CN114071421B - 高速公路场景中开放式无人驾驶车车群模型及车群形成方法 - Google Patents
高速公路场景中开放式无人驾驶车车群模型及车群形成方法 Download PDFInfo
- Publication number
- CN114071421B CN114071421B CN202010774258.2A CN202010774258A CN114071421B CN 114071421 B CN114071421 B CN 114071421B CN 202010774258 A CN202010774258 A CN 202010774258A CN 114071421 B CN114071421 B CN 114071421B
- Authority
- CN
- China
- Prior art keywords
- node
- vehicle
- state
- unmanned vehicle
- nodes
- 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 46
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000007704 transition Effects 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 43
- 230000014509 gene expression Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 12
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000029305 taxis Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- BHELIUBJHYAEDK-OAIUPTLZSA-N Aspoxicillin Chemical compound C1([C@H](C(=O)N[C@@H]2C(N3[C@H](C(C)(C)S[C@@H]32)C(O)=O)=O)NC(=O)[C@H](N)CC(=O)NC)=CC=C(O)C=C1 BHELIUBJHYAEDK-OAIUPTLZSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
高速公路场景中开放式无人驾驶车车群模型及车群形成过程研究方法,包括:定义;构建无人驾驶车群网络拓扑结构;定义车辆状态;无人驾驶车辆状态转换过程。本发明首次提出面向开放式“无人驾驶车群”的概念,设想为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群,设计和构建了一种考虑高速公路场景下、面向开放式无人驾驶车群行车环境、能使得车群之间始终保持互联互通、有效满足未来无人驾驶运动行为智能化所需要的无人驾驶车群模型,同时研究了无人驾驶车辆节点的初始化状态、选举状态、引领节点状态、普通节点状态、游离节点状态及转换过程,给出了无人驾驶车群形成方法的雏形,为未来无人驾驶运动行为智能化提供所需的理论和方法。
Description
技术领域
本发明涉及无人驾驶网络,为全新领域。
背景技术
现有车联网互联互通的现有技术:
目前,所谓车联网皆指人驾驶车辆。相关研究人员在车辆自组织网络(VehicularAd-hoc NETwork,VANET)、基于基础设施的车联网网络(Vehicular Infrastructure-basedNETwork,VINET)以及VANET与VINET混合网络方面进行了相关研究。
①在车辆自组织网络VANET
目前,研究者利用仿真和分析法对VANET的连通性随时空变化如何改变开展了研究:
i.仿真方面
VIRIYASITAVAT W等基于关键指标如链路持续时间,连通网络的数量和持续时间,以及断开网络的愈合时间,对V2V网络连通性进行了仿真研究,结果表明,城市地区具有高度动态的网络连接模式。AKHTAR N等将公路场景抽象为一维的道路交通流,在三种不同的信道模型下对其拓扑特征进行了分析,比较了不同传播范围下邻居距离、节点度、集群数量、链路持续时间和连接质量。HUANG Hong-Yu等将从上海4000辆出租车上采集的GPS数据映射到数字地图上,获得了这些出租车的行驶轨迹,并研究了在不同通信半径的假设下的虚拟VANET,结果表明,当通信半径在500m时,可以使大部分的出租车连接到同一个网络分区,并使用累积分布函数分析了不同通信半径时邻居节点的数量。NABOULSI D等利用复杂网络理论研究一个现实的大规模城市VANET的瞬时拓扑特征,文中在多种通信半径下从网络、组件和节点三个不同层面进行分析,并主张采用携带转发机制及在弱连接地点部署RSU。在苏黎世25平方km区域中20万辆车在早高峰3小时内VANET通信网络指标:(a)VANET以稳定良好拟合度服从幂律;(b)它没有表现出小世界特性;(c)中介中心度和游说中心度对于描述其网络结构特性是充分和适当的;(d)VANET网络图包括一个巨大的集群;(e)车辆到达和离开巨型集群在不同时间尺度上均表现出突发性;(f)集群的连接在一段时间内保持稳定;(g)密集集群同时包括小度值和大度值的节点;(h)VANET包括重叠的社区;(i)紧密社区的规模在非常小的尺寸上变化;(j)VANET图不具有鲁棒性。
ii.分析法方面
常促宇等介绍了车辆自组网的发展历史、特点和应用领域,使用分析和比较的方法,讨论各种无线通信技术用于车辆自组网的优缺点,并针对车辆自组网的应用及特性提出搭建车辆之间通信***的设计思想和突破方向。HO I-H等分析了在一条受信号灯控制的城市道路上的VANET连通性的动态变化,并研究了更一般的k连通网络(k-connected)问题,通过仿真验证了即使车辆移动受交通灯控制,文中得到的连通性分析与仿真结果有良好的近似。LOULLOUDES N等分析了基于真实和仿真移动轨迹的VANET的瞬时拓扑特征和统计特性,并考虑了市场渗透率对网络连通性的影响。刘业等首先分析推导了高速公路VANET中某特定路段上任意两车之间的连通概率、连通集直径长度以及连通集数目等连通性模型参数指标与车辆密度及传输距离之间关系的数学解析式,并在此基础上分析VANET的节点位置是满足伽马分布的结论。熊炜等将VANET建模为路径损耗几何随机图,推导得出用于高速公路场景中VANET 1-连通性必要条件的概率分析算法,并借助经过验证的车辆运动轨迹数据做了大量模拟实验,得出了确保网络中不存在孤立节点情况下,每个节点的通信距离应满足的上下界。
②基于基础设施的车联网网络(VINET)
ABDRABOU A等采用有效带宽理论和实际容量的概念获得RSU之间的最大距离,并研究了车辆密度、传输范围以及车辆速度差异对端到端的分组传送延迟的影响以解决RSU部署问题。SALVO P等提出了三种算法来扩展VANET中的RSU的覆盖区域,利用发送方节点位置和几何原理选择转发方向。通过分析结果获得最佳RSU和OBU的安装配置方案。LIU Y等为VANETs中的文件下载设计了一个新的RSU部署策略,把车辆和RSU之间的连接建模为连续时间齐次马尔可夫链,把道路网络建模为一个加权无向图,并基于图的边的深度优先遍历算法,设计了一个针对文件下载的RSU部署算法。陈丽等在没有部署稠密RSU的VANET中,利用公交车作为移动网关进行I2V数据转发。首先将公路网模型转换为状态-空间图,再运用马尔可夫决策方法求解得出最优转发决策,在满足约束传输成功率阈值要求条件下,选择传输延迟最小的路口节点作为数据包与目的车辆的最优汇聚节点。
MATOLAK D W等在V2V信道中采用经验模型并使用计算机仿真演示了高速公路环境中V2V终端用户在不同传输速率下使用LTE进行宽带无线接入的可行性。ABID H等使用LTE网络用于V2I通信,提出了一个基于LTE智能手机的VANET架构,适用于高速公路,而不是城市场景。REMY G等提出LTE4 V2X架构,利用LTE网络中的eNB作为VANET集群管理的基础设施,并采用围绕eNB的集中式架构,以优化集群管理,并提供更好的性能。KIHL M等评估了多个城市和农村的场景下不同下行链路调度策略的性能,实验结果表明,LTE车载通信非常适合农村的场景。IDE C等通过增加道路网络中传感器数量来估计车辆行驶时间,并使用可扩展的基于若干实验指标的Nagel-Schreckenberg模型、射线跟踪模拟和马尔可夫模型来分析车辆行驶时间的估计准确度,以及对LTE空中接口的负面影响之间的平衡。
③VANET与VINET混合的网络
网络体系结构和信道接入技术对车联网有着很大影响。V2V通常使用IEEE802.11p作为物理层和MAC层协议,而V2I可采用WiFi,WAVE,WiMAX和LTE。由于每种接入技术都有限制,混合使用反而对V2I和V2V通信更有帮助。
YANG Kun,SHAN Lianhai等首次将WiMAX技术应用于车辆通信网络,为车辆及其用户进行车载移动宽带无线接入。范存群等针对垂直切换技术普遍不能支持WAVE、WiMAX和3G间的垂直切换这一问题,提出了一种基于贝叶斯决策的垂直切换算法。仿真实验结果表明,该算法不仅有效地实现WAVE、WiMAX和3G无线接入技术之间的垂直切换,而且避免了乒乓效应,保证了网络及时更新。DOYLE N C等给出了为车辆提供互联网接入的WiMAX和WAVE整合网络层设计,文中分析了纯WAVE和纯WiMAX的固有缺陷,并提出了一种混合解决方案。刘富强等提出了WiMAX与WAVE新型异构网络融合的车载移动网络架构,车与车之间的通信通过基于WAVE来实现,车辆与路边基站的通信通过WiMAX实现。CHANG B-J等提出了一种基于无线传感器网络的自适应导航方法,采用WiMAX多跳中继网络用于V2V通信,以提高车辆间通信的可靠性和有效性。CHOU C-M等对比研究了V2I使用WiMAX和Wi-Fi进行通信的可行性,结果表明,WiMAX在短距离(如小于100m)中其延迟明显比Wi-Fi更大,帧的持续时间对WiMAX性能有显著影响。MOJELA L S等在一个简单的VANET中,评估了Wi-Fi提供V2V通信而WiMAX用作V2I通信时的性能。流式视频、流式音频和视频会议可以在其搭建的V2V2I环境中成功运行。ZHAO Qingwen等第一次尝试了在VANET中通过3G辅助数据传输,文中提出了一个称为3GDD的方法,通过求解原优化问题中的整数线性规划问题来分配每个时隙的可用3G流量。YAACOUB E等研究了V2I通信中使用可伸缩视频编码的实时视频流传输协作技术,考虑使用LTE和WAVE技术为移动中的车辆提供通信,比较了不同的视频传输模式,得出LTE基站和使用WAVE路边基础设施单元之间的联合协作效果最好的结论。
车联网(有人驾驶)从信息领域的角度,对车与车、车与路面基础设施以及与后台服务器直接的信息交互,不考虑周围环境的外界因素,诸如障碍物、有人驾驶车体(这里指移动障碍物节点)、红绿灯等的干扰。
发明内容
本发明技术方案专适用于高速公路场景,并不适用于诸如港口、物流等封闭式场景,也不适用于城市场景。
发明目的公开高速公路场景中开放式无人驾驶车车群模型及车群形成过程研究方法。
为此,本发明具体给出以下技术方案实现:
本发明研究方法,其特征在于,包括如下步骤:
一、预定义步骤(包括无人驾驶车辆直接连通性、邻居节点、邻居节点集)
给出如下定义:
定义1无人驾驶车辆直接连通性DVC(Driverless Vehicle Connectivity)以表示两个无人驾驶车辆节点直接连接的稳定程度,其数学表达式为(1):
其中,
DCR(Driverless Communication Range)表示无人驾驶车辆通信的最大连通范围;
distt(vi,vj)表示t时刻无人驾驶车辆节点vi与另一无人驾驶车辆节点vj之间的距离;当节点之间的距离大于最大连通范围时,DVC为0,表明两个无人驾驶车辆节点不存在连接,即反映在拓扑图上是两个节点之间不存在边;当无人驾驶车辆节点之间的距离小于或等于最大传输范围时,DVC与车辆之间的距离成负相关。节点之间距离越近,DVC越大,两个无人驾驶车辆节点之间直接连接的可靠程度越高,联系越紧密,反映到拓扑图上边的权重就越大。
定义2邻居节点NeiNode:如果无人驾驶车辆节点vi与另一无人驾驶车辆节点vj满足DVC(vi,vj)>0,则称vi与vj互为邻居节点,反映在拓扑图中即是vi与vj之间存在一条边;所述邻居节点NeiNode由数学表达式表征为(2):
NeiNode(vi,vj)=1 if DVC(vi,vj)>0 (2)
定义3邻居节点集Ni,t:表示无人驾驶节点vi在t时刻的邻居节点的集合Vj,数学表达式为(3):
二、构建无人驾驶车群网络拓扑结构步骤
无人驾驶车群即邻居车群NeiVG,如果两个无人驾驶车群VGi与VGi中的节点之间存在连接边,那么这两个车群互为邻居车群,所述无人驾驶车群的网络结构采用数学表达式为(4):
为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群拓扑,如图1所示,是一个三跳车群网络拓扑结构,其中:车辆的可连通半径在图中由R表示,车辆节点间的虚线表示车辆可以之间连通,不在连通范围内的车辆节点可由其他车辆转发通信;
三、定义车辆状态
定义6为了描述高速公路场景下无人驾驶车群形成过程,定义了以下五种无人驾驶车辆状态:
(1)初始化状态IN(Initialization)
初始化状态是无人驾驶车辆节点的起始状态。
在初始化时,每个无人驾驶车辆节点维护一个车辆基本信息表VIBT(VehicleInformation Basic Table),包括节点自身及其邻居节点的车辆信息,其中:车辆信息包括其车辆ID、方向、速度、位置坐标、当前车辆状态,
邻居车辆信息包括所属车群ID;如果是普通节点CN,则邻居车辆信息还包括普通节点CN到引领节点LN的跳数,连接到引领节点LN经过普通节点CN的车辆ID;
此外,所述车群引领节点LN还需保存车群成员ID。
(2)选举状态SE(Select State)
每个无人驾驶车辆节点在初始化状态后,全面感知其邻居节点信息,同时将自身信息发送给周围邻居节点,将车辆基本信息表VIBT更新为最新状态,此时,该无人驾驶车辆节点将自身的状态切换为选举状态。
(3)、(4)引领节点LN状态与普通节点CN状态
为了表征无人驾驶车辆节点在车群中的地位与其在车群维护中的贡献程度,在选举状态后,一个无人驾驶车群产生一个以上引领节点LN(Leading node)和若干个普通节点CN(Common node)。
每个引领节点LN负责管理所在车群的各项信息,如车群节点集合、车群中各个无人驾驶车辆节点的位置、速度等;同时,在车群运动过程中,引领节点LN往往决定一个非本车群的节点是否可以加入本车群。
同时,车群的节点集合Ni中除引领节点LN外,剩下无人驾驶车辆节点处于普通节点CN状态。
(5)游离节点FN(Freeing Node)状态
在无人驾驶车辆节点运动过程中,若节点不能连接到任何现有车群,且周围不存在可以连通的节点,则此节点处于游离节点状态。
四、无人驾驶车辆状态转换过程
根据无人驾驶车辆节点在高速公路场景中运动特性和五种状态,给出无人驾驶车辆状态转换过程:
1)无人驾驶车辆节点开始处于初始化状态,这种状态下车辆周期性的交换HELLO数据包构建自己的车辆基本信息表VIBT;
然后车辆转换到选举状态SE,在该状态中车辆做出其下一状态的决定,进入步骤2);
2)当处于选举状态SE的无人驾驶车辆节点附近不存在邻近节点时,车辆转换为游离节点FN状态,进入步骤3);
3)当处于游离节点FN状态的无人驾驶车辆节点发现可以直接连接的其他游离节点FN后,车辆转换为选举状态SE;
而当处于游离节点状态的无人驾驶车辆节点附近存在引领节点LN或普通节点CN的车群节点,则转换为普通节点CN,或者车辆转换为选举状态SE;
4)处于选举状态SE的无人驾驶车辆节点附近存在且不属于任何车群的节点,并且节点的相对属性度量最好,则车辆状态转换为引领节点LN状态;进入步骤5)或者步骤6);
5)在选举状态SE中,所述引领节点LN必然存在无人驾驶车辆节点度量性不是最优,则转换为普通节点CN状态;否则转换为引领节点LN状态;
6)当引领节点LN附近不存在普通节点CN时,则转换为选举状态SE;
7)当普通节点CN所属的车群引领节点LN不存在时,转换为选举状态SF。
进一步的,所述步骤5)中,定义节点相对移动性用于表征所述度量性以确定是否最优来选举引领节点LN。
采用所述节点相对移动性来选择稳定的引领节点LN,节点i相对移动性Mobi数学表达式为(5):
其中,
Ni表示无人驾驶车辆节点vi所在车群的节点的集合,ij表示车群Ni内的第j个节点,Si表示节点i的速度;
Mobi值越小,表示节点i与车群内的其它节点相对速度差异小,相对移动性稳定。
若vi处于引领节点LN状态,数学表达式为(6):
其中,
Mobi表示无人驾驶车辆i的节点相对移动性,i属于处于选举状态无人驾驶车辆节点。
附图说明
图1为本发明跳车群网络拓扑结构图
图2为本发明无人驾驶车辆状态转换框架图
具体实施方式
发明目的之一,公开高速公路场景中开放式无人驾驶车车群模型及车群形成过程研究方法
本发明研究方法,其特征在于,包括如下步骤:
一、预定义步骤(包括无人驾驶车辆直接连通性、邻居节点、邻居节点集)为了研究基于高速公路场景中无人驾驶车群形成算法,本发明给出如下定义:
定义1无人驾驶车辆直接连通性DVC(Driverless Vehicle Connectivity)以表示两个无人驾驶车辆节点直接连接的稳定程度,其数学表达式为(1):
其中,
DCR(Driverless Communication Range)表示无人驾驶车辆通信的最大连通范围;
distt(vi,vj)表示t时刻无人驾驶车辆节点vi与另一无人驾驶车辆节点vj之间的距离;当节点之间的距离大于最大连通范围时,DVC为0,表明两个无人驾驶车辆节点不存在连接,即反映在拓扑图上是两个节点之间不存在边;当无人驾驶车辆节点之间的距离小于或等于最大传输范围时,DVC与车辆之间的距离成负相关。节点之间距离越近,DVC越大,两个无人驾驶车辆节点之间直接连接的可靠程度越高,联系越紧密,反映到拓扑图上边的权重就越大。
定义2邻居节点NeiNode:如果无人驾驶车辆节点vi与另一无人驾驶车辆节点vj满足DVC(vi,vj)>0,则称vi与vj互为邻居节点,反映在拓扑图中即是vi与vj之间存在一条边;所述邻居节点NeiNode由数学表达式表征为(2):
NeiNode(vi,vj)=1 if DVC(vi,vj)>0 (2)
定义3邻居节点集Ni,t:表示无人驾驶节点vi在t时刻的邻居节点的集合Vj,数学表达式为(3):
二、构建无人驾驶车群网络拓扑结构步骤
无人驾驶车群即邻居车群NeiVG,如果两个无人驾驶车群VGi与VGj中的节点之间存在连接边,那么这两个车群互为邻居车群,所述无人驾驶车群的网络结构采用数学表达式为(4):
为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群拓扑,如图1所示,是一个三跳车群网络拓扑结构,其中:车辆的可连通半径在图中由R表示,车辆节点间的虚线表示车辆可以之间连通,不在连通范围内的车辆节点可由其他车辆转发通信;
三、定义车辆状态
定义6为了描述高速公路场景下无人驾驶车群形成过程,定义了以下五种无人驾驶车辆状态:
(1)初始化状态IN(Initialization)
初始化状态是无人驾驶车辆节点的起始状态。
在初始化时,每个无人驾驶车辆节点维护一个车辆基本信息表VIBT(VehicleInformation Basic Table),包括节点自身及其邻居节点的车辆信息,其中:车辆信息包括其车辆ID、方向、速度、位置坐标、当前车辆状态,
邻居车辆信息包括所属车群ID;如果是普通节点CN,则邻居车辆信息还包括普通节点CN到引领节点LN的跳数,连接到引领节点LN经过普通节点CN的车辆ID;
此外,所述车群引领节点LN还需保存车群成员ID。
举例而非限定,表2车辆基本信息表如下:
(2)选举状态SE(Select State)
每个无人驾驶车辆节点在初始化状态后,全面感知其邻居节点信息,同时将自身信息发送给周围邻居节点,将车辆基本信息表VIBT更新为最新状态,此时,该无人驾驶车辆节点将自身的状态切换为选举状态。
(3)/(4)引领节点LN状态与普通节点CN状态
为了表征无人驾驶车辆节点在车群中的地位与其在车群维护中的贡献程度,在选举状态后,一个无人驾驶车群产生一个以上引领节点LN(Leading node)和若干个普通节点CN(Common node)。
每个引领节点LN负责管理所在车群的各项信息,如车群节点集合、车群中各个无人驾驶车辆节点的位置、速度等;同时,在车群运动过程中,引领节点LN往往决定一个非本车群的节点是否可以加入本车群。
同时,车群的节点集合Ni中除引领节点LN外,剩下无人驾驶车辆节点处于普通节点CN状态。
(5)游离节点FN(Freeing Node)状态
在无人驾驶车辆节点运动过程中,若节点不能连接到任何现有车群,且周围不存在可以连通的节点,则此节点处于游离节点状态。
四、无人驾驶车辆状态转换过程
根据无人驾驶车辆节点在高速公路场景中运动特性和五种状态,给出无人驾驶车辆状态转换过程,其框架图如图2所示;
具体转换过程如下:
1)无人驾驶车辆节点开始处于初始化状态,这种状态下车辆周期性的交换HELLO数据包构建自己的车辆基本信息表VIBT;
然后车辆转换到选举状态SE,在该状态中车辆做出其下一状态的决定,进入步骤2);
2)当处于选举状态SE的无人驾驶车辆节点附近不存在邻近节点时,车辆转换为游离节点FN状态,进入步骤3);
3)当处于游离节点FN状态的无人驾驶车辆节点发现可以直接连接的其他游离节点FN后,车辆转换为选举状态SE;
而当处于游离节点状态的无人驾驶车辆节点附近存在引领节点LN或普通节点CN的车群节点,则转换为普通节点CN,或者车辆转换为选举状态SE;
4)处于选举状态SE的无人驾驶车辆节点附近存在且不属于任何车群的节点,并且节点的相对属性度量最好,则车辆状态转换为引领节点LN状态;进入步骤5)或者步骤6);
5)在选举状态SE中,所述引领节点LN必然存在无人驾驶车辆节点度量性不是最优,则转换为普通节点CN状态;否则转换为引领节点LN状态;
6)当引领节点LN附近不存在普通节点CN时,则转换为选举状态SE;
7)当普通节点CN所属的车群引领节点LN不存在时,转换为选举状态SE。
进一步的,所述步骤5)中,定义节点相对移动性用于表征所述度量性以确定是否最优来选举引领节点LN。
采用所述节点相对移动性来选择稳定的引领节点LN,节点i相对移动性Mobi数学表达式为(5):
其中,
Ni表示无人驾驶车辆节点vi所在车群的节点的集合,ij表示车群Ni内的第j个节点,Si表示节点i的速度;
Mobi值越小,表示节点i与车群内的其它节点相对速度差异小,相对移动性稳定。
若vi处于引领节点LN状态,数学表达式为(6):
其中,
Mobi表示无人驾驶车辆i的节点相对移动性,i属于处于选举状态无人驾驶车辆节点。
作为实施例,给出本发明基于高速公路场景中车群形成过程中需要用到的主要符号,涵义说明如表1所示。
表1
综上,
本发明确首次提出面向开放式“无人驾驶车群”的概念,设想为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群,设计和构建了一种考虑高速公路场景下、面向开放式无人驾驶车群行车环境、能使得车群之间始终保持互联互通、有效满足未来无人驾驶运动行为智能化所需要的无人驾驶车群模型,同时研究了无人驾驶车辆节点的初始化状态、选举状态、引领节点LN状态、普通节点CN状态、游离节点状态以及五种状态的转换过程,给出了无人驾驶车群形成方法的雏形,从而为未来无人驾驶运动行为智能化提供所需的理论和方法,使得无人驾驶在高速公路场景中能够得到实际应用成为可能。
无人驾驶车辆作为车群的终端节点,其自身作为智能体,车内设置有用于传感、数据处理、数据存储、通信传输等诸多设备,从而支持其能获取车内信息和邻近车辆的实时信息,能够有效保持车群节点之间互联互通。但这些支持设备不作为本发明的发明任务。
物理环境中的各种网络,包括不同类型的路边基础设施网络、移动通信网络等,都视为现有技术,都视为能被本发明无人驾驶单智能体车辆节点能感知到的路网时空资源,但不作为本发明的发明任务。
本发明作为原创性的技术方案。接入网络类型、网络的服务质量、协议类型、网络带宽、终端能力等不是本发明的发明任务,有后续其它专利进一步公开、完善。
本发明无人驾驶在高速公路场景中具有应用价值。
Claims (6)
1.一种高速公路场景中开放式无人驾驶车车群模型及车群形成方法,其特征在于,包括如下步骤:
一、预定义步骤
给出如下定义:
定义1无人驾驶车辆直接连通性DVC(Driverless Vehicle Connectivity)以表示两个无人驾驶车辆节点直接连接的稳定程度,其数学表达式为(1):
其中,
DCR(Driverless Communication Range)表示无人驾驶车辆通信的最大连通范围;
distt(vi,vj)表示t时刻无人驾驶车辆节点vi与另一无人驾驶车辆节点vj之间的距离;当节点之间的距离大于最大连通范围时,DVC为0,表明两个无人驾驶车辆节点不存在连接,即反映在拓扑图上是两个节点之间不存在边;当无人驾驶车辆节点之间的距离小于或等于最大传输范围时,DVC与车辆之间的距离成负相关;节点之间距离越近,DVC越大,两个无人驾驶车辆节点之间直接连接的可靠程度越高,联系越紧密,反映到拓扑图上边的权重就越大;
定义2邻居节点NeiNode:如果无人驾驶车辆节点vi与另一无人驾驶车辆节点vj满足DVC(vi,vj)>0,则称vi与vj互为邻居节点,反映在拓扑图中即是vi与vj之间存在一条边;所述邻居节点NeiNode由数学表达式表征为(2):
NeiNode(vi,vj)=1 if DVC(vi,vj)>0 (2)
定义3邻居节点集Ni,t:表示无人驾驶节点vi在t时刻的邻居节点的集合Vj,数学表达式为(3):
二、构建无人驾驶车群网络拓扑结构步骤
无人驾驶车群即邻居车群NeiVG,如果两个无人驾驶车群VGi与VGj中的节点之间存在连接边,那么这两个车群互为邻居车群,所述无人驾驶车群的网络结构采用数学表达式为(4):
为无人驾驶车辆在高速公路道路的每一个方向上形成多跳车群拓扑,是一个三跳车群网络拓扑结构,其中:车辆的可连通半径由R表示,在连通半径R范围内车辆节点之间连通,不在连通范围内的车辆节点可由其他车辆转发通信;
三、定义车辆状态步骤
定义4为了描述高速公路场景下无人驾驶车群形成过程,定义了以下五种无人驾驶车辆状态:
(1)初始化状态IN(Initialization)
初始化状态是无人驾驶车辆节点的起始状态;
在初始化时,每个无人驾驶车辆节点维护一个车辆基本信息表VIBT(VehicleInformation Basic Table),包括节点自身及其邻居节点的车辆信息;
(2)选举状态SE(Select State)
每个无人驾驶车辆节点在初始化状态后,全面感知其邻居节点信息,同时将自身信息发送给周围邻居节点,将车辆基本信息表VIBT更新为最新状态,此时,该无人驾驶车辆节点将自身的状态切换为选举状态;
(3)、(4)引领节点LN状态与普通节点CN状态
为了表征无人驾驶车辆节点在车群中的地位与其在车群维护中的贡献程度,在选举状态后,一个无人驾驶车群产生一个以上引领节点LN,Leading node,和若干个普通节点CN,Common node;
每个引领节点LN负责管理所在车群的各项信息;在车群运动过程中,引领节点LN往往决定一个非本车群的节点是否可以加入本车群;
同时,车群的节点集合Ni中除引领节点LN外,剩下无人驾驶车辆节点处于普通节点CN状态;
(5)游离节点FN(Freeing Node)状态
在无人驾驶车辆节点运动过程中,若节点不能连接到任何现有车群,且周围不存在可以连通的节点,则此节点处于游离节点状态;
四、无人驾驶车辆状态转换过程步骤
根据无人驾驶车辆节点在高速公路场景中运动特性和五种状态,给出无人驾驶车辆状态转换过程:
1)无人驾驶车辆节点开始处于初始化状态,这种状态下车辆周期性的交换HELLO数据包构建自己的车辆基本信息表VIBT;
然后车辆转换到选举状态SE,在该状态中车辆做出其下一状态的决定,进入步骤2);
2)当处于选举状态SE的无人驾驶车辆节点附近不存在邻近节点时,车辆转换为游离节点FN状态,进入步骤3);
3)当处于游离节点FN状态的无人驾驶车辆节点发现可以直接连接的其他游离节点FN后,车辆转换为选举状态SE;
而当处于游离节点状态的无人驾驶车辆节点附近存在引领节点LN或普通节点CN的车群节点,则转换为普通节点CN,或者车辆节点转换为选举状态SE;
4)处于选举状态SE的无人驾驶车辆节点附近存在且不属于任何车群的节点,并且节点的相对属性度量最好,则车辆状态转换为引领节点LN状态;进入步骤5)或者步骤6);
5)在选举状态SE中,所述引领节点LN必然存在无人驾驶车辆节点度量性不是最优,则转换为普通节点CN状态;否则转换为引领节点LN状态;
6)当引领节点LN附近不存在普通节点CN时,则转换为选举状态SE;
7)当普通节点CN所属的车群引领节点LN不存在时,转换为选举状态SE。
2.如权利要求1所述的方法,其特征在于,车辆基本信息表VIBT(Vehicle InformationBasic Table)中的节点自身及其邻居节点的车辆信息,其中:
车辆信息包括其车辆ID、方向、速度、位置坐标、当前车辆状态,
邻居车辆信息包括所属车群ID;如果是普通节点CN,则邻居车辆信息还包括普通节点CN到引领节点LN的跳数,连接到引领节点LN经过普通节点CN的车辆ID。
3.如权利要求1所述的方法,其特征在于,所述车群引领节点LN还需保存车群成员ID。
6.如权利要求1所述的方法,其特征在于,每个引领节点LN负责管理所在车群的各项信息,包括:车群节点集合、车群中各个无人驾驶车辆节点的位置、速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010774258.2A CN114071421B (zh) | 2020-08-04 | 2020-08-04 | 高速公路场景中开放式无人驾驶车车群模型及车群形成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010774258.2A CN114071421B (zh) | 2020-08-04 | 2020-08-04 | 高速公路场景中开放式无人驾驶车车群模型及车群形成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114071421A CN114071421A (zh) | 2022-02-18 |
CN114071421B true CN114071421B (zh) | 2023-01-10 |
Family
ID=80232194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010774258.2A Active CN114071421B (zh) | 2020-08-04 | 2020-08-04 | 高速公路场景中开放式无人驾驶车车群模型及车群形成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114071421B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189449B (zh) * | 2020-08-25 | 2023-03-24 | 同济大学 | 高速公路场景开放式无人驾驶车车群模型及车群形成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553780A (zh) * | 2016-01-08 | 2016-05-04 | 同济大学 | 一种城市场景中有基础设施的车联网连通性模型推演方法 |
CN107196835A (zh) * | 2017-05-31 | 2017-09-22 | 同济大学 | 车联网大规模网络互联互通的连通基组件构造方法 |
EP3404976A1 (en) * | 2017-05-15 | 2018-11-21 | Universidad de Deusto | Procedure for managing radioelectric resources in 5g cellular networks aiming at the reuse of resources for vehicle-to-vehicle, v2v, communications |
CN109035117A (zh) * | 2018-09-01 | 2018-12-18 | 李善伯 | 一种自动化地面道路交通***实现方法 |
CN111149141A (zh) * | 2017-09-04 | 2020-05-12 | Nng软件开发和商业有限责任公司 | 用于收集并使用来自交通工具的传感器数据的方法和装置 |
-
2020
- 2020-08-04 CN CN202010774258.2A patent/CN114071421B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553780A (zh) * | 2016-01-08 | 2016-05-04 | 同济大学 | 一种城市场景中有基础设施的车联网连通性模型推演方法 |
EP3404976A1 (en) * | 2017-05-15 | 2018-11-21 | Universidad de Deusto | Procedure for managing radioelectric resources in 5g cellular networks aiming at the reuse of resources for vehicle-to-vehicle, v2v, communications |
CN107196835A (zh) * | 2017-05-31 | 2017-09-22 | 同济大学 | 车联网大规模网络互联互通的连通基组件构造方法 |
CN111149141A (zh) * | 2017-09-04 | 2020-05-12 | Nng软件开发和商业有限责任公司 | 用于收集并使用来自交通工具的传感器数据的方法和装置 |
CN109035117A (zh) * | 2018-09-01 | 2018-12-18 | 李善伯 | 一种自动化地面道路交通***实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114071421A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | V2VR: reliable hybrid-network-oriented V2V data transmission and routing considering RSUs and connectivity probability | |
Dixit et al. | VANET: Architectures, research issues, routing protocols, and its applications | |
CN105553780B (zh) | 一种城市场景中有基础设施的车联网连通性模型推演方法 | |
Hawbani et al. | Fuzzy-based distributed protocol for vehicle-to-vehicle communication | |
Althamary et al. | A survey on multi-agent reinforcement learning methods for vehicular networks | |
Yang et al. | Connectivity aware routing in vehicular networks | |
CN104080056B (zh) | 基于连通度概率感知的车载自组织网络的消息分发方法 | |
Alghamdi | Novel path similarity aware clustering and safety message dissemination via mobile gateway selection in cellular 5G-based V2X and D2D communication for urban environment | |
CN105245608A (zh) | 基于自编码网络的车联网网络节点筛选及其通达性路由构建方法 | |
Bitam et al. | Bio-inspired routing protocols for vehicular ad-hoc networks | |
Ram et al. | Mobility adaptive density connected clustering approach in vehicular ad hoc networks | |
He et al. | A stable routing protocol for highway mobility over vehicular ad-hoc networks | |
Liu et al. | A novel V2V-based temporary warning network for safety message dissemination in urban environments | |
Cheng et al. | Stable clustering for VANETs on highways | |
Goutam et al. | Model for vertical handover decision in vehicular networks | |
Zaimi et al. | An evaluation of routing protocols for vehicular ad-hoc network considering the video stream | |
CN114071421B (zh) | 高速公路场景中开放式无人驾驶车车群模型及车群形成方法 | |
Sahoo et al. | Dynamic hierarchical aggregation for vehicular sensing | |
Syfullah et al. | Mobility-based clustering algorithm for multimedia broadcasting over IEEE 802.11 p-LTE-enabled VANET | |
Marzak et al. | A survey on routing protocols for vehicular ad-hoc networks | |
Khan et al. | Data collection from smart-city sensors through large-scale urban vehicular networks | |
Marinov | Comparative analysis of AODV, DSDV and DSR routing protocols in VANET | |
Sadio et al. | SDN architecture for intelligent vehicular sensors networks | |
Harikrishnan et al. | Clustering algorithm based on minimal path loss ratio for vehicular communication | |
Soleimani et al. | A Hybrid Traffic Management Method Based on Combination of IOV and VANET Network in Urban Routing for Emergency Vehicles |
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 |