城市场景中无人驾驶车群模型构建方法

1.本发明涉及无人驾驶领域，具体涉及城市场景中无人驾驶车群模型构建方法。


背景技术：

2.无人驾驶汽车依靠车载传感器感知周围环境并依据感知结果控制车辆，在不需要人类主动操作的情况下即可自动安全地操作机动车辆。最初的无人驾驶车辆可能成本较高且性能有限，从本世纪30年代或者40年代开始，无人驾驶汽车成本将逐步降低，变得能够普及大众。无人驾驶汽车预计在本世纪20年代末实现无需驾驶员的l5级完全自动驾驶并在某些地区合法使用。
3.虽然无人驾驶汽车可以使用车载传感设备感知周围环境，但车辆在运动过程中客观存在盲区和视野遮挡等问题，尤其是在大雾和雨雪天气，车载传感设备的感知范围大大降低，使得无人驾驶汽车不能全面准确的感知周围环境，导致潜在的安全隐患。通过将位置邻近和移动性相近的无人驾驶车辆组成车群，车群成员之间通过无线通信实现感知结果共享，可以消除视野盲区，更好的帮助无人驾驶车辆感知周围环境并做出决策。
4.无人驾驶单智能体客观存在感知受限等缺陷，难以有效支撑城市场景中的车辆运动行为智能化。无人驾驶车群可以实现数据共享，从而可以提升感知能力，推动自动驾驶技术广泛应用，无疑有非常重要的意义。目前在无人驾驶车群构建方法领域已有部分研究，但是要应用到城市场景中，还存在以下问题：
5.(1)负载集中：现有面向封闭式和高速公路场景的半集中式无人驾驶车群构建方法依赖引领节点构建和维护车群结构。在城市场景中，无人驾驶车辆的运动受到有人驾驶、路边障碍物、红绿灯和行人等干扰的影响，使得车群成员之间的跟随关系频繁变化，导致引领节点的计算和网络负载过高。
6.(2)缺乏连通度量指标：现有的无人驾驶车群构建方法仅考虑无人驾驶车辆之间的速度、位置和目的地等属性，缺乏无人驾驶车辆之间的连通度量指标，难以保证车群成员之间连通质量。


技术实现要素：

7.发明目的：
8.针对以上问题，本发明基于([4]程久军、原桂远等发明人于2022年11月28日申请的《城市场景中无人驾驶网络性能影响因素预测方法》(申请人：同济大学，专利申请号：202211505688x))，给出一种无人驾驶车群模型构建方法，通过考虑无人驾驶车辆的活跃度、先感度和移动性差异度，选择部分无人驾驶车辆作为无人驾驶车群引领节点，进一步的基于无人驾驶车群的连通性、耦合性和实时性给出无人驾驶车群模型构建方法，最后，给出基于分布式多目标优化的无人驾驶车群模型求解方法。仿真实验中给出了相应的评价指标对无人驾驶车群模型进行评估，验证无人驾驶车群模型的有效性。从而可以通过无人驾驶车群成员之间共享感知信息提升无人驾驶车辆的感知能力进而实现无人驾驶车辆运动行
为智能协同，建立可广泛推广应用的无人驾驶车群。
[0009]
本发明的技术方案实现具体包括如下步骤：
[0010]
步骤1.无人驾驶车群引领节点选择
[0011]
步骤1.1相关定义
[0012]
步骤1.2无人驾驶车辆的活跃度度量
[0013]
步骤1.3无人驾驶车辆的先感度度量
[0014]
步骤1.4无人驾驶车辆的移动性差异度度量
[0015]
步骤1.5无人驾驶车群引领节点选择
[0016]
步骤2.无人驾驶车群模型构建
[0017]
步骤2.1无人驾驶车群的连通性度量
[0018]
步骤2.2无人驾驶车群的耦合性度量
[0019]
步骤2.3无人驾驶车群的实时性度量
[0020]
步骤2.4无人驾驶车群模型
[0021]
步骤3.无人驾驶车群模型求解
[0022]
步骤3.1无人驾驶车群模型求解
[0023]
有益效果：
[0024]
本发明公开了一种城市场景中无人驾驶车群模型构建方法，提供一种能够实现无人驾驶车群成员之间共享感知信息和保障无人驾驶车群运动行为智能化的方法，从而得到无人驾驶车群在城市场景中能够广泛应用的方法。
附图说明
[0025]
图1无人驾驶车群引领节点选择流程
[0026]
图2无人驾驶车群模型求解流程
[0027]
图3sumo仿真软件及人工设计的仿真场景示意图
[0028]
图4sumo仿真软件及实际路网的仿真场景示意图
[0029]
图5人工设计场景中不同速度下车群的平均连通性
[0030]
图6人工设计场景中不同速度下车群的平均耦合性
[0031]
图7人工设计场景中不同速度下车群的平均实时性
[0032]
图8人工设计场景中不同速度下车群引领节点的平均存活时间
[0033]
图9人工设计场景中不同速度下车群次级引领节点平均存活时间
[0034]
图10人工设计场景中不同速度下车群普通节点平均存活时间
[0035]
图11实际路网场景中不同车辆数目下车群的平均连通性
[0036]
图12实际路网场景中不同车辆数目下车群的平均耦合性
[0037]
图13实际路网场景中不同车辆数目下车群的平均实时性
[0038]
图14实际路网场景中不同车辆数目下车群引领节点平均存活时间
[0039]
图15实际路网场景中不同车辆数目下车群次级引领节点平均存活时间
[0040]
图16实际路网场景中不同车辆数目下车群普通节点平均存活时间
[0041]
图17实际路网场景中不同速度下车群的平均连通性
[0042]
图18实际路网场景中不同速度下车群的平均耦合性
[0043]
图19实际路网场景中不同速度下车群的平均实时性
[0044]
图20实际路网场景中不同速度下车群引领节点平均存活时间
[0045]
图21实际路网场景中不同速度下车群次级引领节点平均存活时间
[0046]
图22实际路网场景中不同速度下车群普通节点平均存活时间
[0047]
图23表1人工设计场景中仿真实验配置
[0048]
图24表2实际路网场景中仿真实验配置
[0049]
图25本发明的流程图
[0050]
图26中国专利申请(申请号202211505688x)中无人驾驶网络性能影响因素预测模型框架图
具体实施方式
[0051]
下面将结合具体实施例及其附图对本技术提供的技术方案作进一步说明。结合下面说明，本技术的优点和特征将更加清楚。
[0052]
本发明具体包括如下4个方面：
[0053]
步骤1无人驾驶车群引领节点选择
[0054]
步骤2无人驾驶车群模型构建
[0055]
步骤3无人驾驶车群模型求解
[0056]
步骤4仿真实验验证
[0057]
详述如下：
[0058]
步骤1无人驾驶车群引领节点选择
[0059]
该步骤为无人驾驶车群选择引领节点，引领节点位于车群最前方，具有较优的活跃度、先感度和移动性差异度。无人驾驶车群引领节点选择具体包含如下5个子步骤：
[0060]
(1)相关定义
[0061]
定义1：城市场景中无人驾驶车辆和外界干扰为：
[0062]
u＝(v，m，o，e，q)
[0063]
其中，表示无人驾驶车辆集合，vi表示一个无人驾驶车辆，表示正整数集合，表示有人驾驶车辆集合，mj表示一个有人驾驶车辆，表示路边障碍物集合，ok表示一个路边障碍物，表示一个路边障碍物，表示红路灯集合，e
l
表示一个红绿灯，表示行人集合，qh表示一个行人。
[0064]
定义2：城市场景中无人驾驶车群表示为：
[0065][0066]
其中，v表示无人驾驶车辆集合，t＝{0，1，2，3}表示无人驾驶车辆类型集合，其中0、1和2分别表示无人驾驶车群引领、次级引领和普通节点，3表示游离节点，表示无人驾驶车群集合，gi＝(vi，vi，ri)表示一个无人驾驶车群，其中vi是车群gi的引领节点，vi为车群gi的成员集合，ri表示车群gi的成员之间的跟随关系集合，σ：v
→
t表示无人驾驶车辆类型映射函数。
[0067]
定义3：无人驾驶车群gi的引领节点和次级引领节点集合为：
[0068]
li＝{vj|(vj∈vi)∧(σ(vj)≤1)}
[0069]
其中，vj∈vi表示无人驾驶车辆vj为车群gi的成员，σ(vj)≤1表示vj为车群gi的引领或次级引领节点。
[0070]
定义4：无人驾驶车群gi中引领节点或次级引领节点vj∈li的跟随节点集合：
[0071]vij
＝{vk|(vj，vk)∈ri}
[0072]
其中，(vj，vk)∈ri表示无人驾驶车辆vk通过vj加入车群gi。
[0073]
(2)无人驾驶车辆的活跃度度量
[0074]
活跃度度量了无人驾驶车辆的活跃程度，无人驾驶车辆vi的活跃度为：
[0075][0076]
其中，ni＝{vj|d(vi，vj)≤r}表示vi的邻居无人驾驶车辆集合，d(vi，vj)表示vi与vj之间的距离，r表示无人驾驶车辆最大通信范围，|ni|表示集合ni的大小，α1(vi，vj)表示vi与vj之间的通信中断概率，1-α1(vi，vj)表示vi与vj之间是否存在通信链路。(α1(vi，vj)的计算过程记载于在中国发明申请202211505688x)。
[0077]
(3)无人驾驶车辆的先感度度量
[0078]
先感度度量了无人驾驶车辆领先感知障碍物的能力，无人驾驶车辆vi的先感度为：
[0079]
p(vi)＝|mi|+|oi|+|ei|+|qi|
[0080]
其中，|mi|、|oi|、|ei|和|qi|分别表示vi感知到的有人驾驶、障碍物、红绿灯和行人的数量。
[0081]
(4)无人驾驶车辆的移动性差异度度量
[0082]
移动性差异度度量了无人驾驶车辆与邻居无人驾驶车辆移动性的差异程度，无人驾驶车辆vi的移动性差异度为：
[0083][0084]
其中，表示无人驾驶车辆的最大速度，表示vi与vj之间的相对速度。
[0085]
(5)无人驾驶车群引领节点选择
[0086]
根据无人驾驶车辆活跃度、先感度和移动性差异度的含义，构建无人驾驶车群引领节点选择函数：
[0087][0088]
其中，和为权重系数用于将a(vi)、p(vi)和d(vi)归一化。
[0089]
无人驾驶车群引领节点选择方法(简称：算法1)具体过程如图1所示。
[0090]
s1)无人驾驶车辆与邻居无人驾驶车辆之间交换速度和位置等车辆属性信息(第1-5行)；
[0091]
s2)无人驾驶车辆计算活跃度、先感度、移动性差异度(第7行)。
[0092]
s3)无人驾驶车辆计算引领节点选择函数(第8行)。
[0093]
s4)无人驾驶车辆将引领节点选择函数值发送给邻居无人驾驶车辆(第9-11行)。
[0094]
s5)无人驾驶车辆将自身的引领节点选择函数值与邻居无人驾驶车辆的进行比较(第14行)。
[0095]
s6)如果无人驾驶车辆节点vi的引领节点选择函数值大于等于所有的邻居无人驾驶车辆，则vi转换为车群引领节点(第15-16行)。
[0096]
s7)如果无人驾驶车辆节点vi的引领节点选择函数值小于邻居无人驾驶车辆，vi向邻居无人驾驶车辆发送车群加入请求(第17-20行)。
[0097][0098]
步骤2无人驾驶车群模型构建
[0099]
该步骤针对现有无人驾驶车群构建方法缺乏连通度量指标的问题，给出无人驾驶车群连通性、耦合性和实时性度量方法，并以此为基础构建无人驾驶车群模型。无人驾驶车群模型构建具体包含如下4个子步骤：
[0100]
(1)无人驾驶车群的连通性度量
[0101]
无人驾驶车群的连通性度量了车群中引领与次级引领节点之间以及次级引领与普通节点之间的通信链路质量。无人驾驶车群gi的连通性为：
[0102][0103]
其中，ω(gi)表示无人驾驶车群gi的连通性，vj∈li表示无人驾驶车辆vj为车群gi的引领或次级引领节点，vk∈v
ij
表示无人驾驶车辆vk为vj的跟随节点，α1(vj，vk)、α2(vj，vk)和α3(vj，vk)分别表示vj与vk之间的通信中断概率、数据正确交付率和链路容量。(α1(vj，vk)、α2(vj，vk)和α3(vj，vk)的计算过程记载于在中国发明申请202211505688x)。
[0104]
性质1：无人驾驶车群的连通性随着车群成员之间数据正确交付率和链路容量的增大而增大，随着车群成员之间通信中断概率的增大而减小。
[0105]
证明：由无人驾驶车群gi的连通性的计算过程可知，对于任意vj∈li和vk∈v
ij
满足：
[0106][0107]
其中，表示车群gi的连通性关于vj和vk之间通信中断概率的偏导。
[0108]
因为α2(vj，vk)≥0且α3(vj，vk)≥0，所以：
[0109][0110]
由此可知，车群gi的连通性关于vj和vk之间通信中断概率的偏导小于等于0，即车群gi的连通性随着vj和vk之间通信中断概率的增加而减小。
[0111]
同理，有：
[0112]
目
[0113]
因此，无人驾驶车群的连通性随着车群成员之间数据正确交付率和链路容量的增大而增大，随着车群成员之间通信中断概率的增大而减小。
[0114]
(2)无人驾驶车群的耦合性度量
[0115]
无人驾驶车群的耦合性度量了车群中引领与次级引领节点之间以及次级引领与普通节点之间相互依赖的程度。无人驾驶车群gi的耦合性为：
[0116][0117]
其中，φ(gi)表示车群gi的耦合性，α4(vj，vk)表示vj与vk之间的连通时长。(α4(vj，vk)的计算过程记载于在中国发明申请202211505688x)。
[0118]
性质2：无人驾驶车群的耦合性随着车群成员之间连通时长的增大而增大。
[0119]
证明：由无人驾驶车群gi的耦合性的计算过程可知，对于任意vj∈li和vk∈v
ij
满足：
[0120][0121]
其中，表示车群gi的耦合性关于vj与vk之间连通时长的偏导。
[0122]
由此可知：
[0123][0124]
由此可知，车群gi的耦合性关于vj与vk之间连通时长的偏导大于零，即车群gi的耦
合性随着vj与vk之间连通时长的增大而增大。
[0125]
(3)无人驾驶车群的实时性度量
[0126]
无人驾驶车群的实时性度量了车群中引领与次级引领节点之间以及次级引领与普通节点之间通信的时间开销。无人驾驶车群gi的实时性为：
[0127][0128]
其中，γ(gi)表示车群gi的实时性，α5(vj，vk)和α6(vj，vk)分别表示vj与vk之间的数据传送延迟和通信往返时间。(α5(vj，vk)和α6(vj，vk)的计算过程记载于在中国发明申请202211505688x)。
[0129]
性质3：无人驾驶车群的实时性随着车群成员之间数据传送延迟和通信往返时间的增大而减小。
[0130]
证明：由无人驾驶车群gi的实时性的计算过程可知，对于任意vj∈li和vk∈v
ij
满足：
[0131][0132]
其中，表示车群gi的实时性关于vj与vk之间数据传送延迟的偏导。
[0133]
因为α6(vj，vk)＞0，所以有：
[0134][0135]
因此，车群gi的实时性关于vj与vk之间数据传送延迟的偏导小于零，即车群gi的实时性随vj与vk之间数据传送延迟的增大而减小。
[0136]
同理，可以得到：
[0137][0138]
因此，车群gi的实时性关于vj与vk之间通信往返时间的偏导小于零，即车群gi的实时性随着vj与vk之间通信往返时间的增大而减小。
[0139]
(4)无人驾驶车群模型
[0140]
无人驾驶车群模型为：
[0141][0142]
s.t.
[0143][0144]
其中，λ(gi)表示无人驾驶车群gi的车群模型，vj∈li表示无人驾驶车辆vj为车群gi的引领或次级引领节点，c
ij
＝{vk|σ(vk)＝3}表示vj的候选跟随节点集合，vj收到游离节点发送的车群加入请求后将其加入c
ij
，ci表示车群gi的候选成员集合，f
ij
表示经vj同意加入gi的游离节点集合，fi表示所有经车群gi中引领和次级引领节点同意加入车群gi的游离节点集合，表示车群gi未达到最大规模，表示数据流阻塞密度。表示vj与vk运动方向相同，pk《pj表示vj位于vk前方。
[0145]
定理1：无人驾驶车群模型基于车群网络容量限制无人驾驶车群最大规模。
[0146]
证明：由[1]可知，无人驾驶车群gi的网络容量为：
[0147][0148]
其中，和分别表示数据流在自由流状态下的最大密度和传输速度。
[0149]
根据无人驾驶车群模型可知，游离节点可以加入车群gi当且仅当当时，无人驾驶车群拒绝游离节点加入车群，因此，无人驾驶车群模型基于车群网络容量限制无人驾驶车群最大规模。
[0150]
步骤3无人驾驶车群模型求解
[0151]
该步骤给出一种基于多目标优化方法nsga-ii(non-dominated sorting genetic algorithm-ii)的分布式无人驾驶车群模型求解方法。无人驾驶车群模型求解具体包含如下2个子步骤：
[0152]
(1)车群模型求解
[0153]
基于多目标优化的无人驾驶车群模型求解算法(简称：算法2)的具体过程如如图2所示的流程图。
[0154]
s1)引领或次级引领节点vj∈li检查无人驾驶车群gi是否达到最大规模(第1行)。
[0155]
s2)如果无人驾驶车群gi达到最大规模，则车群gi拒绝游离节点加入车群(第2-3行)。
[0156]
s3)如果车群gi未达到最大规模，vj检查候选跟随节点集合c
ij
中的游离节点状态(第4行)。
[0157]
s4)vj检查游离节点是否与无人驾驶车群成员相对运动方向相同且位于vj后方(第5行)。
[0158]
s5)如果c
ij
中某个游离节点与无人驾驶车群成员相对运动方向不同或位于vj前方，vj将其从c
ij
中移除(第6-8行)。
[0159]
s6)vj初始化解的长度、迭代次数和解集合(第9-11行)。
[0160]
s7)vj通过交叉和变异操作由解集合生成解集合(第3行)。
[0161]
s8)将与合并后使用nsga-ii的非支配排序方法对解进行排序，从排序后的解中选择v个解生成新的解集合(第14-22行)。
[0162]
s9)vj检查是否达到最大迭代次数i(第12行)。
[0163]
s10)如果达到最大迭代次数i，从中随机选择一个解x作为无人驾驶车群模型的解(第23-25行)。
[0164]
[0165][0166]
基于分布式多目标优化的无人驾驶车群模型求解方法使用二进制编码方式表示无人驾驶车群模型的解。无人驾驶车群gi的引领或次级引领节点vj通过算法2获得车群模型的解x后，vj检查x的每一位取值。如果x中第j个元素为1，vj同意c
ij
中第j个无人驾驶车辆vj加入
gi
并向其发送允许加入车群消息。否则，vj拒绝其加入gi。
[0167]
(2)无人驾驶车群模型求解的相关性质证明
[0168]
定义5：无人驾驶车群模型的帕累托最优解集为：
[0169][0170]
其中，x是无人驾驶车群模型的一个帕累托最优解。s表示无人驾驶车群模型的解空间，表示解支配解x，即解对应的无人驾驶车群模型的连通性、耦合性和实时性均小于解x对应的无人驾驶车群模型的连通性、耦合性和实时性。
[0171]
定理2：算法2生成的解收敛至帕累托最优解集，即：
[0172][0173]
其中，x表示算法2生成的解，表示解x属于帕累托最优解集的概率。
[0174]
证明：因为无人驾驶车辆数目是有限的，所以引领和次级引领节点的候选跟随节点集合也是有限的。算法2可以通过有限次迭代遍历无人驾驶车群模型的解空间，即：
[0175][0176]
算法2使用nsga-ii的非支配排序方法对解集合进行排序，由此可知：
[0177][0178]
如果算法2生成的解x不收敛于则存在属于且不属于满足：
[0179][0180]
由此可知：
[0181][0182]
然而，包含和中所有的最优支配解，因此，中所有的最优支配解，因此，与nsga-ii的非支配排序方法矛盾。因此，算法2生成的解收敛至帕累托最优解集。
[0183]
步骤4仿真实验验证
[0184]
该步骤验证无人驾驶车群模型的有效性，本发明采用仿真实验来模拟车群的行为，包括车辆的移动和车辆间的通信行为，并对实验结果进行统计和分析。
[0185]
(1)仿真实验数据与方法
[0186]
ns3是一个开源的离散事件网络模拟器。sumo是一个能够模拟微观且连续的交通流工具。本发明分别使用sumo和ns3来模拟无人驾驶车辆的移动行为和通信行为。本发明使用人工设计和实际路网两个场景验证无人驾驶车群模型的有效性。人工设计场景如图3所示，其路网结构为一个横竖各10.2km的十字路口，模拟无人驾驶356辆，有人驾驶44辆，红绿灯41个，路边障碍物40个，行人400个，截取整个仿真过程中的200秒。为了覆盖从低速到高速的各个驾驶场景，仿真实验将车辆最大速度分别设置为5、10、15，20、25和30m/s，人工设计场景中其他参数如表1所示。实际路网场景如图4所示，其路网结构是使用openstreetmap生成的3km
×
2km上海市市区部分路网，该路网中包含3469个路段和94红绿灯，模拟路边障碍物60个和行人600个，截取整个仿真过程中的200秒。实际路网场景其他参数如表2所示。
[0187]
为了验证本发明无人驾驶车群模型的有效性，仿真实验设计如下：
[0188]
1)将人工设计和实际路网场景导入sumo并配置相关参数，然后导出两个场景中车辆的移动模型。
[0189]
2)使用ns3实现无人驾驶车辆之间的通信，并实现本发明的无人驾驶车群模型及其求解方法。
[0190]
3)将本发明提出的无人驾驶车群模型(autonomous vehicle group model,avgm)同cheng等人提出的面向高速公路的无人驾驶车群形成(autonomous vehicle group formation,avgf)
[2]
方法和面向车辆自组织网络的动态聚类(dynamic clustering,dc)
[3]
方法进行对比，分析avgm的优缺点。
[0191]
(2)仿真实验结果分析
[0192]
1)人工设计场景中的仿真实验结果
[0193]
无人驾驶车群的平均连通性度量了车群中引领与次级引领节点之间以及次级引
领与普通节点之间的通信链路质量，车群的平均连通性越大，车群成员之间的通信链路质量越高。在人工设计场景中，avgm、avgf和dc在不同车辆最大速度下的车群平均连通性如图5所示。avgm的车群平均连通性高于avgf和dc，这是因为avgm在选择游离节点时考虑了其加入车群后产生的连通性增量，并使用多目标优化方法对游离节点进行排序。
[0194]
无人驾驶车群的平均耦合性度量了车群中引领与次级引领节点之间以及次级引领与普通节点之间相互依赖的程度，车群的平均耦合性越大，车群成员之间相互依赖的程度更高。在人工设计场景中，avgm、avgf和dc在不同车辆最大速度下的车群平均耦合性如图6所示。avgm的车群平均耦合性明显高于avgf和dc。avgm的车群平均耦合性随车辆最大速度的增大而增大，这是因为随着车辆移动性的增加，游离节点可以更快的发现其他游离节点和车群。然后，avgm的车群平均耦合性保持在较高水平，这是因为游离节点加入产生的耦合性增量与车群成员离开产生的耦合性减量相抵消。最后，avgm的车群平均耦合性随最大速度的增加而降低，这是因为车群成员之间的相对速度差异增大。
[0195]
无人驾驶车群的平均实时性度量了车群中引领与次级引领节点之间以及次级引领与普通节点之间通信的时间开销，车群的平均实时性越大，车群成员之间通信的时间开销越小。在人工设计场景中，avgm、avgf和dc在不同车辆最大速度下的车群平均实时性如图7所示。avgm的实时性高于avgf和dc。avgm的车群平均实时性随车辆最大速度的增加而增加，这是因为车辆节点的移动性随最大速度的增加而增加，使车辆之间的相对距离增大，进而降低了车辆节点之间的通信干扰。
[0196]
车群成员的平均存活时间表示无人驾驶车辆成为该角色到放弃该角色的时长，引领、次级引领和普通节点的平均存活时间分别如图8、图9和图10所示。avgm的引领和次级引领节点平均存活时间大于avgf和dc，这是因为avgm考虑了车群成员之间的连通时长。avgm的普通节点存活时间略低于avgf，这是因为avgm要求次级引领节点位于普通节点前方，而avgf没有此限制。
[0197]
2)实际路网场景中的仿真实验结果
[0198]
在实际路网场景中，固定无人驾驶车辆最大速度为60km/h并将车辆数目分别设置为600、700、800、900和1000，其中随机选择10％的车辆作为有人驾驶车辆，剩余车辆设置为无人驾驶车辆，统计avgm、avgf和dc在不同车辆密度下无人驾驶车群的平均连通性、耦合性和实时性，结果分别如图11、图12和图13所示。avgm的车群平均连通性在不同车辆数目下均高于avgf和dc。虽然车群规模随着车辆密度的增加而增加，但车群成员之间需要交换的信息量增加，导致车群成员的链路容量随着车群规模的增大而减少。因此，avgm的车群平均连通性在不同车辆数目下相对稳定。无人驾驶车辆节点之间的连通时长主要受车辆接地点之间的相对速度影响，因此，avgm的车群平均耦合性在不同车辆数目下相对稳定。随着无人驾驶车辆密度的增加，车辆节点之间通信干扰增大，因此，avgm的车群平均实时性随着车辆数目的增加而增加。
[0199]
在实际路网场景中，avgm、avgf和dc在不同车辆密度下引领、次级引领和普通节点的平均存活时间分别如图14、图15和图16所示。avgm的引领和次级引领节点的平均存活时间大于avgf和dc。avgm的普通节点存活时间略低于avgf。avgm的引领和次级引领节点的平均存活时间随车辆密度的增大而增大，这是因为随着车辆密度的增加，引领和次级引领节点可以选择连通时长较大的游离节点加入车群。
[0200]
在实际路网场景中，固定车辆数目为800，其中随机选择10％的车辆作为有人驾驶车辆，剩余车辆设置为无人驾驶车辆，设置车辆的最大速度分别为30、40、50、60和70km/h，统计三种方法在不同车辆最大速度下无人驾驶车群的平均连通性、耦合性和实时性，结果分别如图17、图18和图19所示。avgm的车群平均连通性、耦合性和实时性均高于avgf和dc。与人工设计场景相比，avgm在实际路网场景中的连通性、耦合性和实时性有所降低，这是因为实际路网场景更加复杂，导致车群成员之间的连通关系更易变。
[0201]
在实际路网场景中，avgm、avgf和dc在不同最大速度下引领、次级引领和普通节点的平均存活时间分别如图20、图21和图22所示。avgm的引领和次级引领节点的平均存活时间大于avgf和dc，avgm的普通节点存活时间低于avgf和dc。avgm的引领和次级引领节点的平均存活时间随车辆最大速度的增大有所降低，这是因为最大速度的增加导致车群成员之间的关联关系更加易变。
[0202]
由此可知，在人工设计和实际路网场景中，avgm能够在不用车辆速度和密度下使无人驾驶车群获得较高的连通性、耦合性和实时性，证明了avgm的有效性。
[0203]
创新点
[0204]
本发明针对现有面向封闭式和高速公路场景的无人驾驶车群构造方法存在负载集中和缺乏连通度量指标等问题，给出一种城市场景中无人驾驶车群模型构建方法。考虑无人驾驶车辆的活跃度、先感度和移动性差异度，给出了无人驾驶车群引领节点选择方法。基于无人驾驶车群的连通性、耦合性和实时性，给出了无人驾驶车群模型构建方法，最后给出了基于分布式多目标优化的车群模型求解方法，并证明其收敛性。通过仿真实验，根据相应的评价指标验证了无人驾驶车群模型的有效性。从而给出了无人驾驶车群在城市场景中能够保持运动行为智能化的模型，使得其能够在城市场景中得以应用成为可能。
[0205]
[1]cheng j,yuan g,zhou m c,et al.a fluid mechanics-based data flow model to estimate vanet capacity[j].ieee transactions on intelligent transportation systems,2019,21(6):2603-2614.
[0206]
[2]cheng j,ju m,zhou m,et al.a dynamic evolution method for autonomous vehicle groups in a highway scene[j].ieee internet of things journal,2021,9(2):1445-1457.
[0207]
[3]cheng j,yuan g,zhou m c,et al.a connectivity-prediction-based dynamic clustering model for vanet in an urban scene[j].ieee internet of things journal,2020,7(9):8410-8418.
[0208]
[4]《城市场景中无人驾驶网络性能影响因素预测方法》中国专利申请号：202211505688x由于(程久军、原桂远等发明人于2022年11月28日申请的《城市场景中无人驾驶网络性能影响因素预测方法》(申请人：同济大学，专利申请号：202211505688x))还未公开，因此将该申请技术方案也写入：
[0209]
针对现有车联网无线网络质量分析和预测方法未考虑不同外界干扰因素对车辆通信的影响以及无线通信网络性能影响因素不全面等问题，文中给出了基于lstm的无人驾驶网络性能影响因素预测模型，包括特征融合、无人驾驶网络性能影响因素确立、神经网络结构搭建、损失函数构建和神经网络训练等步骤。从而可以滤除低耦合和高时延的邻居节点，保证无人驾驶车辆之间信息共享稳定，达到无人驾驶车辆运动行为稳定有序的目的。
[0210]
文中“网络性能”是“无人驾驶网络性能”的简称。
[0211]
文中“npifp”是“network performance influencing factors prediction”的简称。
[0212]
文中技术方案：
[0213]
步骤1特征融合步骤
[0214]
该步骤是将无人驾驶车辆和外界干扰的特征融合以生成lstm的输入特征。城市场景中无人驾驶车辆和外界干扰的相关定义如下：
[0215]
定义1：城市场景中无人驾驶车辆和外界干扰为
[0216]
g＝(v，m，o，e，q)
[0217]
其中，表示无人驾驶车辆集合，vi表示一个无人驾驶车辆，表示正整数集合，表示有人驾驶车辆集合，mj表示一个有人驾驶车辆，表示路边障碍物集合，ok表示一个路边障碍物，表示一个路边障碍物，表示红路灯集合，e
l
表示一个红绿灯，表示行人集合，qh表示一个行人。
[0218]
定义2：无人驾驶车辆vi∈v在t时刻的特征为
[0219]
f(vi，t)＝{s
it
，a
it
，ζ
it
，ξ
it
，d
it
}
[0220]
其中，s
it
是vi在t时刻的速度，a
it
是vi在t时刻的加速度，ζ
it
和ξ
it
分别表示vi在t时刻所处位置的横纵坐标，d
it
是vi在t时刻的行驶方向。
[0221]
定义3：有人驾驶车辆mj∈m在t时刻的特征为
[0222]
f(mj，t)＝{s
jt
，a
jt
，ζ
jt
，ξ
jt
，d
jt
}
[0223]
其中，s
jt
是mj在t时刻的速度，a
jt
是mj在t时刻的加速度，ζ
jt
和ξ
jt
分别表示mj在t时刻所处位置的横纵坐标，d
jt
是mj在t时刻的行驶方向。
[0224]
定义4：路边障碍物ok∈o在t时刻的特征为
[0225][0226]
其中，ζ和ξ分别表示ok所处位置的横纵坐标，和分别表示ok的长度和宽度。
[0227]
定义5：红绿灯e
l
∈e在t时刻的特征为
[0228]
f(e
l
，t)＝{ζ，ξ，η
lt
}
[0229]
其中，ζ和ξ分别表示e
l
所处位置的横纵坐标，η
lt
∈{0，1,2}是e
l
在t时刻的状态，其中，0、1和2分别表示红灯、绿灯和黄灯。
[0230]
定义6：行人qh∈q在t时刻的特征为
[0231]
f(qh，t)＝{s
ht
，ζ
ht
，ξ
ht
，d
ht
}
[0232]
其中，s
ht
是qh在t时刻的速度，ζ
ht
和ξ
ht
分别表示qh在t时刻所处位置的横纵坐标，d
ht
表示qh在t时刻的行进方向。
[0233]
定义7：无人驾驶车辆vi∈v与无人驾驶车辆vj∈v或vi与有人驾驶车辆mj∈m之间的相对特征为
[0234][0235]
其中，其中，和分别表示vi与vj或vi与mj之间在t时刻的相对速度、加速度、距离和运动方
向。
[0236]
文中给出一个基于lstm的无人驾驶网络性能影响因素预测模型，该方法包括特征融合和无人驾驶网络性能影响因素预测两个部分。特征融合将无人驾驶车辆和外界干扰的特征进行融合生成lstm的输入特征。在预测无人驾驶车辆vi与vj之间的网络性能影响因素时，lstm的输入特征为：
[0237]
f＝fi(t)∪fi(t)
[0238]
其中，其中，表示vi和外界干扰在t时刻的特征，为t时刻vi周围无人驾驶车辆集合，和分别表示t时刻vi周围有人驾驶、路边障碍物、红绿灯和行人集合。同理，行人集合。同理，表示vj和外界干扰在t时刻的特征。
[0239]
步骤2无人驾驶网络性能影响因素确立步骤
[0240]
该步骤分析影响无人驾驶车辆之间连通质量的指标，确定lstm的输出。无人驾驶网络性能影响因素主要包括无人驾驶车辆之间的通信中断概率、数据正确交付率、链路容量、连通时长、数据传送延迟和通信往返时间，具体含义如下：
[0241]
1)通信中断概率α1(vi，vj)：表示无人驾驶车辆vi和vj之间的通信链路在未来时刻可能中断的概率。
[0242]
2)数据正确交付率α2(vi，vj)：表示无人驾驶车辆vi和vj之间数据正确交付的概率。
[0243]
3)链路容量α3(vi，vj)：表示无人驾驶车辆vi和vj之间通信链路单位时间内成功传送的数据量。
[0244]
4)连通时长α4(vi，vj)：表示正在通信的无人驾驶车辆vi和vj之间的通信链路能保持连通的最长时间。
[0245]
5)数据传送延迟α5(vi，vj)：vi向vj发送数据，表示vi从发送第一个比特到最后一个比特所需的时间。
[0246]
6)通信往返时间α6(vi，vj)：vi向vj发送数据，表示从vi发送数据收到vj的确认的时间。
[0247]
步骤3神经网络结构搭建步骤
[0248]
该步骤构建基于lstm的神经网络结构。因为无人驾驶车辆的运动具有时间相关性，即当前时刻无人驾驶之间的通信状态与前一时刻无人驾驶之间的通信状态密切相关，而lstm适用于处理和预测时间序列数据，所以本文将特征融合后的特征输入lstm神经网络，经过lstm输入层、隐藏层和输出层的处理。然后，将lstm输出层的特征输入到全连接层以进行线性变换，最后全连接层输出无人驾驶网络性能影响因素的预测值。
[0249]
具体的，无人驾驶网络性能影响因素预测模型的框架如图26所示示例，包含特征融合和无人驾驶网络性能影响因素预测两个模块，特征融合将无人驾驶车辆和外界干扰的特征融合拼接生成lstm的输入特征。红绿灯、行人、路边障碍物、和相对特征的长度分别为12、40、16、50和170。lstm包含输入层、隐藏层和输出层，每一层的节点个数分别为288、512
和256。全连接层包含5层结构，每一层的节点个数分别为256、128、64、32和6。全连接层的输出即为无人驾驶网络性能影响因素的预测值。
[0250]
步骤4损失函数构建步骤
[0251]
由步骤2可知，无人驾驶网络性能影响因素预测是一个回归问题。因此，选择均方误差作为损失函数，基于lstm的无人驾驶网络性能影响因素预测的目标函数为：
[0252][0253]
其中，w表示神经网络中的权重，n表示训练样本数量，fi表示第i个样本的输入特征，z
l
(fi)表示第i个样本中第l个无人驾驶网络性能影响因素的真实值，b
l
(fi)表示第i个样本中第l个无人驾驶网络性能影响因素的预测值。
[0254]
步骤5训练神经网络步骤
[0255]
基于lstm的无人驾驶网络性能影响因素预测的神经网络训练方法的具体步骤为：
[0256]
(1)初始化lstm神经网络的权重参数并将训练集划分为若干大小相同的子训练集。
[0257]
(2)对于一个子集合中的所有输入样本，首先通过lstm神经网络进行前向传播计算无人驾驶网络性能影响因素的预测值，然后计算损失，最后通过反向传播更新lstm神经网络的权重w。
[0258]
(3)对于所有子训练集重复步骤(2)以更新lstm神经网络权重参数。
[0259]
(4)所有子训练集合迭代完成后，保存lstm神经网络的结构和节点之间权重，lstm神经网络训练完成。
[0260]
神经网络训练完成后，即得到可应用于城市场景中的无人驾驶网络性能影响因素预测模型。无人驾驶网络性能影响因素预测模型可用于帮助无人驾驶车辆滤除低耦合和高时延的邻居无人驾驶车辆，使无人驾驶车辆与连通质量较优(通信中断概率、数据传送延迟和通信往返时间较小，数据正确交付率、链路容量和连通时长较大)的邻居无人驾驶车辆建立数据共享关系，进而使得无人驾驶车辆能够在运动过程中与邻居无人驾驶车辆之间实时准确的共享感知结果和决策信息，提升无人驾驶对行车环境的感知能力和行车安全，达到无人驾驶车辆运动行为稳定有序的目的。

技术特征：
1.城市场景中无人驾驶车群模型构建方法，其特征在于，包括如下步骤：步骤1.无人驾驶车群引领节点选择：步骤1.1相关定义；步骤1.2无人驾驶车辆的活跃度度量；步骤1.3无人驾驶车辆的先感度度量；步骤1.4无人驾驶车辆的移动性差异度度量；步骤1.5无人驾驶车群引领节点选择；步骤2.无人驾驶车群模型构建：步骤2.1无人驾驶车群的连通性度量；步骤2.2无人驾驶车群的耦合性度量；步骤2.3无人驾驶车群的实时性度量；步骤2.4无人驾驶车群模型；步骤3.无人驾驶车群模型求解：步骤3.1无人驾驶车群模型求解。2.如权利要求1所述的城市场景中无人驾驶车群模型构建方法，其特征在于，所述步骤1中：定义1：城市场景中无人驾驶车辆和外界干扰为：u＝(v,m,o,e,q)其中，表示无人驾驶车辆集合，v
i
表示一个无人驾驶车辆，表示正整数集合，表示有人驾驶车辆集合，m
j
表示一个有人驾驶车辆，表示路边障碍物集合，o
k
表示一个路边障碍物，表示一个路边障碍物，表示红路灯集合，e
l
表示一个红绿灯，表示行人集合，q
h
表示一个行人；定义2：城市场景中无人驾驶车群表示为：其中，v表示无人驾驶车辆集合，t＝{0，1，2，3}表示无人驾驶车辆类型集合，其中0、1和2分别表示无人驾驶车群引领、次级引领和普通节点，3表示游离节点，g＝{g
i
|i∈n
*
}表示无人驾驶车群集合，g
i
＝(v
i
，v
i
，r
i
)表示一个无人驾驶车群，其中v
i
是车群g
i
的引领节点，v
i
为车群g
i
的成员集合，r
i
表示车群g
i
的成员之间的跟随关系集合，σ：v
→
t表示无人驾驶车辆类型映射函数；定义3：无人驾驶车群g
i
的引领节点和次级引领节点集合为：l
i
＝{v
j
|(v
j
∈v
i
)∧(σ(v
j
)≤1)}其中，v
j
∈v
i
表示无人驾驶车辆v
j
为车群g
i
的成员，σ(v
j
)≤1表示v
j
为车群g
i
的引领或次级引领节点；定义4：无人驾驶车群g
i
中引领节点或次级引领节点v
j
∈l
i
的跟随节点集合：v
ij
＝{v
k
|(v
j
，v
k
)∈r
i
}其中，(v
j
，v
k
)∈r
i
表示无人驾驶车辆v
k
通过v
j
加入车群g
i
；无人驾驶车辆v
i
的活跃度为：
其中，n
i
＝{v
j
|d(v
i
，v
j
)≤r}表示v
i
的邻居无人驾驶车辆集合，d(v
i
，v
j
)表示v
i
与v
j
之间的距离，r表示无人驾驶车辆最大通信范围，|n
i
|表示集合n
i
的大小，α1(v
i
，v
j
)表示v
i
与v
j
之间的通信中断概率，1-α1(v
i
，v
j
)表示v
i
与v
j
之间是否存在通信链路；无人驾驶车辆v
i
的先感度为：p(v
i
)＝|m
i
|+|o
i
|+|e
i
|+|q
i
|其中，|m
i
|、|o
i
|、|e
i
|和|q
i
|分别表示v
i
感知到的有人驾驶、障碍物、红绿灯和行人的数量；无人驾驶车辆v
i
的移动性差异度为：其中，表示无人驾驶车辆的最大速度，表示v
i
与v
j
之间的相对速度；构建无人驾驶车群引领节点选择函数：其中，和为权重系数用于将a(v
i
)、p(v
i
)和d(v
i
)归一化。3.如权利要求2所述的城市场景中无人驾驶车群模型构建方法，其特征在于，所述步骤1中，无人驾驶车群引领节点选择方法具体过程为：s1)无人驾驶车辆与邻居无人驾驶车辆之间交换速度和位置等车辆属性信息；s2)无人驾驶车辆计算活跃度、先感度、移动性差异度；s3)无人驾驶车辆计算引领节点选择函数；s4)无人驾驶车辆将引领节点选择函数值发送给邻居无人驾驶车辆；s5)无人驾驶车辆将自身的引领节点选择函数值与邻居无人驾驶车辆的进行比较；s6)如果无人驾驶车辆节点v
i
的引领节点选择函数值大于等于所有的邻居无人驾驶车辆，则v
i
转换为车群引领节点；s7)如果无人驾驶车辆节点v
i
的引领节点选择函数值小于邻居无人驾驶车辆，v
i
向邻居无人驾驶车辆发送车群加入请求。4.如权利要求1所述的城市场景中无人驾驶车群模型构建方法，其特征在于，所述步骤2中，无人驾驶车群g
i
的连通性为：其中，ω(g
i
)表示无人驾驶车群g
i
的连通性，v
j
∈l
i
表示无人驾驶车辆v
j
为车群g
i
的引领或次级引领节点，v
k
∈v
ij
表示无人驾驶车辆v
k
为v
j
的跟随节点，α1(v
j
，v
k
)、α2(v
j
，v
k
)和α3(v
j
，v
k
)分别表示v
j
与v
k
之间的通信中断概率、数据正确交付率和链路容量；无人驾驶车群g
i
的耦合性为：其中，φ(g
i
)表示车群g
i
的耦合性，α4(v
j
，v
k
)表示v
j
与v
k
之间的连通时长；无人驾驶车群g
i
的实时性为：
其中，γ(g
i
)表示车群g
i
的实时性，α5(v
j
，v
k
)和α6(v
j
，v
k
)分别表示v
j
与v
k
之间的数据传送延迟和通信往返时间；无人驾驶车群模型为：s.t.其中，λ(g
i
)表示无人驾驶车群g
i
的车群模型，v
j
∈l
i
表示无人驾驶车辆v
j
为车群g
i
的引领或次级引领节点，c
ij
＝{v
k
|σ(v
k
)＝3}表示v
j
的候选跟随节点集合，v
j
收到游离节点发送的车群加入请求后将其加入c
ij
，c
i
表示车群g
i
的候选成员集合，f
ij
表示经v
j
同意加入g
i
的游离节点集合，f
i
表示所有经车群g
i
中引领和次级引领节点同意加入车群g
i
的游离节点集合，表示车群g
i
未达到最大规模，表示数据流阻塞密度；表示v
j
与v
k
运动方向相同，p
k
<p
j
表示v
j
位于v
k
前方。5.如权利要求1所述的城市场景中无人驾驶车群模型构建方法，其特征在于，所述步骤3中，基于多目标优化的无人驾驶车群模型求解算法为：s1)引领或次级引领节点v
j
∈l
i
检查无人驾驶车群g
i
是否达到最大规模；s2)如果无人驾驶车群g
i
达到最大规模，则车群g
i
拒绝游离节点加入车群；s3)如果车群g
i
未达到最大规模，v
j
检查候选跟随节点集合c
ij
中的游离节点状态；s4)v
j
检查游离节点是否与无人驾驶车群成员相对运动方向相同且位于v
j
后方；s5)如果c
ij
中某个游离节点与无人驾驶车群成员相对运动方向不同或位于v
j
前方，v
j
将其从c
ij
中移除；s6)v
j
初始化解的长度、迭代次数和解集合；s7)v
j
通过交叉和变异操作由解集合生成解集合s8)将与合并后使用nsga-ii的非支配排序方法对解进行排序，从排序后的解中选择v个解生成新的解集合；s9)v
j
检查是否达到最大迭代次数i；s10)如果达到最大迭代次数i，从中随机选择一个解x作为无人驾驶车群模型的解；无人驾驶车群g
i
的引领或次级引领节点v
j
获得车群模型的解x后，v
j
检查x的每一位取值；如果x中第j个元素为1，v
j
同意c
ij
中第j个无人驾驶车辆v
j
加入g
i
并向其发送允许加入车
群消息；否则，v
j
拒绝其加入g
i
。

技术总结
本发明提出了城市场景中无人驾驶车群模型构建方法，通过考虑无人驾驶车辆的活跃度、先感度和移动性差异度，选择部分无人驾驶车辆作为无人驾驶车群引领节点，进一步的基于无人驾驶车群的连通性、耦合性和实时性给出无人驾驶车群模型构建方法，最后，给出基于分布式多目标优化的无人驾驶车群模型求解方法。仿真实验中给出了相应的评价指标对无人驾驶车群模型进行评估，验证无人驾驶车群模型的有效性。从而可以通过无人驾驶车群成员之间共享感知信息提升无人驾驶车辆的感知能力进而实现无人驾驶车辆运动行为智能协同，建立可广泛推广应用的无人驾驶车群。应用的无人驾驶车群。应用的无人驾驶车群。


技术研发人员：程久军 原桂远 倪张凯 毛其超 杨露
受保护的技术使用者：同济大学
技术研发日：2023.03.17
技术公布日：2023/7/21