CN118524414B - 一种无人车队轨迹跟踪误差测试方法 - Google Patents

一种无人车队轨迹跟踪误差测试方法 Download PDF

Info

Publication number
CN118524414B
CN118524414B CN202410985858.1A CN202410985858A CN118524414B CN 118524414 B CN118524414 B CN 118524414B CN 202410985858 A CN202410985858 A CN 202410985858A CN 118524414 B CN118524414 B CN 118524414B
Authority
CN
China
Prior art keywords
communication
real
time
data
vehicles
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
CN202410985858.1A
Other languages
English (en)
Other versions
CN118524414A (zh
Inventor
赵诚
陈迎浩
高超
王玉鑫
安先龙
冯英杰
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.)
Syc Beijing Vehicle Testing Engineering Research Institute Co ltd
Original Assignee
Syc Beijing Vehicle Testing Engineering Research Institute 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 Syc Beijing Vehicle Testing Engineering Research Institute Co ltd filed Critical Syc Beijing Vehicle Testing Engineering Research Institute Co ltd
Priority to CN202410985858.1A priority Critical patent/CN118524414B/zh
Publication of CN118524414A publication Critical patent/CN118524414A/zh
Application granted granted Critical
Publication of CN118524414B publication Critical patent/CN118524414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • 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
    • H04W4/029—Location-based management or tracking services
    • 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]
    • 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

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

Abstract

本发明公开了一种无人车队轨迹跟踪误差测试方法，涉及域名检测技术领域；通过实时获取无人车队的车辆行驶数据，并通过V2V通信模块以固定频率广播给周围车辆，判断数据接收频率是否异常，标记数据接收频率异常的车辆为潜在故障车辆，监测分析其网络通信状态，评估V2V通信的实时性；根据评估结果划分实时通信和非实时通信，并分类对应的数据；分析非实时通信数据的准确性，识别误差和异常，调整车辆行驶轨迹和速度，优化车队轨迹跟踪性能，降低误差，提高了车队的协调性和安全性，减少了因通信延迟和丢包导致的行驶风险，确保了车队在各种环境下的高效运行，显著提升了整体效率和安全性。

Description

一种无人车队轨迹跟踪误差测试方法
技术领域
本发明涉及域名检测技术领域，具体涉及一种无人车队轨迹跟踪误差测试方法。
背景技术
无人车队轨迹跟踪误差测试通过在预定路线设置多个参考点来进行，车辆需要沿着这些参考点移动。测试过程中，实时记录车辆实际行驶路径与预定轨迹之间的偏差，这些偏差即为跟踪误差。通过分析这些误差数据，可以评估车辆控制系统的精确度和反应能力，从而确定系统是否需要进一步优化。该测试不仅用于单一车辆的轨迹跟踪，还可以应用于多车协同跟踪的场景。测试中，车队中的每辆车都需要按照共享的轨迹移动，并保持与前车的相对位置。在此过程中，监测每辆车相对于理想轨迹的误差，以及车队内部的相对误差，这样可以评估车队整体的协调性和稳定性，确保无人车队在复杂道路环境中能够安全、高效地行驶。
在进行无人车队轨迹跟踪误差测试时，每辆车需要通过无线通信系统（如V2V通信）与前车交换位置信息。V2V（Vehicle-to-Vehicle）通信是一种无线通信技术，允许车辆之间直接交换关键数据，如位置、速度、方向和制动状态等信息。通过V2V通信，每辆车可以实时接收前车和周围车辆的位置信息，从而调整自身的行驶路径和速度，协同保持预定的相对位置和距离，提高车队行驶的安全性和效率。V2V通信依赖于无线网络（如DSRC或C-V2X）进行数据传输，确保车辆之间的快速、可靠的通信。
现有技术存在以下不足之处：
V2V通信依赖无线网络，而无线信号可能受到环境因素（如建筑物、其他车辆干扰）影响，导致数据传输延迟或丢包。如果V2V通信数据不能及时准确的进行传输，车辆可能无法及时接收到前车的位置信息和动态数据，可能导致其无法准确调整自身的行驶轨迹和速度，从而增加相对误差。这种延迟可能导致车辆之间的间距不稳定，车队协调性下降，尤其在紧急情况下无法快速响应，最终增加碰撞风险，严重影响车队行驶的安全性和整体效率。
发明内容
本发明的目的是提供一种无人车队轨迹跟踪误差测试方法，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：一种无人车队轨迹跟踪误差测试方法，包括以下步骤：
S1：实时获取若干个时间段内无人车队的车辆行驶数据，并通过每辆车上的V2V通信模块，将采集到的数据以固定频率广播给周围的车辆，并判断各个车辆的数据接收频率是否出现异常；
S2：将数据接收频率出现异常的车辆标记为潜在故障车辆，并对潜在故障车辆的网络通信状态进行监测分析，根据通信数据延迟的情况和通信范围的稳定性，评估无人车队车辆之间V2V通信的实时性；
S3：根据评估结果，将无人车队车辆之间V2V通信的实时性划分为实时通信和非实时通信，并将对应的数据划分为实时通信数据和非实时通信数据；
S4：对无人车队车辆之间V2V通信的非实时通信数据的准确性进行分析，以识别出数据中的误差和异常，并根据分析结果调整车辆的行驶轨迹和速度，优化车队的整体轨迹跟踪性能，降低误差。
在一个优选的实时方式中，通过滑动窗口统计分析判断各个车辆的数据接收频率是否出现异常，具体为：
设定滑动窗口的大小和滑动步长，以及预期接收频率和频率阈值；
实时记录每个接收到的数据包的时间戳；
初始化滑动窗口的位置，从数据记录的起始时间开始；
在每个窗口内，统计接收到的数据包数量，计算接收频率；
判断接收频率是否小于频率阈值，若接收频率小于频率阈值，将其标记异常窗口，并统计连续异常窗口的数量；
如果连续异常窗口数量大于等于设定的数量阈值，则标记为潜在故障车辆，并生成报告和通知。
在一个优选的实时方式中，根据固定时间段内的通信延迟数据生成通信延迟偏差指数，通信延迟偏差指数的获取方法为：
实时获取固定时间段内的通信延迟数据，记录每个数据包的发送和接收时间，计算通信延迟，计算固定时间段内所有通信延迟数据的均值和标准差；
根据均值和标准差计算控制图中的控制线，包括中心线CL，即控制图的中心线，等于延迟数据的均值，上控制限UCL为：UCL=；式中，EX为延迟数据的均值，σ为延迟数据的标准差，k为控制限参数；下控制限LCL为；UCL=；
绘制延迟数据的均值控制图和范围控制图，通过控制图检测存在大于等于控制限的异常点，根据延迟数据与均值及控制限的偏差情况，计算通信延迟偏差指数，具体的计算表达式为：；式中，n为延迟数据点的总数，表示第i个数据点的延迟值，为通信延迟偏差指数。
在一个优选的实时方式中，通过V2V通信模块测量车辆之间的有效通信距离，记录潜在故障车辆在不同位置的通信质量，根据通信范围内车辆在不同位置的通信质量变化情况生成通信质量分布异常指数，则通信质量分布异常指数的获取方法为：
获取潜在故障车辆在不同位置的通信质量数据，整理采集到的通信质量数据，进行插值分析，根据数据特性构建变异函数模型，模型具体的计算表达式为：
；式中，距离为h时的变异函数值，Wh为距离为h的采样对数，为位置处的通信质量值，处的通信质量值；
在空间范围内定义插值网格，确定插值的目标位置，使用克里金插值方法，根据已知数据点预测插值网格中各位置的通信质量，具体的预测表达式为：=；式中，s为位置编号，为位置处的差值预测值，克里金权重，m为位置总数量；计算实际测量值与插值预测值之间的偏差，根据偏差计算通信质量分布异常指数，具体的计算表达式为：；式中，为通信质量分布异常指数。
在一个优选的实时方式中，将通信质量分布异常指数和通信延迟偏差指数进行归一化处理，通过归一化处理后的通信质量分布异常指数和通信延迟偏差指数计算无人车队车辆之间V2V通信的实时性分析系数。
在一个优选的实时方式中，将获取到的无人车队车辆之间V2V通信的实时性分析系数与实时性分析系数参考阈值进行比较，若无人车队车辆之间V2V通信的实时性分析系数大于等于实时性分析系数参考阈值，将无人车队车辆之间V2V通信的实时性划分为实时通信，并将对应的数据划分为实时通信数据，此时生成无人车队车辆之间V2V通信正常信号；若无人车队车辆之间V2V通信的实时性分析系数小于实时性分析系数参考阈值，将无人车队车辆之间V2V通信的实时性划分为非实时通信，并将对应的数据划分为非实时通信数据，此时生成无人车队车辆之间V2V通信异常信号。
在一个优选的实时方式中，当无人车队车辆之间V2V通信数据为非实时通信数据时，即在一段时间内生成的实时性分析系数小于实时性分析系数参考阈值，并将后续一段时间内生成的实时性分析系数进行收集，建立相应的数据集合，对数据集合内小于实时性分析系数参考阈值的实时性分析系数进行分析，计算非实时通信数据的准确性异常指数。
在一个优选的实时方式中，其中，非实时通信数据的准确性异常指数的具体计算表达式为：；式中，为非实时通信数据的准确性异常指数，Q为数据集合内小于实时性分析系数参考阈值的实时性分析系数的编号，为数据集合内小于实时性分析系数参考阈值的实时性分析系数，F数据集合内实时性分析系数的总数，为实时性分析系数参考阈值。
在一个优选的实时方式中，将获取到的非实时通信数据的准确性异常指数与准确性异常指数参考阈值进行比较，若非实时通信数据的准确性异常指数大于等于准确性异常指数参考阈值，此时生成通信数据不准确信号，立即调整车辆的速度，以减少跟随距离和响应时间，从而降低车辆实际行驶路径与理想路径之间的差距；
若非实时通信数据的准确性异常指数小于准确性异常指数参考阈值，此时生成通信数据准确信号，并实时更新车辆控制系统，从而优化车队整体轨迹跟踪性能。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明通过实时获取车辆行驶数据，并利用V2V通信模块以固定频率广播数据，检测和标记数据接收频率异常的车辆为潜在故障车辆，对其网络通信状态进行监测分析，评估V2V通信的实时性。根据评估结果，将通信数据划分为实时通信和非实时通信，进一步对非实时通信数据的准确性进行分析，识别误差和异常，并根据分析结果调整车辆行驶轨迹和速度，优化车队整体轨迹跟踪性能，降低相对误差。该方法通过持续监测和分析通信数据，确保了车辆在各种环境中的高效运行，显著提升了车队的协调性和安全性。
2、本发明通过精确的异常检测和实时性分析，本方法能够及时识别并处理通信数据中的误差，减少因无线信号干扰导致的数据传输延迟和丢包问题，保障了车辆之间信息传递的准确性和及时性。通过调整车辆的行驶轨迹和速度，提高了车队在复杂交通环境下的响应能力和整体运行效率，降低了碰撞风险和行驶误差，显著提高了无人车队的运行安全性和整体效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例，请参阅图1所示，本实施例所述一种无人车队轨迹跟踪误差测试方法，包括以下步骤：
S1：实时获取若干个时间段内无人车队的车辆行驶数据，并通过每辆车上的V2V通信模块，将采集到的数据以固定频率广播给周围的车辆，并判断各个车辆的数据接收频率是否出现异常；
S2：将数据接收频率出现异常的车辆标记为潜在故障车辆，并对潜在故障车辆的网络通信状态进行监测分析，根据通信数据延迟的情况和通信范围的稳定性，评估无人车队车辆之间V2V通信的实时性；
S3：根据评估结果，将无人车队车辆之间V2V通信的实时性划分为实时通信和非实时通信，并将对应的数据划分为实时通信数据和非实时通信数据；
S4：对无人车队车辆之间V2V通信的非实时通信数据的准确性进行分析，以识别出数据中的误差和异常，并根据分析结果调整车辆的行驶轨迹和速度，优化车队的整体轨迹跟踪性能，降低误差。
其中，在S1中，实时获取若干个时间段内无人车队的车辆行驶数据，并通过每辆车上的V2V通信模块，将采集到的数据以固定频率广播给周围的车辆，并判断各个车辆的数据接收频率是否出现异常，主要包括：
在无人车队轨迹跟踪误差测试中，车辆通过安装在每辆车上的高精度传感器（如GPS和IMU），实时获取行驶数据，包括位置信息、速度和方向。这些数据在若干个时间段内（例如每秒钟或更短的时间间隔）进行记录，确保可以持续监控和分析每辆车的动态行为。每辆车通过其V2V通信模块，以固定频率（如每100毫秒）将这些实时数据广播给周围的车辆，这样每辆车都能及时获得其他车辆的最新行驶信息，进行必要的路径调整和速度控制，以实现车队的协调和安全行驶。
通过滑动窗口统计分析判断各个车辆的数据接收频率是否出现异常，具体为：
设定滑动窗口的大小和滑动步长，以及预期接收频率和频率阈值；
实时记录每个接收到的数据包的时间戳；
初始化滑动窗口的位置，从数据记录的起始时间开始；
在每个窗口内，统计接收到的数据包数量，计算接收频率；
判断接收频率是否小于频率阈值，若接收频率小于频率阈值，将其标记异常窗口，并统计连续异常窗口的数量；
如果连续异常窗口数量大于等于设定的数量阈值，则标记为潜在故障车辆，并生成报告和通知。
在本发明中，通过滑动窗口统计分析判断各个车辆的数据接收频率是否出现异常，能够及时发现并标记潜在故障车辆，确保无人车队的协调和安全行驶。通过设定滑动窗口大小、步长、预期接收频率和频率阈值，实时记录和分析数据包接收情况，精确识别异常窗口和连续异常情况。其好处在于能够实时监控车辆通信状态，及时预警和处理潜在故障，避免因通信异常导致的轨迹偏差或碰撞风险，显著提升车队的整体稳定性和可靠性。
S2：将数据接收频率出现异常的车辆标记为潜在故障车辆，并对潜在故障车辆的网络通信状态进行监测分析，根据通信数据延迟的情况和通信范围的稳定性，评估无人车队车辆之间V2V通信的实时性。
根据滑动窗口统计分析结果，识别那些数据接收频率小于设定数量阈值的车辆。将这些接收频率异常的车辆标记为潜在故障车辆，方便后续的重点监测和分析。
实时记录潜在故障车辆接收到的每个数据包的时间戳，并与数据包的发送时间戳进行对比，计算通信延迟，根据固定时间段内的通信延迟数据生成通信延迟偏差指数，通信延迟偏差指数的获取方法为：
实时获取固定时间段内的通信延迟数据，记录每个数据包的发送和接收时间，计算通信延迟，计算固定时间段内所有通信延迟数据的均值和标准差；
根据均值和标准差计算控制图中的控制线，包括中心线CL，即控制图的中心线，等于延迟数据的均值，上控制限UCL为：UCL=；式中，EX为延迟数据的均值，σ为延迟数据的标准差，k为控制限参数，通常取值为3，用于设置控制限的宽度（3σ原则）；下控制限LCL为；UCL=；
绘制延迟数据的均值控制图和范围控制图，通过控制图检测存在大于等于控制限的异常点，根据延迟数据与均值及控制限的偏差情况，计算通信延迟偏差指数，具体的计算表达式为：；式中，n为延迟数据点的总数，表示第i个数据点的延迟值，为通信延迟偏差指数。
通信延迟偏差指数通过计算每个数据包延迟值与均值之间的标准化偏差来反映通信延迟的波动性。当偏差指数较大时，表明延迟数据的波动范围较大，即延迟时间的不稳定性增加。这种不稳定性意味着车辆无法在预期的时间内接收到其他车辆的位置信息和控制指令，从而影响车辆的实时反应能力。
在无人车队中，V2V通信的实时性对于保持车队的协调和安全至关重要。如果通信延迟偏差指数较大，表示通信延迟时间变化剧烈，部分车辆可能会因为延迟过长而无法及时获取前车的位置信息，导致无法及时做出路径调整和速度控制。这种情况严重影响车队的同步性和整体响应速度，增加了车队行驶过程中的风险。
实时通信是无人车队保持安全行驶的重要保障。偏差指数较大的情况下，通信延迟的不稳定性增加，车辆之间可能出现信息传递不及时的现象，导致车辆无法准确判断前车的运动状态，增加碰撞和事故的风险。例如，在紧急制动或避障时，如果后车无法及时接收到前车的制动信号，就可能导致追尾事故。
检测潜在故障车辆的通信范围变化，通过记录和分析不同位置的数据包接收情况，评估通信范围的稳定性。通过V2V通信模块测量车辆之间的有效通信距离，记录潜在故障车辆在不同位置的通信质量，根据通信范围内车辆在不同位置的通信质量变化情况生成通信质量分布异常指数，则通信质量分布异常指数的获取方法为：
获取潜在故障车辆在不同位置的通信质量数据，包括位置（如GPS坐标）和通信质量指标（如信号强度、丢包率）；整理采集到的通信质量数据，进行插值分析，根据数据特性构建变异函数模型，模型具体的计算表达式为：；式中，距离为h时的变异函数值，Wh为距离为h的采样对数，为位置处的通信质量值，处的通信质量值；
在空间范围内定义插值网格，确定插值的目标位置，使用克里金插值方法，根据已知数据点预测插值网格中各位置的通信质量，具体的预测表达式为：=；式中，s为位置编号，为位置处的差值预测值，克里金权重，m为位置总数量；计算实际测量值与插值预测值之间的偏差，根据偏差计算通信质量分布异常指数，具体的计算表达式为：；式中，为通信质量分布异常指数。
当通信质量分布异常指数较大时，表示在不同位置上通信质量的波动性较高，信号强度和丢包率存在显著差异。这意味着在某些位置，通信延迟可能会显著增加，导致数据包丢失频繁，影响车辆之间信息的及时交换。
较高的通信质量分布异常指数反映了V2V通信的不稳定性和不可靠性。车辆在不同位置上获取到的信息质量不一致，可能无法及时获取周围车辆的位置信息和动态数据，从而影响车辆的实时路径调整和速度控制，降低了车队的整体协调性和实时响应能力。
V2V通信实时性差直接影响车队的安全性，特别是在高密度交通环境或复杂路况下。较大的通信质量分布异常指数可能导致车辆无法准确预测和响应前车的行为，增加碰撞和事故的风险。因此，维持较低的通信质量分布异常指数对于确保无人车队的安全和高效运行至关重要。
将通信质量分布异常指数和通信延迟偏差指数进行归一化处理，通过归一化处理后的通信质量分布异常指数和通信延迟偏差指数计算无人车队车辆之间V2V通信的实时性分析系数。
例如，本发明可以采用如下公式进行无人车队车辆之间V2V通信的实时性分析系数的计算，计算表达式为：；式中，为无人车队车辆之间V2V通信的实时性分析系数，为通信延迟偏差指数，为通信质量分布异常指数，为通信质量分布异常指数和通信延迟偏差指数的比例系数，且0。
S3：根据评估结果，将无人车队车辆之间V2V通信的实时性划分为实时通信和非实时通信，并将对应的数据划分为实时通信数据和非实时通信数据；
将获取到的无人车队车辆之间V2V通信的实时性分析系数与实时性分析系数参考阈值进行比较，若无人车队车辆之间V2V通信的实时性分析系数大于等于实时性分析系数参考阈值，说明无人车队车辆之间V2V通信的实时性较高，将无人车队车辆之间V2V通信的实时性划分为实时通信，并将对应的数据划分为实时通信数据，此时生成无人车队车辆之间V2V通信正常信号；若无人车队车辆之间V2V通信的实时性分析系数小于实时性分析系数参考阈值，说明无人车队车辆之间V2V通信的实时性较低，将无人车队车辆之间V2V通信的实时性划分为非实时通信，并将对应的数据划分为非实时通信数据，此时生成无人车队车辆之间V2V通信异常信号。
S4：对无人车队车辆之间V2V通信的非实时通信数据的准确性进行分析，以识别出数据中的误差和异常，并根据分析结果调整车辆的行驶轨迹和速度，优化车队的整体轨迹跟踪性能，降低误差。
当无人车队车辆之间V2V通信数据为非实时通信数据时，即在一段时间内生成的实时性分析系数小于实时性分析系数参考阈值，并将后续一段时间内生成的实时性分析系数进行收集，建立相应的数据集合，对数据集合内小于实时性分析系数参考阈值的实时性分析系数进行分析，计算非实时通信数据的准确性异常指数。
其中，非实时通信数据的准确性异常指数的具体计算表达式为：；式中，为非实时通信数据的准确性异常指数，Q为数据集合内小于实时性分析系数参考阈值的实时性分析系数的编号，为数据集合内小于实时性分析系数参考阈值的实时性分析系数，F数据集合内实时性分析系数的总数，为实时性分析系数参考阈值。
将获取到的非实时通信数据的准确性异常指数与准确性异常指数参考阈值进行比较，若非实时通信数据的准确性异常指数大于等于准确性异常指数参考阈值，此时生成通信数据不准确信号，立即调整车辆的速度，以减少跟随距离和响应时间，从而降低车辆实际行驶路径与理想路径之间的差距；若非实时通信数据的准确性异常指数小于准确性异常指数参考阈值，此时生成通信数据准确信号，并实时更新车辆控制系统，从而优化车队整体轨迹跟踪性能。
在本实施例中，通过实时获取无人车队的车辆行驶数据，并利用V2V通信模块将数据以固定频率广播给周围车辆，可以有效监测和判断各车辆的数据接收频率是否异常，及时标记潜在故障车辆，并进行网络通信状态的深入分析。根据通信数据的延迟和稳定性评估V2V通信的实时性，将通信数据划分为实时和非实时通信数据，并对非实时通信数据进行准确性分析，识别出数据中的误差和异常。根据分析结果调整车辆行驶轨迹和速度，优化车队整体轨迹跟踪性能，从而降低误差。确保了车队运行的高效性、协调性和安全性，提高了通信和控制系统的可靠性。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (6)

1.一种无人车队轨迹跟踪误差测试方法，其特征在于：包括以下步骤：
S1：实时获取若干个时间段内无人车队的车辆行驶数据，并通过每辆车上的V2V通信模块，将采集到的数据以固定频率广播给周围的车辆，并判断各个车辆的数据接收频率是否出现异常；
S2：将数据接收频率出现异常的车辆标记为潜在故障车辆，并对潜在故障车辆的网络通信状态进行监测分析，根据通信数据延迟的情况和通信范围的稳定性，评估无人车队车辆之间V2V通信的实时性；
步骤S2具体包括：根据固定时间段内的通信延迟数据生成通信延迟偏差指数，通信延迟偏差指数的获取方法为：
实时获取固定时间段内的通信延迟数据，记录每个数据包的发送和接收时间，计算通信延迟，计算固定时间段内所有通信延迟数据的均值和标准差；
根据均值和标准差计算控制图中的控制线，包括中心线CL，即控制图的中心线，等于延迟数据的均值，上控制限UCL为：UCL＝EX+kσ；式中，EX为延迟数据的均值，σ为延迟数据的标准差，k为控制限参数；下控制限LCL为；LCL＝EX-kσ；
绘制延迟数据的均值控制图和范围控制图，通过均值控制图和范围控制图检测存在大于等于上控制限的异常点，根据延迟数据与均值及上控制限的偏差情况，计算通信延迟偏差指数，具体的计算表达式为：式中，n为延迟数据点的总数，Xi表示第i个数据点的延迟值，CDP为通信延迟偏差指数；
通过V2V通信模块测量车辆之间的有效通信距离，记录潜在故障车辆在不同位置的通信质量，根据通信范围内车辆在不同位置的通信质量变化情况生成通信质量分布异常指数，则通信质量分布异常指数的获取方法为：
获取潜在故障车辆在不同位置的通信质量数据，整理采集到的通信质量数据，进行插值分析，根据数据特性构建变异函数模型，模型具体的计算表达式为：
式中，Gh为距离为h时的变异函数值，Wh为距离为h的采样对数，zxs为位置xs处的通信质量值，z(xs+h)为(xs+h)处的通信质量值；
在空间范围内定义插值网格，确定插值的目标位置，使用克里金插值方法，根据已知数据点预测插值网格中各位置的通信质量，具体的预测表达式为：式中，s为位置编号，zx0为位置x0处的插值预测值，d为克里金权重，m为位置总数量；计算实际测量值与插值预测值之间的偏差，根据偏差计算通信质量分布异常指数，具体的计算表达式为：式中，KH为通信质量分布异常指数；
将通信质量分布异常指数和通信延迟偏差指数进行归一化处理，通过归一化处理后的通信质量分布异常指数和通信延迟偏差指数计算无人车队车辆之间V2V通信的实时性分析系数；
计算无人车队车辆之间V2V通信的实时性分析系数，计算表达式为：
式中，KM为无人车队车辆之间V2V通信的实时性分析系数，CDP为通信延迟偏差指数，KH为通信质量分布异常指数，a1、a2为通信质量分布异常指数和通信延迟偏差指数的比例系数，且a2>a1>0；
S3：根据评估结果，将无人车队车辆之间V2V通信的实时性划分为实时通信和非实时通信，并将对应的数据划分为实时通信数据和非实时通信数据；
S4：对无人车队车辆之间V2V通信的非实时通信数据的准确性进行分析，以识别出数据中的误差和异常，并根据分析结果调整车辆的行驶轨迹和速度，优化车队的整体轨迹跟踪性能，降低误差。
2.根据权利要求1所述的一种无人车队轨迹跟踪误差测试方法，其特征在于：通过滑动窗口统计分析判断各个车辆的数据接收频率是否出现异常，具体为：
设定滑动窗口的大小和滑动步长，以及预期接收频率和频率阈值；
实时记录每个接收到的数据包的时间戳；
初始化滑动窗口的位置，从数据记录的起始时间开始；
在每个窗口内，统计接收到的数据包数量，计算接收频率；
判断接收频率是否小于频率阈值，若接收频率小于频率阈值，将其标记异常窗口，并统计连续异常窗口的数量；
如果连续异常窗口数量大于等于设定的数量阈值，则标记为潜在故障车辆，并生成报告和通知。
3.根据权利要求1所述的一种无人车队轨迹跟踪误差测试方法，其特征在于：将获取到的无人车队车辆之间V2V通信的实时性分析系数与实时性分析系数参考阈值进行比较，若无人车队车辆之间V2V通信的实时性分析系数大于等于实时性分析系数参考阈值，将无人车队车辆之间V2V通信的实时性划分为实时通信，并将对应的数据划分为实时通信数据，此时生成无人车队车辆之间V2V通信正常信号；若无人车队车辆之间V2V通信的实时性分析系数小于实时性分析系数参考阈值，将无人车队车辆之间V2V通信的实时性划分为非实时通信，并将对应的数据划分为非实时通信数据，此时生成无人车队车辆之间V2V通信异常信号。
4.根据权利要求1所述的一种无人车队轨迹跟踪误差测试方法，其特征在于：当无人车队车辆之间V2V通信数据为非实时通信数据时，即在一段时间内生成的实时性分析系数小于实时性分析系数参考阈值，并将后续一段时间内生成的实时性分析系数进行收集，建立相应的数据集合，对数据集合内小于实时性分析系数参考阈值的实时性分析系数进行分析，计算非实时通信数据的准确性异常指数。
5.根据权利要求4所述的一种无人车队轨迹跟踪误差测试方法，其特征在于：其中，非实时通信数据的准确性异常指数的具体计算表达式为：式中，TX为非实时通信数据的准确性异常指数，Q为数据集合内小于实时性分析系数参考阈值的实时性分析系数的编号，KMQ为数据集合内小于实时性分析系数参考阈值的实时性分析系数，F为数据集合内实时性分析系数的总数，KW为实时性分析系数参考阈值。
6.根据权利要求5所述的一种无人车队轨迹跟踪误差测试方法，其特征在于：将获取到的非实时通信数据的准确性异常指数与准确性异常指数参考阈值进行比较，若非实时通信数据的准确性异常指数大于等于准确性异常指数参考阈值，此时生成通信数据不准确信号，立即调整车辆的速度，以减少跟随距离和响应时间，从而降低车辆实际行驶路径与理想路径之间的差距；
若非实时通信数据的准确性异常指数小于准确性异常指数参考阈值，此时生成通信数据准确信号，并实时更新车辆控制系统，从而优化车队整体轨迹跟踪性能。
CN202410985858.1A 2024-07-23 2024-07-23 一种无人车队轨迹跟踪误差测试方法 Active CN118524414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410985858.1A CN118524414B (zh) 2024-07-23 2024-07-23 一种无人车队轨迹跟踪误差测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410985858.1A CN118524414B (zh) 2024-07-23 2024-07-23 一种无人车队轨迹跟踪误差测试方法

Publications (2)

Publication Number Publication Date
CN118524414A CN118524414A (zh) 2024-08-20
CN118524414B true CN118524414B (zh) 2024-11-05

Family

ID=92282429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410985858.1A Active CN118524414B (zh) 2024-07-23 2024-07-23 一种无人车队轨迹跟踪误差测试方法

Country Status (1)

Country Link
CN (1) CN118524414B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121007718B (zh) * 2025-08-01 2026-03-27 北京峰智科技有限公司 车辆检测方法、装置、计算机设备、可读存储介质和程序产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置
CN114643994A (zh) * 2022-04-02 2022-06-21 驭势科技（北京）有限公司 车辆横向异常检测方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9927816B2 (en) * 2016-05-13 2018-03-27 Macau University Of Science And Technology System and method for operating a follower vehicle in a vehicle platoon
CN115358530A (zh) * 2022-07-26 2022-11-18 上海交通大学 一种车路协同感知路侧测试数据质量评价方法
CN119998183A (zh) * 2022-08-19 2025-05-13 特斯拉公司 用于自动驾驶车辆的具有对组件级系统延迟进行动态建模的实时轨迹规划系统
CN117315935B (zh) * 2023-09-27 2026-01-30 江苏大学 通信延迟下基于运动状态估计的智能车队跟随控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置
CN114643994A (zh) * 2022-04-02 2022-06-21 驭势科技（北京）有限公司 车辆横向异常检测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN118524414A (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
Orsini et al. Large‐scale road safety evaluation using extreme value theory
CN118524414B (zh) 一种无人车队轨迹跟踪误差测试方法
CN115566804B (zh) 一种基于分布式光纤传感技术的电力监测系统
CN111612378A (zh) 潜在碰撞风险预测方法、装置及计算机设备
CN118382024B (zh) 一种5g网络的纺织设备能耗实时采集方法及系统
CN118574143B (zh) 一种无线通讯导航的通讯检测方法及系统
CN116839656A (zh) 一种用于工业互联网的工业现场监测系统及检测方法
CN115294771A (zh) 路侧设备的监控方法和装置、电子设备和存储介质
CN121140142B (zh) 一种智慧实验室的通风设备预警方法及系统
CN116704822A (zh) 基于大数据的通信处理方法及系统
CN118991870A (zh) 一种铁路货物运输状态预警方法及系统
CN119740192B (zh) 一种路侧视角下基于多源数据融合的车辆状态采集方法
CN119922069B (zh) 基于多源数据融合的公共数据安全管控系统及方法
CN101782763B (zh) 统计过程控制的监控方法
CN118908074B (zh) 在电网建设场景下的汽车起重机防碰撞防近电装置及系统
CN115545452A (zh) 运维方法、运维系统、设备及存储介质
CN119939175A (zh) 一种基于人工智能的数据治理全链路监控系统及方法
CN117914742B (zh) 一种基于物联网设备通信入网的连接状态监测方法及系统
CN119228362A (zh) 设备监控方法、系统、设备以及介质
CN119961707A (zh) 一种环境空气监测过程中异常数据处理方法
CN118503051A (zh) 一种营销系统全渠道统一接入系统
CN117907685A (zh) 链路信号中电阻值的测量方法、装置和计算机设备
CN118009253A (zh) 一种基于机器学习的天然气管道泄露检测方法及系统
CN116720601A (zh) 一种铁路无线通信质量预测方法、装置及存储介质
CN110519788B (zh) 一种物理环境传感器辅助的无线通信链路质量估计方法

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