节点自身就是一个车群，约束条件k₂(x)具体数学表达式如下：

k₂(x)：0≤N≤N_vehicle (29)

最后一个约束条件k₃(x)是无人驾驶车群连接的稳定性，车群稳定性表征的是节点与引领节点之间的连接程度，所以它的最小值是0，最大值是N。约束条件k₃(x)具体数学表达式如下：

k₃(x)：0≤F₁(H)≤N (30)

(3)优化求解

对于封闭式场景下无人驾驶车群自协模型的优化问题，可以将这个模型中的多个目标函数分解为若干个独立的子问题来进行进一步的求解。同时，由于这个模型的每一个独立的子问题在解决的过程中都会参考其邻近的子问题的线索，所以对每个子问题单独优化求解的过程就是对多目标模型进行优化。

首先，需要定义好编码规则，编码的长度是由每个无人驾驶车群节点数目的上限来决定的。假设一个无人驾驶车群最多能有32辆车，需要用五位二进制编码来表达一个车群。因此，这个二进制编码的总长度为5*N*K。

其次，采用基于种群选择机制作为选择策略的优化算法。同时，在此基础上增加候选解的集合来作为可选集的补充。算法会随机选择一组解并在其基础上进行运行，然后对所有解集进行分解。其中，完全支配解会被分配在求解优先级的第一层，算法会删除已经被遍历过的解并删除掉不是最优解的方案，弱化其优先级。最后算法会通过候补的解集来存储之前迭代过的轮次中被删除掉但是效果比较好的解，同时算法会将候补的解集随机放回到可执行解集中。

通过多目标优化算法来对无人驾驶车群模型进行优化，最后得到是一个节点连通实时且稳定，能随环境改变做出正确演化的最优模型。综上所述，基于多目标优化的无人驾驶车群自协模型可以转换为：

其中，S(H_t)是对所有车群模型输出加权求和，St(H_t)是变量的约束条件TCG(H_t)表示在t时刻无人驾驶车群H内部所有节点的连通代价之和，TCG(H_t)取值越低表示车群连通程度越高，当TCG(H_t)小于阈值时，说明无人驾驶车群群内和群间都实现了连通稳定，即无人驾驶车群自协模型能够运行。

⑤

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自协模型，以期进一步验证无人驾驶车群自协模型的准确性和有效性。

(1)实验数据

本发明为了证明无人驾驶车群自协模型的构建方法和对车群自协模型的多目标优化算法，结合封闭式场景，利用微观交通仿真工具SUMO创建一个10km*5km的区域。仿真实验配置如表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40s，3s和100s，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获取的频率为0.1s/次。

基于图嵌入算法和有限状自动机，以及无人驾驶车群网络演化方法，给出一种基于多目标优化的无人驾驶车群自协模型GECM，通过仿真实验对比GECM算法相对于其他网络演化算法(TECL和PEPC)的一些关键指标上的优势(注：目前在封闭式场景下还没有相关的动态演化算法)，从而验证无人驾驶车群自协模型的准确性和有效性。仿真实验的主要性能指标如下：

1)无人驾驶车群动态演化基准度：在无人驾驶车群动态演化过程中，车群内部结构基准度的变化情况。基准度越大表明同车群结构紧密，异车群间间隔分散，车群演化结果质量越好；反之，基准度的值越小则表示车群演化结果质量越差；

2)无人驾驶车群引领节点变化率：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；

3)无人驾驶车群生存时间：在无人驾驶车群网络拓扑结构中，所有车群以形成完毕为起点车群解散为重点，这段时间称为生存时间。

(2)仿真与试验结果分析

1)无人驾驶车群动态演化基准度分析

如图19所示是GECM、TECL和PEPC三种无人驾驶车群演化算法前0.5秒内车群基准度的变化情况，这里选取时间窗大小为0.5秒的原因是该时间点是车群演化趋于稳定的时候。从图20可以看出，整个仿真过程中，GECM算法的基准度始终高于TECL和PEPC算法，但是GECM和TECL算法在基准度上的差距在逐渐缩小，在0.5秒时，GECM算法得到的车群平均基准度在0.67左右，TECL和PEPC算法的结果分别为0.65和0.61左右，这也证明了本章提出的GECM算法快速构建结构稳定车群的能力较强。图20表示的是GECM、TECL和PEPC算法在经过多目标优化之后的表现结果，从图中的实验数据可以看出GECM、TECL和PEPC算法之间表现效果最好的依旧是GECM算法且相较于多目标优化之前的结果，三种算法在优化后性能皆有了提升，其结果分别为0.69、0.665和0.626，这个结果表明多目标优化算法在封闭式场景中确实有提升的效果。

如图21和图22所示，是整个仿真实验(20分钟)过程中车群基准度平均值的变化情况，从图中数据可以看出，算法GECM的性能最好也最稳定，其基准度的值一直稳定在0.671左右，而TECL和PEPC算法效果不如GECM算法且稳定性也不够。对着三种算法进行多目标优化后，GECM算法的性能依然是三种算法中最好的(车群平均基准度值稳定在0.69)，且比优化前更加稳定。TECL算法在多目标算法优化后性能在0.672左右波动，PEPC在0.613左右波动。上述实验结果验证了提出的GECM算法的有效性能和稳定性，同时也验证了多目标优化的自协模型的合理性。

2)车群引领节点变化率

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，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。首先对于无人驾驶车辆节点在不同平均车速下对GECM算法、TECL算法和SOCDV算法进行仿真实验，然后计算出无人驾驶车群在10分钟内在每一个分钟节点上的引领节点变化率的平均值。如图23所示，GECM算法在车群引领节点变化率上的表现最好，整个仿真实验过程中引领节点变化率稳定在0.151左右，而TECL算法在初始阶段和末尾节点变现差异较大，整个仿真过程中的表现不够稳定节点变化范围在0.19到0.25之间无规律变化，TECL算法在仿真过程中表现最差，所有时间节点上引领节点变化率均不低于0.25。

三种算法经过多目标优化过后的仿真实验结果如图24所示，对于GECM算法而言，算法的绝对性能得到了提升，车群引领节点变化率平均降低了0.1，而算法在10分钟内的稳定性表现也略微改善。对于TECL算法而言，多目标优化对算法性能提升主要是体现在算法的稳定性上，如上图所示算法整体的性能曲线较优化变得较为平滑，性能平均值在5到10分钟这段时间内引领节点变化率改善了0.2左右。对于PEPC算法而言，算法性能曲线整体较为平滑，决定性能改善0.25左右。因此，可以验证提出的GECM算法无论是在性能上还是在算法稳定性上都优于另外两种算法。

3)无人驾驶车群自协模型生存时间分析

图25对比的是GECM算法、TECL算法和PEPC三种算法在封闭式场景下以20分钟为观察周期的情况下，各算法车群的存在时间的平均值。车群存在时间是衡量车群结构稳定性的指标之一，存在时间越长，说明车群结构越稳定。其中图上的每个点表示的是在该时间段内(1分钟)车群存在时间的平均值。对比三条曲线可以发现，GECM算法的车群平均存在时间为56s，且整个仿真过程中GECM算法表现比较稳定，测试指标无较大的波动。而TECL算法在仿真过程中，车群平均存在时间在45s左右波动，绝对性能上是不如GECM算法的。PEPC算法在性能上与TECL接近在40s左右波动，两个算法在总体性能和稳定性上的表现都不如GECM算法，因此可验证提出的GECM算法可以有效地增加无人驾驶车群存在的几率，延续车群存在时间，提高整个车群结构的稳定性。

从图26可以看出GECM、TECL和PEPC三种算法在经过多目标优化过后的表现。GECM算法在优化过后整体性能较优化前提升了2.5s，仿真过程中车群平均存在时间稳定在58.5s。而TECL算法和PEPC算法在多目标优化过后均有不同程度的改善，其中TECL算法绝对性能提升了约3s，PEPC算法整体提升了最多达到了5s，最后两种算法的决定性能分别稳定在了48s和45s，且两者的算法的稳定性也得到了较大的改善，相较于优化前，TECL算法和PEPC算法的性能曲线较为平滑，由此也可以验证多目标优化算法的有效性。

创新点

本发明申请给出的技术方案为：通过图嵌入对无人驾驶车辆节点和车群分别进行向量化表示，使得无人驾驶车群在动态演化过程中保留车群节点的相关信息。在此基础上结合封闭式场景的特性，从微观上对无人驾驶车群群内和群间的演化事件进行剖析，结合有限状态自动机给出了无人驾驶车群自协模型，利用多目标优化对自协模型进行优化。目的用来构建封闭场景下动态变化情况下无人驾驶车群运动行为始终保持智能化的自治协同，从而使得无人驾驶车群自协技术在封闭场景下能够得到实际应用成为可能。

说明书附表

表1

表2

仿真数据集	参数
		封闭式面积大小	10km*5km
时间长度	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 (5)

1.封闭场景下无人驾驶车群自协模型构建方法，其特征在于，具体包括如下步骤：

步骤1.相关定义

为了研究封闭场景下无人驾驶车群自协模型构建方法，相关定义如下：

(1)无人驾驶车群群内自协

定义13 无人驾驶车群自协演化模型是由一个包含五个元素的集合构成的，其数学表达式为：

S＝(Z，α，δ，q₀，F) (1)

其中，Z是无人驾驶车群自协演化模型所有有限状态的集合，即对于

z记作S在此刻所处的状态α是模型的可输入集合，δ是从α到Z的映射，q₀是模型的一个非空的初始状态，F是模型的终止状态集合；

定义14 初始状态Z₁：当车群能维持现状稳定有序前行，车群成员组成以及引领节点稳定不变时，称为初始状态，其数学表达式定义为：

Sim(t，t+1，H，H′)＜0.5 (2)

其中，Sim函数计算初始时刻车群H在t时刻到t+1时刻之间相似程度；

定义15 增长状态Z₂：由于一些不可抗力的因素车群H中的某个车辆节点V_i出现故障并与车群H失去联系，而通过车群演化算法节点V_i重新与车群H建立可靠连接并申请重新加入车群H；从网络拓扑结构上来看，处于增长状态下的车群H在t时刻车群规模为Scale(H)，在t+1时刻车群规模为Scale(H′)，其中Scale(H′)-Scale(H)＞0，其数学表达式定义为：

NodeDif(t，t+1，H，H′)＞0 (3)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，车群H内部节点个数会不断增长；

定义16 缩减状态Z₃：车辆与原车群失去联系，车群引领节点也失去对该车辆节点的控制；在这种情况下，出现故障的该车辆节点不得不脱离出原有的无人驾驶车群；从网络拓扑结构上来看，处于缩减状态下的车群H在t时刻车群规模为Scale(H)，在t+1时刻车群规模为Scale(H′)，其中Scale(H)-Scale(H′)＞0，其数学表达式定义为：

NodeDif(t，t+1，H，H′)＜0 (4)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，车群H内部节点个数会不断减少；

定义17 分裂状态Z₄：当车群分布呈现沙漏状，即大量车辆节点集中在前后两端，中间部分的车辆节点稀少时，一旦承担车群前后两部分的联系的中间车辆节点出现了故障，那车群的后半部将于前半部分失去联系；此时，车群将进入分裂状态；从网络拓扑结构上来分析，在分裂状态下的车群H在t时刻车群规模为Scale(H)，在t+1时刻车群分裂为{H₁，H₂，...，H_n}且

其数学表达式定义为：

NodeDif(t，t+1，H，H′)＜0 (5)

GroupNum(t，t+1)＞1 (6)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，GroupNum函数计算的是t时刻到t+1时刻车群数量的变化，车群处在分裂状态时，原车群的节点个数会减少，同时会形成新的车群H′；

定义18 合并状态Z₅：从同一个车群分裂出来的几个子车群{H₁，H₂，...，H_n}，在合适的时机需要进入合并状态，即两个车群相互靠近，并且彼此节点又在通信可达范围内，此时这两个车群可以重新合并成一个新的车群H′；合并的过程需要按照节点引领度来重新选择一个引领节点，从无人驾驶车群之间的网络结构来分析，在已经获得的无人驾驶车群序列中，当前t时刻存在一个车群H₁与另一个车群H₂存在高度相似且直接可连，则两个子车群H₁和H₂合并成一个车群，其数学表达式定义如下：

NodeDif(t，t+1，H，H′)＞0 (7)

GroupNum(t，t+1)＜1 (8)

其中，NodeDif函数是计算在t时刻到t+1时刻无人驾驶车群H在节点组成上的差异，GroupNum函数计算的是t时刻到t+1时刻车群数量的变化，车群处在合并时，无人驾驶车群H′会与车群H合并成新的车群；

定义19 自协状态Z₆：如果一个车群H在t时刻网络拓扑结构与在t+1时刻的网络拓扑结构一致，即在整个过程中无人驾驶车群能保持车群拓扑结构的稳定性和节点间交互的实时性，则该车群处于自协状态，数学表达式定义为：

TCG(H)＝∑_μ，v∈HT(μ，v) (9)

Sim(t，t+1，H，H′)＝1 (10)

其中Sim函数是计算从t时刻到t+1时刻两个车群网络结构的相似度，TCG(H)函数是计算在车群H中节点之间的连通代价之和，T(μ，v)函数是计算两节点之间的连通代价；

(2)无人驾驶车群群间自协

定义20 初始状态Z′₁：当无人驾驶车群模型能维持现状稳定有序前行，车群成员组成以及引领节点稳定不变时，称为初始状态，其数学表达式定义为：

Sim(t，H，H₀)＝1 (11)

其中，Sim函数计算初始时刻车群H在t时刻到t+1时刻与初始车群H₀之间相似程度；

定义21 混沌状态Z′₂：无人驾驶车群H在封闭式场景中可能会出现节点失联的情况，对于单个节点V_i因为失联脱离出原车群H₁，并且此时车群H₁中距离节点V_i最近的节点V₁的距离大于最长通信距离R，从而节点V₁与原车群H₁失去直接联系的能力；此时，节点V₁必须与在其通信可达范围内的其他车群H₂联系并由H₂车群的引领节点向车群H₁转发节点V₁失联的信息并告知V₁的具体位置，同时节点V₁从H₂车群得知原车群的位置和行驶信息通过加速行驶追上H₁车群并重新申请加入车群，其数学表达式定义为：

Count(t，t+1，H_t，H_t+1)＞1 (12)

其中，Count函数是统计在t时刻到t+1时刻之间无人驾驶车群H内部从成员节点状态转为游离状态的节点个数；

定义22 自协状态Z′₃：无人驾驶车群针对不同的突发状况会有不同的车群群间演化算法帮助车群恢复稳定、有序的状态；如果所有车群H在t时刻网络拓扑结构与在t+1时刻的网络拓扑结构一致，即在整个过程中无人驾驶车群能保持车群拓扑结构的稳定性和节点间交互的实时性，则该车群处于自协状态，其数学表达式定义为：

其中Sim函数是计算同一个无人驾驶车群在t时刻到t+1时刻网络结构的相似度，

函数是计算在车群集合

中各车群内节点之间的连通代价之和；

步骤2.无人驾驶车群动态演化算法

步骤2.1无人驾驶车群群内演化

步骤2.2无人驾驶车群群间演化

步骤3.基于有限状态机的车群自协演化模型

步骤3.1无人驾驶车群群内自协模型

步骤3.2无人驾驶车群群间自协模型

步骤4.无人驾驶车群自协模型的多目标优化

主要内容包括：定义多目标函数、约束条件以及利用多目标优化算法对问题进行求解；

步骤4.1定义多目标函数

无人驾驶车群自协模型可以分为车群群内模型和车群群间模型两部分，其中无人驾驶车群H_i群内模型可以表示为S_i＝(Z_i，α_i，δ_i，q₀，F_i)，而无人驾驶车群间模型可以表示为：

S＝ω₁·S₁+ω₂·S₂+ω₃·S₃+...+ω_n-1·S_n-1+ω_n·S_n (24)

第一个目标函数如公式(25)所示，就是车群节点连接的稳定性，表示为：

其中，v_i，v_j是车群H_i的任意两车辆节点，p_i，j是两个节点之间的边权重；

第二个目标函数如公式(26)所示是车群H_i节点之间信息交互的实时性，表示交互数据分组后通过车群引领节点发送到其他节点这个过程中时间上的消耗，表示为：

其中，dist(v_i，v_leader)表示车群节点和引领节点间的距离，ε表示消息传播的速率；

第三个目标函数如公式(27)是车群H_i的演变性，演变性表征的是封闭式路网环境下无人驾驶车群的动态演化特性，即在t时刻到t+1时刻之间车群发生演化的次数，并量化其改变的程度，定义为：

步骤4.2定义约束条件

在对无人驾驶车群自协模型进行多目标优化前，需要定义好各个目标变量的约束条件，在约束条件的基础上对各个目标变量进行转换；

对于无人驾驶车群自协模型S的各个参数[ω₁，ω₂，ω₃，...，ω_n-1，ω_n]，都会有各自的约束范围，约束条件k₁(x)具体数学表达式如下：

k₁(x)：0≤ω_i≤1，1≤i≤N (28)

其中，ω_i是各个无人驾驶车群群内自协模型的权重参数，N是车群数量；

在封闭式场景下无人驾驶车群数目至少是有一个，车群数量的上限是所有无人驾驶车辆的数目，即每个车辆节点自身就是一个车群，约束条件k₂(x)具体数学表达式如下：

k₂(x)：0≤N≤N_vehicle (29)

最后一个约束条件k₃(x)是无人驾驶车群连接的稳定性，车群稳定性表征的是节点与引领节点之间的连接程度，所以它的最小值是0，最大值是N；约束条件k₃(x)具体数学表达式如下：

k₃(x)：0≤F₁(H)≤N (30)

步骤4.3优化求解

首先，需要定义好编码规则，编码的长度是由每个无人驾驶车群节点数目的上限来决定的；

其次，采用基于种群选择机制作为选择策略的优化算法；同时，在此基础上增加候选解的集合来作为可选集的补充；算法会随机选择一组解并在其基础上进行运行，然后对所有解集进行分解；其中，完全支配解会被分配在求解优先级的第一层，算法会删除已经被遍历过的解并删除掉不是最优解的方案，弱化其优先级；最后算法会通过候补的解集来存储之前迭代过的轮次中被删除掉但是效果比较好的解，同时算法会将候补的解集随机放回到可执行解集中；

通过多目标优化算法来对无人驾驶车群模型进行优化，最后得到是一个节点连通实时且稳定，能随环境改变做出正确演化的最优模型；综上所述，基于多目标优化的无人驾驶车群自协模型可以转换为：

其中，S(H_t)是对所有车群模型输出加权求和，St(H_t)是变量的约束条件TCG(H_t)表示在t时刻无人驾驶车群H内部所有节点的连通代价之和，TCG(H_t)取值越低表示车群连通程度越高，当TCG(H_t)小于阈值时，说明无人驾驶车群群内和群间都实现了连通稳定，即无人驾驶车群自协模型能够运行。

2.如权利要求1所述封闭场景下无人驾驶车群自协模型构建方法，其特征在于，步骤2.1无人驾驶车群群内演化，该算法包括节点加入演化算法、节点离开演化算法、车群分裂演化算法、车群合并演化算法，具体如下：

1)节点加入

无人驾驶车群节点加入算法如下：

2)节点离开

无人驾驶车群节点离开演化算法如下：

4)车群合并

无人驾驶车群合并演化算法如下：

3.如权利要求1所述封闭场景下无人驾驶车群自协模型构建方法，其特征在于，步骤2.2中无人驾驶车群群间演化算法包括：车群群间单节点加入、车群群间多节点加入；如下：

1)车群群间单节点加入

无人驾驶车群群间单节点加入算法如下：

2)车群群间多节点加入

无人驾驶车群群间多节点加入算法如下：

4.如权利要求1所述封闭场景下无人驾驶车群自协模型构建方法，其特征在于，步骤3.1中无人驾驶车群群内自协模型形成算法如下：

5.如权利要求1所述封闭场景下无人驾驶车群自协模型构建方法，其特征在于，步骤3.2中无人驾驶车群群间自协模型形成算法如下：

Images