CN114095902B - 无人驾驶HD Map数据分发方法 - Google Patents
无人驾驶HD Map数据分发方法 Download PDFInfo
- Publication number
- CN114095902B CN114095902B CN202111175869.6A CN202111175869A CN114095902B CN 114095902 B CN114095902 B CN 114095902B CN 202111175869 A CN202111175869 A CN 202111175869A CN 114095902 B CN114095902 B CN 114095902B
- Authority
- CN
- China
- Prior art keywords
- transmission
- base station
- vehicle
- target
- unmanned
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000009826 distribution Methods 0.000 title claims abstract description 58
- 230000005540 biological transmission Effects 0.000 claims abstract description 242
- 238000005265 energy consumption Methods 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人驾驶HD Map数据分发方法,包括:1)无人驾驶车辆向云端服务器获取边缘基站信息;2)无人驾驶车辆获取其它无人驾驶车辆数据信息;3)无人驾驶车辆获取车辆自身数据信息;4)计算仅有V2I方式下的传输区域距离L和目标区域距离LD;5)计算V2V与V2I协作传输下的传输区域距离L’;6)分析目标车辆与其它同向行驶的无人驾驶车辆V2V传输的接触时间;7)分析目标车辆与其它异向行驶的无人驾驶车辆V2V传输的接触时间;8)无人驾驶车辆确定传输区域各目标边缘基站与传输比例,完成数据分发工作。本发明使用V2I传输底层数据较大的部分,同时使用V2V传输高层的轻量级动态地图数据,不仅能降低基站带宽压力,还能进一步减少数据传输时间,使得动态信息能尽早送达。
Description
技术领域
本发明涉及数据分发的技术领域,尤其是指一种基于V2I与V2V协作的无人驾驶HDMap数据分发方法。
背景技术
高精地图(HD Map)是无人驾驶的实现基础,它在无人驾驶中发挥着重要作用。相比于传统的电子地图,高精地图数据具有数据高精度、信息高维度以及高度实时性的特点。高精地图是对物理世界的精确还原,不仅可以辅助无人车进行环境感知,提高车辆识别外界环境的准确度,还能为无人车提供厘米级别的位置信息,使无人车实现高精度定位。而且,高精地图成本较低,不易受恶劣天气影响,是无人驾驶中最关键的技术之一。
高精地图的高精度与高维度同时意味着其更庞大的数据规模。跟普通电子地图不同的是,高精地图数据是分层结构的。高精地图最少包含两层:静态地图层和动态地图层。其底层静态地图层是一个基于激光雷达传感器建立的精密二维网格,其数据由大量点云数据构成。高精地图数据生产过程经过过滤、压缩等处理,最终生成的高精地图点云数据也是数百千万级别的,数据量也往往是普通地图的10万倍以上。高精地图构成精准复杂,数据量大,如何在有限的延时内把完成海量的高精地图数据分发服务是实现安全无人驾驶所亟待解决的难题之一。
无人驾驶汽车如果想要安全驾驶,至少要获取所有静态HD Map数据以及部分动态HD Map数据如车道限速、车道关闭等等。无人车在行驶过程中需要实时获取高精地图数据,但地图数据量过于庞大,如果直接向云端数据中心获取数据,无法保证在时延内完成分发任务。为了解决这个问题,可以考虑应用边缘计算模型来协助地图数据分发,以达到低延时分发数据的效果。因此提出了一种基于V2I与V2V协作的无人驾驶HD Map数据分发的方法。此方法考虑了高精地图的数据分层结构,底层静态数据主要采用V2I方式传输,高层动态地图数据主要采用V2V方式传输。在车辆剩余能耗有限时,能有效地安排边缘基站和附近车辆参与分发地图数据。在较大车流量的情况下也能有效完成高精地图数据的分发工作,使得无人驾驶车辆能安全行驶。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于V2I与V2V协作的无人驾驶HD Map数据分发方法,该方法考虑了HD Map数据分发的无人驾驶车辆能耗问题,弥补了传统数据分发的不足,同时在边缘基站提前存储HD Map数据,减少云端数据下载时间。在使用V2I传输分发高精地图底图静态数据的同时,使用V2V传输协作边缘基站分发高精地图顶层动态数据,并同时对分发时间和传输代价进行优化,实现了高精地图数据的低能耗和高效益分发。该方法面向高精地图数据规模和结构的不同需求,可以根据车流量及无人驾驶车辆分发任务提前获得线路拥挤程度,引导无人驾驶车辆根据情况错时或错峰出行,达到缓解交通拥堵的目的。通过不同分发手段,从边缘基站预取未来途经路段的地图数据,为无人驾驶中的高精地图服务提供了有效策略,实现了对无人车自主安全行驶的有效辅助,对无人驾驶的应用与普及具有重要意义。
为实现上述目的,本发明所提供的技术方案为:基于V2I与V2V协作的无人驾驶HDMap数据分发方法,包括以下步骤:
1)无人驾驶车辆向云端服务器获取边缘基站信息,包括边缘基站ID、边缘基站位置分布情况、边缘基站带宽和预装HD Map信息;
2)无人驾驶车辆获取其它无人驾驶车辆数据信息,包括车辆位置、车速、行驶方向和预装HD Map信息;
3)获取目标车辆自身数据信息,包括HD Map数据存储容量、预装HD Map信息、V2V传输带宽和剩余能量;
4)计算仅有V2I方式下的传输区域距离L和目标区域距离LD;
5)计算V2V与V2I协作传输下的传输区域距离L,;
6)分析目标车辆与其它同向行驶的无人驾驶车辆V2V传输的接触时间;
7)分析目标车辆与其它异向行驶的无人驾驶车辆V2V传输的接触时间;
8)无人驾驶车辆确定传输区域各目标边缘基站与传输比例,完成数据分发工作;当数据传输区域的基站分布密度小于50%时,以传输时间为优化目标,计算各目标边缘基站与传输比例;当数据传输区域的基站分布密度大于50%时,以传输代价为优化目标,计算各目标边缘基站与传输比例。
进一步,在步骤1)中,所述边缘基站ID是指由所在道路的ID以及道路附近边缘基站的编号组成的字符串ID;所述边缘基站位置分布情况是指边缘基站在当前道路两边的实际位置,用边缘基站与其最近道路起点的相对位置表示;所述边缘基站带宽是指边缘基站数据传输数率,包括上行和下行数率;所述预装HD Map信息是指边缘基站已存储的目标区域HD Map数据量。
进一步,在步骤2)中,所述车辆位置是指无人驾驶车辆与目标车辆的相对位置;所述车速是指无人驾驶车辆的行驶速度;所述行驶方向是指无人驾驶车辆的行驶方向,分为与目标车辆同向或异向行驶;所述预装HD Map信息是指该无人驾驶车辆车载中已存储的目标区域HD Map数据量。
进一步,在步骤3)中,所述HD Map数据存储容量是指目标车辆自身最多能够缓存的HD Map数据量;所述预装HD Map信息是指目标车辆车载中已存储的目标区域HD Map数据量;所述V2V传输带宽是指目标车辆与其它无人驾驶车辆V2V传输时的带宽,所述V2V指车与车之间的通信;所述剩余能量是指能支持目标车辆行驶的剩余能量。
进一步,在步骤4)中,传输区域距离是指实际进行V2I与V2V数据传输的区域的长度,V2I是指车与边缘基站之间的通信,目标区域是指无人驾驶车辆打算获取的目标HD Map数据所对应的区域,即无人驾驶车辆需要在传输区域内获取目标区域的HD Map数据;结合所获取的边缘基站信息、其它无人驾驶车辆信息以及目标车辆自身数据信息,计算传输区域距离L、目标区域距离LD,包括以下步骤:
4.1)计算只有V2I传输下的传输区域距离L和目标区域距离LD;整合边缘基站信息和无人驾驶车辆自身数据信息,处理得到传输区域距离L的范围:
Llow≤L≤Lhigh
式中,距离最小值距离最大值/>
MC表示车载中已存储的目标区域HD Map数据量,v表示无人驾驶车辆速度,M表示无人驾驶车辆HD Map数据存储容量,β是目标区域距离与传输区域距离的比例,即β=LD/L;
E=cv,表示当前车速下每秒消耗的HD Map数据,式中c表示每单位距离无人驾驶车辆消耗的HD Map数据量;
G=Bα,表示整个传输区域的平均带宽,式中B表示传输区域内边缘基站的平均带宽,α是指传输区域内边缘基站的覆盖率;
4.2)在已知边缘基站位置的情况下,向前不断查找边缘基站,向前过程中会同时消耗车辆能量,直到满足G>E和W>0的边缘基站出现,式中W为车辆剩余能量;每次查找一个边缘基站都要更新α、G、W、Llow以及Lhigh;每当找到一个满足的边缘基站,检查该边缘基站位置;
4.3)如果该边缘基站位置在Lhigh或上一轮的LD以外,则提示无人驾驶车辆需要减速才能完成数据传输;
4.4)如果该边缘基站位置在Llow以外,则继续往前查找,直到找到下一个满足G>E的边缘基站,重复检查步骤4.2)和4.3);
4.5)如果该边缘基站位置在Llow与Lhigh之间,则把起点到该边缘基站位置的范围定义为L;
4.6)当确定了L后,也就进一步缩小了β的范围,取通过公式LD=L*β即可确定LD。
进一步,在步骤5)中,计算V2V与V2I协作传输方式下的传输区域距离L,,包括以下步骤:
5.1)将道路根据基站覆盖情况分为基站覆盖区与基站非覆盖区,设基站覆盖区域长度和基站非覆盖区域长度分别为和/>其中i为基站序号;
5.2)目标车辆在第i段基站覆盖区域和基站非覆盖区域的数据传输时间分别为和/>由以下公式求得:
式中,v表示无人驾驶车辆速度;
5.3)在车辆较多时,会出现车辆竞争基站带宽的情况;假设每条车道上车辆到达速率为λ辆/秒,时间t内每条车道车辆的到达数量服从泊松分布,即:
其中N(t)表示时间t内每个车道到达车辆的数量,k为车辆数目,P(N(t)=k)表示时间t内每个车道到达车辆的数为k的概率,则每辆车在t时间范围内至少会相遇另一辆车的概率为:
PY(t)=1-e-λt
式中,PY(t)表示时间t范围内遇到另一辆车的概率;
5.4)以上步骤确定了只进行V2I传输下的传输区域距离和目标区域距离;当加入V2V协作数据传输时,传输区域距离会相应减少;设上述步骤求得的L为距离最大值Lmax,则距离最小值Lmin由以下公式取得:
Lmin=distance(Base1,Basej)
式中,BR为基站V2I传输带宽,BV为车辆V2V传输带宽,为时间/>范围内遇到另一辆车的概率,/>为时间/>范围内遇到另一辆车的概率,distance(Base1,Basej)表示第一个基站与第j个基站的距离,M表示无人驾驶车辆HD Map数据存储容量;
5.5)最终得到传输区域距离范围为Lmin≤L,≤Lmax。
进一步,在步骤6)中,分析目标车辆与其它同向行驶的无人驾驶车辆V2V传输的接触时间,设目标车辆速度为v,传输数据的同向行驶车辆为va,两车在第i个非基站覆盖区域的接触时间为包括以下步骤:
6.1)若两车在不同车道上,则有:
式中,为基站非覆盖区域长度,λ为每条车道上车辆到达速率,Rv为目标车辆的V2V传输范围;
6.2)若两车在同一车道且当v>va时,两车在行驶过程中距离会慢慢减小,则有:
6.2)若两车在同一车道且当v≤va时,则在两车数据传输过程中两车距离先会慢慢变大,直至两车距离大于V2V传输范围,则有:
进一步,在步骤7)中,分析目标车辆与其它异向行驶的无人驾驶车辆V2V传输的接触时间,设目标车辆速度为v,传输数据的异向行驶车辆为vc,两车在第i个非基站覆盖区域的接触时间为则有:
式中,为基站非覆盖区域长度,λ为每条车道上车辆到达速率,Rv为目标车辆的V2V传输范围。
进一步,在步骤8)中,当数据传输区域的基站分布密度小于50%时,以传输时间为优化目标,计算各目标边缘基站与传输比例,包括以下步骤:
8.11)求出无人驾驶车辆在传输区域每个边缘基站覆盖区域的最长逗留时间i表示第i个边缘基站;
8.12)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的数据传输功率以及在该基站非覆盖范围进行V2V传输的数据传输功率/>
8.13)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的能耗以及在该基站非覆盖范围进行V2V传输的能耗/>
8.14)求解以下最优化式子,得到传输区域每一个边缘基站的ti值,ti表示无人驾驶车辆在每一个边缘基站的实际传输时间:
式中,N为基站的总数目;
其中,约束条件如下:
式中,M为无人驾驶车辆所需的HD Map数据量,即表示无人驾驶车辆HD Map数据存储容量;
式中,E0表示目标车辆每行驶单位距离所消耗的能量,W表示目标车辆当前时刻所剩余的能量;
根据求解出的每一个边缘基站的ti序列和序列,也就求出了每个边缘基站应该传输多少数据量,即得到了目标传输任务。
进一步,在步骤8)中,当数据传输区域的基站分布密度大于50%时,以传输代价为优化目标,计算目标车辆的传输任务,包括以下步骤:
8.21)分别计算出目标车辆在每个基站对应的传输地图数据量Mi,i表示第i个边缘基站;
8.22)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的能耗以及在该基站非覆盖范围进行V2V传输的能耗/>
8.23)根据能够传输数据量和能量消耗,根据以下公式得到进行V2V数据传输的代价和V2I数据传输的代价/>
式中,表示V2V传输下车辆的传输地图数据量,/>表示V2I传输下车辆的传输地图数据量。
8.24)求解以下最优化式子,使得目标车辆的总传输代价最小:
式中,N为基站的总数目;
其中,约束条件如下:
式中,M为无人驾驶车辆所需的HD Map数据量,即表示无人驾驶车辆HD Map数据存储容量;
式中,E0表示目标车辆每行驶单位距离所消耗的能量,W表示目标车辆当前时刻所剩余的能量;
根据求解出的最优解,能够得到目标车辆在每个基站范围内的传输方式以及传输数据量,传输方式包括V2I传输和V2V传输,即得到了目标传输任务。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明首次考虑了HD Map数据分发的无人驾驶车辆能耗问题,弥补了传统数据分发的不足。
2、本发明在边缘基站提前存储HD Map数据,减少云端数据上传和下载时间,大大降低无人驾驶的数据传输时间。
3、本发明设置传输区域,无人驾驶车辆在进入该传输区域前就能获取无人驾驶车辆传输数据任务,降低边缘基站的数据吞吐量和数据传输干扰,大大降低无人驾驶车辆的HD Map数据获取时间。
4、本发明研究了高精度地图的传输特性,为高精地图不同的数据类型划分层次,使用V2I与V2V协作分发的方式,在能耗受限情况下进一步实现了高精地图数据的低时延分发。
5、本发明可根据车流量及无人驾驶车辆分发任务提前获得线路拥挤程度,引导无人驾驶车辆根据情况错时或错峰出行,达到缓解交通拥堵的目的。
6、本发明方法在无人驾驶HD Map数据分发具有广泛的使用空间,算法简单易懂、可行性高。
附图说明
图1为本发明方法逻辑流程示意图。
图2为本发明使用的车辆与云端服务器的关系结构图。
图3为本发明定义的传输区域和目标区域示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1至图3所示,本实施例公开了一种基于V2I与V2V协作的无人驾驶HD Map数据分发方法,使用了无人驾驶车辆、边缘基站和云端服务器等辅助设备,其包括以下步骤:
1)无人驾驶车辆向云端服务器获取边缘基站信息,包括边缘基站ID,边缘基站位置分布情况、边缘基站带宽、预装HD Map信息,其中,所述边缘基站ID是指由所在最近道路八位数的ID以及道路附近边缘基站四位数的编号组成的字符串ID;边缘基站位置分布情况是指边缘基站在当前道路两边的实际位置,用边缘基站与其最近道路起点的相对位置表示;边缘基站带宽是指边缘基站数据传输数率,包括上行和下行数率;预装HD Map信息是指边缘基站缓存的HD Map数据量;每个边缘基站都会维护一份边缘基站信息表,云端服务器会实时更新整个区域所有边缘基站的信息表,无人驾驶车辆可通过直接访问云端服务器的边缘基站信息表获取以上数据。
获取道路ID为10001000的部分边缘基站数据如表1所示:
表1边缘基站数据
边缘基站ID | 位置(m,m) | 带宽(GB/s) | HD Map数据(GB) |
100010001001 | (50,50) | 1.10 | 55 |
100010001002 | (335,30) | 1.25 | 69 |
100010001003 | (585,35) | 1.02 | 48 |
100010001004 | (930,20) | 1.40 | 34 |
100010001005 | (1300,10) | 1.16 | 90 |
100010001006 | (1800,25) | 0.97 | 62 |
2)无人驾驶车辆获取其它无人驾驶车辆数据信息,包括车辆位置、车速、行驶方向、预装HD Map信息,其中,所述车辆位置是指无人驾驶车辆与目标车辆的相对位置;车速是指无人驾驶车辆的行驶速度;行驶方向是指无人驾驶车辆的行驶方向,分为与目标车辆同向或异向行驶;预装HD Map信息是指该无人驾驶车辆车载中已存储的目标区域HD Map数据量。
其它无人驾驶车辆的自身信息如表2所示:
表2其它无人驾驶车辆的信息
3)获取目标车辆自身数据信息,包括HD Map数据存储容量、预装HD Map信息、剩余能量,其中,所述HD Map数据存储容量是指无人驾驶车辆自身最多可缓存的HD Map数据量;预装HD Map信息是指车载中已存储的目标区域HD Map数据量;剩余能量是指能支持无人驾驶车辆行驶的剩余能量。每辆车都会维护一份自身的无人驾驶车辆信息表,无人驾驶车辆可通过直接访问无人驾驶车辆信息表获取以上数据。
目标车辆的自身信息如表3所示:
表3目标车辆的自身信息
HD Map已存储数据量(GB) | 100 |
还需数据量(GB) | 250 |
存储容量(GB) | 300 |
车速(Km/h) | 36 |
剩余能量(kWh) | 8 |
4)计算仅有V2I方式下的传输区域距离LV2I,目标区域距离LD,其中,传输区域距离是指实际进行数据传输的区域的长度,V2I是指车与边缘基站之间的通信,目标区域是指无人驾驶车辆打算获取的目标HD Map数据所对应的区域,即无人驾驶车辆需要在传输区域内获取目标区域的HD Map数据。结合所获取的边缘基站信息、其他无人驾驶车辆信息以及目标车辆自身数据信息,计算传输区域距离L、目标区域距离LD,包括以下步骤:
4.1)首先计算只有V2I传输下的传输区域距离L和目标区域距离LD。整合边缘基站信息和无人驾驶车辆自身数据信息,处理得到传输区域距离L的范围:
Llow≤L≤Lhigh
式中,
MC表示车载中已存储的目标区域HD Map数据量,v表示无人驾驶车辆速度,M表示无人驾驶车辆HD Map数据存储容量,β是目标区域距离与传输区域距离的比例,即β=LD/L;
E=cv,表示当前车速下每秒消耗的HD Map数据,式中c表示每单位距离无人驾驶车辆消耗的HD Map数据量;
G=Bα,表示整个传输区域的平均带宽,式中B表示传输区域内边缘基站的平均带宽,α是指传输区域内边缘基站的覆盖率;
4.2)在已知边缘基站位置的情况下,向前不断查找边缘基站,向前过程中会同时消耗车辆能量,直到满足G>E和W>0的边缘基站出现,式中W为车辆剩余能量。每次查找一个边缘基站都要更新α、G、W、Llow以及Lhigh。每当找到一个满足的边缘基站,检查该边缘基站位置;
4.3)如果该边缘基站位置在Lhigh或上一轮的LD以外,则提示无人驾驶车辆需要减速才能完成数据传输;
4.4)如果该边缘基站位置在Llow以外,则继续往前查找,直到找到下一个满足G>E的边缘基站,重复检查步骤4.2)和4.3);
4.5)如果该边缘基站位置在Llow与Lhigh之间,则把起点到该边缘基站位置的范围定义为L;
4.6)当确定了L后,也就进一步缩小了β的范围,取通过公式LD=L*β即可确定LD。
5)计算V2V与V2I协作传输下的传输区域距离L,,包括以下步骤:
5.1)道路可根据基站覆盖情况分为基站覆盖区与基站非覆盖区,设基站覆盖区域长度和基站非覆盖区域长度分别为和/>其中i为基站序号;
5.2)目标车辆在第i段基站覆盖区域和基站非覆盖区域的数据传输时间分别为和/>可由以下公式求得:
5.3)在车辆较多时,会出现车辆竞争基站带宽的情况。假设每条车道上车辆到达速率为λ辆/秒,时间t内每条车道车辆的到达数量服从泊松分布,即:
其中N(t)表示时间t内每个车道到达车辆的数量,k为车辆数目,P(N(t)=k)表示时间t内每个车道到达车辆的数为k的概率,则每辆车在t时间范围内至少会相遇另一辆车的概率为:
PY(t)=1-e-λt
式中,PY(t)表示时间t范围内遇到另一辆车的概率;
5.4)以上步骤确定了只进行V2I传输下的传输区域距离和目标区域距离。当加入V2V协作数据传输时,传输区域距离会相应减少。设上述步骤求得的L为Lmax。则Lmin可由以下公式取得:
Lmin=distance(Base1,Basej)
式中,BR为基站V2I传输带宽,BV为车辆V2V传输带宽,为时间/>范围内遇到另一辆车的概率,/>为时间/>范围内遇到另一辆车的概率,distance(Base1,Basej)表示第一个基站与第j个基站的距离,M表示无人驾驶车辆HD Map数据存储容量;
5.5)最终可得到传输区域距离范围为Lmin≤L≤Lmax。
6)分析目标车辆与其它同向行驶的无人驾驶车辆V2V传输的接触时间,设目标车辆速度为v,传输数据的同向行驶车辆为va,两车在第i个非基站覆盖区域的接触时间为包括以下步骤:
6.1)若两车在不同车道上,则有
式中,为基站非覆盖区域长度,λ为每条车道上车辆到达速率,Rv为目标车辆的V2V传输范围;
6.2)若两车在同一车道且当v>va时,两车在行驶过程中距离会慢慢减小,则有
6.3)若两车在同一车道且当v≤va时,则在两车数据传输过程中两车距离先会慢慢变大,直至两车距离大于V2V传输范围,则有
7)分析目标车辆与其它异向行驶的无人驾驶车辆V2V传输的接触时间,设目标车辆速度为v,传输数据的异向行驶车辆为vc,两车在第i个非基站覆盖区域的接触时间为则有:
式中,为基站非覆盖区域长度,λ为每条车道上车辆到达速率,Rv为目标车辆的V2V传输范围。
8)无人驾驶车辆确定传输区域各目标边缘基站与传输比例,完成数据分发工作。
当数据传输区域的基站分布密度小于50%时,以传输时间为优化目标,计算各目标边缘基站与传输比例,包括以下步骤:
8.11)求出无人驾驶车辆在传输区域每个边缘基站覆盖区域的最长逗留时间i表示第i个边缘基站。
8.12)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的数据传输功率以及在该基站非覆盖范围进行V2V传输的数据传输功率/>
8.13)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的能耗以及在该基站非覆盖范围进行V2V传输的能耗/>
8.14)求解以下最优化式子,得到传输区域每一个边缘基站的ti值,ti表示无人驾驶车辆在每一个边缘基站的实际传输时间:
式中,N为基站的总数目。
其中,约束条件如下:
式中,M为无人驾驶车辆所需的HD Map数据量,即表示无人驾驶车辆HD Map数据存储容量;
式中,E0表示目标车辆每行驶单位距离所消耗的能量,W表示目标车辆当前时刻所剩余的能量;/>
根据求解出的每一个边缘基站的ti序列和序列,也就求出了每个边缘基站应该传输多少数据量,即得到了目标传输任务。
例如确定了以下传输任务:
表4基站传输任务
边缘基站ID | 需传输HD Map任务量(GB) |
100010001002 | 18 |
100010001004 | 12 |
100010001005 | 30 |
则无人驾驶车辆只有在经过这3个边缘基站的覆盖范围才进行V2I数据传输,传输HD Map数据量按表上所示。
当数据传输区域的基站分布密度大于50%时,以传输代价为优化目标,计算目标车辆的传输任务,包括以下步骤:
8.21)分别计算出目标车辆在每个基站对应的传输地图数据量Mi,i表示第i个边缘基站。
8.22)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的能耗以及在该基站非覆盖范围进行V2V传输的的能耗/>
8.23)根据可传输数据量和能量消耗,根据以下公式分别得到进行V2V和V2I数据传输的代价:
式中,表示V2V传输下车辆的传输地图数据量,/>表示V2I传输下车辆的传输地图数据量。
8.24)求解以下最优化式子,使得目标车辆的总传输代价最小:
式中,N为基站的总数。
其中,约束条件如下:
式中,M为无人驾驶车辆所需的HD Map数据量,即表示无人驾驶车辆HD Map数据存储容量;
式中,E0表示目标车辆每行驶单位距离所消耗的能量,W表示目标车辆当前时刻所剩余的能量;
根据求解出的最优解,可以得到目标车辆在每个基站范围内的传输方式以及传输数据量,传输方式包括V2I传输和V2V传输,即得到了目标传输任务。
综上所述,在采用以上方案后,本发明为无人驾驶车辆传输HD Map数据提供了新的方法,能够有效降低边缘基站的数据吞吐量以及减少数据传输时间,有效推动我国无人驾驶行业数据分发工作的发展,具有实际推广价值,值得推广。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于,包括以下步骤:
1)无人驾驶车辆向云端服务器获取边缘基站信息,包括边缘基站ID、边缘基站位置分布情况、边缘基站带宽和预装HD Map信息,其中,HD Map为高精地图;
2)无人驾驶车辆获取其它无人驾驶车辆数据信息,包括车辆位置、车速、行驶方向和预装HD Map信息;
3)获取目标车辆自身数据信息,包括HD Map数据存储容量、预装HD Map信息、V2V传输带宽和剩余能量,V2V指车与车之间的通信;
4)计算仅有V2I方式下的传输区域距离L和目标区域距离LD,V2I是指车与边缘基站之间的通信;
5)计算V2V与V2I协作传输下的传输区域距离L',包括以下步骤:
5.1)将道路根据基站覆盖情况分为基站覆盖区与基站非覆盖区,设基站覆盖区域长度和基站非覆盖区域长度分别为和/>其中i为基站序号;
5.2)目标车辆在第i段基站覆盖区域和基站非覆盖区域的数据传输时间分别为和由以下公式求得:
式中,v表示无人驾驶车辆速度;
5.3)在车辆较多时,会出现车辆竞争基站带宽的情况;假设每条车道上车辆到达速率为λ辆/秒,时间t内每条车道车辆的到达数量服从泊松分布,根据泊松分布公式,可得:
其中N(t)表示时间t内每个车道到达车辆的数量,k为车辆数目,P(N(t)=k)表示时间t内每个车道到达车辆的数为k的概率,则每辆车在t时间范围内至少会相遇另一辆车的概率为:
PY(t)=1-e-λt
式中,PY(t)表示时间t范围内遇到另一辆车的概率;
5.4)以上步骤确定了只进行V2I传输下的传输区域距离和目标区域距离;当加入V2V协作数据传输时,传输区域距离会相应减少;设上述步骤求得的L为距离最大值Lmax,则距离最小值Lmin由以下公式取得:
Lmin=distance(Base1,Basej)
式中,BR为基站V2I传输带宽,BV为车辆V2V传输带宽,为时间/>范围内遇到另一辆车的概率,/>为时间/>范围内遇到另一辆车的概率,distance(Base1,Basej)表示第一个基站与第j个基站的距离,M表示无人驾驶车辆HD Map数据存储容量;
5.5)最终得到传输区域距离范围为Lmin≤L’≤Lmax;
6)分析目标车辆与其它同向行驶的无人驾驶车辆V2V传输的接触时间;
7)分析目标车辆与其它异向行驶的无人驾驶车辆V2V传输的接触时间;
8)无人驾驶车辆确定传输区域各目标边缘基站与传输比例,完成数据分发工作;当数据传输区域的基站分布密度小于50%时,以传输时间为优化目标,计算各目标边缘基站与传输比例;当数据传输区域的基站分布密度大于50%时,以传输代价为优化目标,计算各目标边缘基站与传输比例。
2.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于:在步骤1)中,所述边缘基站ID是指由所在道路的ID以及道路附近边缘基站的编号组成的字符串ID;所述边缘基站位置分布情况是指边缘基站在当前道路两边的实际位置,用边缘基站与其最近道路起点的相对位置表示;所述边缘基站带宽是指边缘基站数据传输数率,包括上行和下行数率;所述预装HD Map信息是指边缘基站已存储的目标区域HD Map数据量。
3.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于:在步骤2)中,所述车辆位置是指无人驾驶车辆与目标车辆的相对位置;所述车速是指无人驾驶车辆的行驶速度;所述行驶方向是指无人驾驶车辆的行驶方向,分为与目标车辆同向或异向行驶;所述预装HD Map信息是指该无人驾驶车辆车载中已存储的目标区域HDMap数据量。
4.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于:在步骤3)中,所述HD Map数据存储容量是指目标车辆自身最多能够缓存的HD Map数据量;所述预装HD Map信息是指目标车辆车载中已存储的目标区域HD Map数据量;所述V2V传输带宽是指目标车辆与其它无人驾驶车辆V2V传输时的带宽;所述剩余能量是指能支持目标车辆行驶的剩余能量。
5.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于:在步骤4)中,传输区域距离是指实际进行V2I与V2V数据传输的区域的长度,目标区域是指无人驾驶车辆打算获取的目标HD Map数据所对应的区域,即无人驾驶车辆需要在传输区域内获取目标区域的HD Map数据;结合所获取的边缘基站信息、其它无人驾驶车辆信息以及目标车辆自身数据信息,计算传输区域距离L、目标区域距离LD,包括以下步骤:
4.1)计算只有V2I传输下的传输区域距离L和目标区域距离LD;整合边缘基站信息和无人驾驶车辆自身数据信息,处理得到传输区域距离L的范围:
Llow≤L≤Lhigh
式中,距离最小值距离最大值/>
MC表示车载中已存储的目标区域HD Map数据量,v表示无人驾驶车辆速度,M表示无人驾驶车辆HD Map数据存储容量,β是目标区域距离与传输区域距离的比例,即β=LD/L;
E=cv,表示当前车速下每秒消耗的HD Map数据,式中c表示每单位距离无人驾驶车辆消耗的HD Map数据量;
G=Bα,表示整个传输区域的平均带宽,式中B表示传输区域内边缘基站的平均带宽,α是指传输区域内边缘基站的覆盖率;
4.2)在已知边缘基站位置的情况下,向前不断查找边缘基站,向前过程中会同时消耗车辆能量,直到满足G>E和W>0的边缘基站出现,式中W为车辆剩余能量;每次查找一个边缘基站都要更新α、G、W、Llow以及Lhigh;每当找到一个满足的边缘基站,检查该边缘基站位置;
4.3)如果该边缘基站位置在Lhigh或上一轮的LD以外,则提示无人驾驶车辆需要减速才能完成数据传输;
4.4)如果该边缘基站位置在Llow以外,则继续往前查找,直到找到下一个满足G>E的边缘基站,重复检查步骤4.2)和4.3);
4.5)如果该边缘基站位置在Llow与Lhigh之间,则把起点到该边缘基站位置的范围定义为L;
4.6)当确定了L后,也就进一步缩小了β的范围,取通过公式LD=L*β即可确定LD。
6.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于:在步骤6)中,分析目标车辆与其它同向行驶的无人驾驶车辆V2V传输的接触时间,设目标车辆速度为v,传输数据的同向行驶车辆为va,两车在第i个非基站覆盖区域的接触时间为包括以下步骤:
6.1)若两车在不同车道上,则有:
式中,为基站非覆盖区域长度,λ为每条车道上车辆到达速率,Rv为目标车辆的V2V传输范围;
6.2)若两车在同一车道且当v>va时,两车在行驶过程中距离会慢慢减小,则有:
6.3)若两车在同一车道且当v≤va时,则在两车数据传输过程中两车距离先会慢慢变大,直至两车距离大于V2V传输范围,则有:
。
7.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发方法,其特征在于:在步骤7)中,分析目标车辆与其它异向行驶的无人驾驶车辆V2V传输的接触时间,设目标车辆速度为v,传输数据的异向行驶车辆为vc,两车在第i个非基站覆盖区域的接触时间为则有:
式中,为基站非覆盖区域长度,λ为每条车道上车辆到达速率,Rv为目标车辆的V2V传输范围。
8.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发的方法,其特征在于:在步骤8)中,当数据传输区域的基站分布密度小于50%时,以传输时间为优化目标,计算各目标边缘基站与传输比例,包括以下步骤:
8.11)求出无人驾驶车辆在传输区域每个边缘基站覆盖区域的最长逗留时间i表示第i个边缘基站;
8.12)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的数据传输功率以及在该基站非覆盖范围进行V2V传输的数据传输功率/>
8.13)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的能耗以及在该基站非覆盖范围进行V2V传输的能耗/>
8.14)求解以下最优化式子,得到传输区域每一个边缘基站的ti值,ti表示无人驾驶车辆在每一个边缘基站的实际传输时间:
式中,N为基站的总数目;
其中,约束条件如下:
式中,M为无人驾驶车辆所需的HD Map数据量,即表示无人驾驶车辆HD Map数据存储容量;
式中,E0表示目标车辆每行驶单位距离所消耗的能量,W表示目标车辆当前时刻所剩余的能量;
根据求解出的每一个边缘基站的ti序列和序列,也就求出了每个边缘基站应该传输多少数据量,即得到了目标传输任务。
9.根据权利要求1所述的基于V2I与V2V协作的无人驾驶HD Map数据分发的方法,其特征在于:在步骤8)中,当数据传输区域的基站分布密度大于50%时,以传输代价为优化目标,计算目标车辆的传输任务,包括以下步骤:
8.21)分别计算出目标车辆在每个基站对应的传输地图数据量Mi,i表示第i个边缘基站;
8.22)求出无人驾驶车辆在传输区域第i个基站覆盖范围进行V2I传输的能耗以及在该基站非覆盖范围进行V2V传输的能耗/>
8.23)根据能够传输数据量和能量消耗,根据以下公式得到进行V2V数据传输的代价和V2I数据传输的代价/>
式中,表示V2V传输下车辆的传输地图数据量,/>表示V2I传输下车辆的传输地图数据量;
8.24)求解以下最优化式子,使得目标车辆的总传输代价最小:
式中,N为基站的总数;
其中,约束条件如下:
式中,M为无人驾驶车辆所需的HD Map数据量,即表示无人驾驶车辆HD Map数据存储容量;
式中,E0表示目标车辆每行驶单位距离所消耗的能量,W表示目标车辆当前时刻所剩余的能量;
根据求解出的最优解,能够得到目标车辆在每个基站范围内的传输方式以及传输数据量,传输方式包括V2I传输和V2V传输,即得到了目标传输任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175869.6A CN114095902B (zh) | 2021-10-09 | 2021-10-09 | 无人驾驶HD Map数据分发方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175869.6A CN114095902B (zh) | 2021-10-09 | 2021-10-09 | 无人驾驶HD Map数据分发方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114095902A CN114095902A (zh) | 2022-02-25 |
CN114095902B true CN114095902B (zh) | 2024-04-05 |
Family
ID=80296627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175869.6A Active CN114095902B (zh) | 2021-10-09 | 2021-10-09 | 无人驾驶HD Map数据分发方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114095902B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108012244A (zh) * | 2017-11-29 | 2018-05-08 | 南京工业大学 | 基于簇的公路车载自组织网络数据服务通信系统及方法 |
CN110139225A (zh) * | 2019-04-28 | 2019-08-16 | 华南理工大学 | 一种基于边缘计算的车联网混合数据分发方法 |
CN111949943A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法 |
CN112908011A (zh) * | 2021-01-29 | 2021-06-04 | 华南理工大学 | 一种基于能耗的无人驾驶HD Map数据分发方法 |
CN112929850A (zh) * | 2021-02-02 | 2021-06-08 | 天津理工大学 | 一种面向边缘计算环境的车联网数据回传方法 |
CN113347606A (zh) * | 2021-06-25 | 2021-09-03 | 长安大学 | 一种基于弹性分区的v2i/v2v网络协作传输方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
HUP1300488A2 (en) * | 2013-08-15 | 2015-03-02 | Gps Tuner Kft | Method for monitoring and navigating electric vehicles on a navigated route |
CN111132077B (zh) * | 2020-02-25 | 2021-07-20 | 华南理工大学 | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 |
-
2021
- 2021-10-09 CN CN202111175869.6A patent/CN114095902B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108012244A (zh) * | 2017-11-29 | 2018-05-08 | 南京工业大学 | 基于簇的公路车载自组织网络数据服务通信系统及方法 |
CN110139225A (zh) * | 2019-04-28 | 2019-08-16 | 华南理工大学 | 一种基于边缘计算的车联网混合数据分发方法 |
CN111949943A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法 |
CN112908011A (zh) * | 2021-01-29 | 2021-06-04 | 华南理工大学 | 一种基于能耗的无人驾驶HD Map数据分发方法 |
CN112929850A (zh) * | 2021-02-02 | 2021-06-08 | 天津理工大学 | 一种面向边缘计算环境的车联网数据回传方法 |
CN113347606A (zh) * | 2021-06-25 | 2021-09-03 | 长安大学 | 一种基于弹性分区的v2i/v2v网络协作传输方法及系统 |
Non-Patent Citations (1)
Title |
---|
边缘计算中数据驱动的智能应用:前景与挑战;秦永彬 等;中兴通讯技术;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114095902A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700617B (zh) | 基于低精度gps轨迹数据的高精度车道信息提取方法 | |
CN111882977B (zh) | 一种高精度地图构建方法及系统 | |
CN111949943A (zh) | 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法 | |
CN108763287A (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
CN108053058B (zh) | 一种基于大数据的电动出租车充电桩选址方法 | |
DE102022110890A1 (de) | Kooperative-adaptive-geschwindigkeitsregelungs-(cacc-) system für die steuerung von vernetztes- und autonomes-fahrzeug- (cav-) platoons | |
CN112116830A (zh) | 一种基于空域网格化的无人机动态地理围栏规划方法 | |
CN101295326B (zh) | 应用gps数据生成od矩阵的交通仿真的方法 | |
CN102997928A (zh) | 一种城际路网索引和匹配方法 | |
WO2022142839A1 (zh) | 一种图像处理方法、装置以及智能汽车 | |
CN113264049B (zh) | 一种智能网联车队协作换道控制方法 | |
WO2020215254A1 (zh) | 车道线地图的维护方法、电子设备与存储介质 | |
CN115662131B (zh) | 网联环境下道路事故路段的多车道协同换道方法 | |
CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
CN112908011B (zh) | 一种基于能耗的无人驾驶HD Map数据分发方法 | |
DE102023112016A1 (de) | Verteiltes verarbeitungssystem für fahrzeuge | |
CN109636045B (zh) | 基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 | |
CN114095902B (zh) | 无人驾驶HD Map数据分发方法 | |
Lv et al. | Cooperative decision-making of connected and autonomous vehicles in an emergency | |
CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
CN112185149A (zh) | 基于城市路网数据的路径规划方法及系统 | |
CN111208820A (zh) | 人工智能大数据下粒子化无人车组、控制方法及介质 | |
CN114926823B (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
Gu et al. | A high-precision road network construction method based on deep learning for unmanned vehicle in open pit | |
Shi et al. | Collaborative Planning of Parking Spaces and AGVs Path for Smart Indoor Parking System |
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 |