CN114189449B - 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 - Google Patents

Abstract

一种高速公路场景中开放式无人驾驶车车群模型形成算法，其特征在于，通过上述的状态转换算法、车群形成算法，高速公路场景内实时更新的动态拓扑网络车群中每个无人驾驶车群模型可以保持无人驾驶车辆节点之间的互联互通，使得车群内节点可以有目的的信息交互；同时，由于本发明车群形成算法中使用模块度度量车群内节点的连通度与稳定度，在满足引领节点比率、状态更改次数、引领节点平均时长的条件限制，形成无人驾驶车群。

Description

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

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。

为此，本发明具体给出以下技术方案实现：

一种高速公路场景中开放式无人驾驶车车群模型形成算法，其特征在于，包括如下步骤：

第一步，提出所述转换过程中车辆状态转换的优选策略：

1)无人驾驶车辆节点，扫描车辆节点附近，判断是否存在车辆节点，是则进入步骤2)，否则进入步骤3)；

2)判断车辆节点是否为引领节点LN，是则通过该引领节点LN加入该引领节点所在的车群，否则通过普通节点CN加入该引领节点所在的车群；结束；

3)判断是否存在游离节点FN，有则与之新建车群，结束；否则将自身切换为游离节点FN状态，跳转进入步骤1)；

第二步，设计车群性能指标步骤，用于提升形成车群的稳定性；

在无人驾驶车群的动态形成过程中，设置无人驾驶车辆状态转换后的状态应满足的四个性能指标，包括可容忍的引领节点比率Rat_LN、可容忍的状态更改次数SC_sum、可容忍的引领节点平均时长AVGT_LN以及计算车群模块度EQ；

其中：

(1)所述引领节点比率，将引领节点的数量与节点总和的比例定义引领节点比率Rat_LN，其数学表达式为(9)：

其中，

N_LN表示在某个指定时刻引领节点的数量，即车群的个数；

表示此时道路中总节点数量；

Rat_LN，其较小的引领节点比例值表示车群具有更高的稳定性，设置阈值得到可容忍的引领节点比率Rat_LN；

(2)所述平均状态更改次数，是指无人驾驶车辆节点在其生命周期中变化状态的次数，其数学表达式为(10)：

其中，SC_v表示无人驾驶车辆节点v在其生命周期中状态更改的次数，

表示节点的总数量，N_i表示无人驾驶车辆节点v_i所在车群的节点的集合；

(3)所述引领节点平均时长，将节点当作引领节点的正常时间段采用引领节点平均时长表示，其数学表达式为(11)：

其中，

表示节点i在其生命周期中充当引领节点的时间；

N_LN表示引领节点的数量。

所述引领节点平均时长AVGT_LN，其时间段值越高，表示车群具有较高的稳定性，设置阈值得到可容忍的引领节点平均时长AVGT_LN；

(4)所述车群模块度EQ用于对车群内部与车群外部密集程度进行量化，其数学表达式为(8)：

其中，

m是网络中边的数目，两个车辆节点之间通信就视为两个节点之间存在一条边；

Q_i和Q_j分别表示节点i和j所在车群中节点数目；

A_ij为网络节点所描述的邻接矩阵；

d_i和d_j表示两个不同节点i和j的度；

函数δ(VG_i,VG_j)为判别函数，用于判断车辆节点i和j是否同属于一个车群中，如果在同一个车群中，则函数δ(VG_i,VG_j)的值为1，否则为0；

计算车群模块度EQ，模块度值越大，说明车群形成算法所得到的结果耦合度高，稳定性强；

第三步、车群形成算法DGFRM(Driverless Group Formation)

高速公路场景内实时更新的动态拓扑网络车群中，场景内每个车群形成和解散的更新代谢算法，可运行于每个当前引领节点LN节点，具体算法步骤如下：

S1:在当前引领节点LN节点上，在当前车群网络拓扑图中，遍历经过状态转换后的无人驾驶车辆集合VS；

S2:计算当前车群车辆集合VS的引领节点比率Rat_LN；

S3:判断Rat_LN是否满足设定阈值Rat_th；

S4:计算车辆集合的状态更改次数SC_sum；

S5:计算车辆集合的引领节点平均时长AVGT_LN；

S6:当S4和S5同时满足设定阈值时，执行S7；

S7:计算车群模块度EQ；

S8:保存当前车群；

S9:执行S2直至循环结束；

S10:返回无人驾驶车群集合

通过上述的状态转换算法、车群形成算法，高速公路场景内实时更新的动态拓扑网络车群中每个无人驾驶车群模型可以保持无人驾驶车辆节点之间的互联互通，使得车群内节点可以有目的的信息交互；同时，由于本发明车群形成算法中使用模块度度量车群内节点的连通度与稳定度，在满足引领节点比率、状态更改次数、引领节点平均时长的条件限制，形成无人驾驶车群。

附图说明

实施例1

图1为实施例1跳车群网络拓扑结构图

图2为实施例1无人驾驶车辆状态转换框架图

实施例2

图3车辆状态转换策略图

图4实施例2中当前无人驾驶车辆节点实时运行的状态转换算法

图5车群形成算法DGFRM流程图

图6SUMO仿真平台示意图

图7DGFRM方法和MDMAC方法车群形成过程的模块度

图8车群模块度验证

图9DGFRM方法和MDMAC方法在一跳情况下引领节点比率与车辆速度的关系

图10DGFRM方法和MDMAC方法在二跳情况下引领节点比率与车辆速度的关系

图11DGFRM方法和MDMAC方法在三跳情况下引领节点比率与车辆速度的关系

图12DGFRM方法和MDMAC方法在一跳情况下平均状态更改次数与车辆速度的关系

图13DGFRM方法和MDMAC方法在二跳情况下平均状态更改次数与车辆速度的关系

图14DGFRM方法和MDMAC方法在三跳情况下平均状态更改次数与车辆速度的关系

图15DGFRM方法和MDMAC方法在一跳情况下引领节点平均时长与车辆速度的关系

图16DGFRM方法和MDMAC方法在二跳情况下引领节点平均时长与车辆速度的关系

图17DGFRM方法和MDMAC方法在三跳情况下引领节点平均时长与车辆速度的关系

具体实施方式

实施例1

实施例1的发明目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；

dist_t(v_i,v_j)表示t时刻无人驾驶车辆节点v_i与另一无人驾驶车辆节点v_j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v_i与另一无人驾驶车辆节点v_j满足DVC(v_i,v_j)>0，则称v_i与v_j互为邻居节点，反映在拓扑图中即是v_i与v_j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(v_i,v_j)＝1 if DVC(v_i,v_j)>0 (2)

定义3邻居节点集N_i,t：表示无人驾驶节点v_i在t时刻的邻居节点的集合V_j，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VG_i与VG_j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，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)引领节点状态与普通节点状态

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(Leading node；LN)和若干个普通成员节点(Common node；CN)。

每个引领节点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N_i中除引领节点外，剩下无人驾驶车辆节点处于普通节点状态。

(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，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，节点i相对移动性Mob_i数学表达式为(5)：

其中，

N_i表示无人驾驶车辆节点v_i所在车群的节点的集合，i_j表示车群N_i内的第j个节点，S_i表示节点i的速度；

Mob_i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v_i处于引领节点状态，数学表达式为(6)：

其中，

Mob_i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、引领节点状态、普通节点状态、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。

实施例2

本实施例是实施例1技术方案的基础上进一步研究。为了使得在实施例1技术方案提出的高速公路场景中开放式无人驾驶车车群模型下形成的车群更加稳健、更适于应用，本发明方法技术方案为：

一种高速公路场景中开放式无人驾驶车车群模型形成算法，其特征在于，包括如下步骤：

第一步，提出了所述转换过程中车辆状态转换的优选策略，见图1：

无人驾驶车群的形成是从处于选举状态SE的车辆开始，无人驾驶车辆首先尝试连接到现有车群以达到最小化引领节点LN数量的目的；而当无人驾驶车辆附近存在引领节点和普通节点时，优先连接到引领节点组成车群，使得该无人驾驶车辆不需要转发信息就能与引领节点直接通信，降低数据分组延迟。

如图3所示，每个车辆状态转换策略：

1)无人驾驶车辆节点，扫描车辆节点附近，判断是否存在车辆节点，是则进入步骤2)，否则进入步骤3)；

2)判断车辆节点是否为引领节点LN，是则通过该引领节点LN加入该引领节点所在的车群，否则通过普通节点CN加入该引领节点所在的车群；结束；

3)判断是否存在游离节点FN，有则与之新建车群，结束；否则将自身切换为游离节点FN状态，跳转进入步骤1)。

下面举例而非限制，每个车辆节点在高速公路场景中一直是运动的，状态转换一直在进行中，以下给出每个当前无人驾驶车辆节点实时运行的状态转换算法过程，见图4：

第二步，设计车群性能指标步骤，用于提升形成车群的稳定性。

在无人驾驶车群的动态形成过程中，设置无人驾驶车辆状态转换后的状态应满足的四个性能指标，包括可容忍的引领节点比率Rat_LN、可容忍的状态更改次数SC_sum、可容忍的引领节点平均时长AVGT_LN以及计算车群模块度EQ。

其中：

(1)所述引领节点比率，将引领节点的数量与节点总和的比例定义引领节点比率Rat_LN，其数学表达式为(9)：

其中，

N_LN表示在某个指定时刻引领节点的数量，即车群的个数；

表示此时道路中总节点数量；

Rat_LN，其较小的引领节点比例值表示车群具有更高的稳定性，设置阈值得到可容忍的引领节点比率Rat_LN。

(2)所述平均状态更改次数，是指无人驾驶车辆节点在其生命周期中变化状态的次数，其数学表达式为(10)：

其中，SC_v表示无人驾驶车辆节点v在其生命周期中状态更改的次数，

表示节点的总数量，N_i表示无人驾驶车辆节点v_i所在车群的节点的集合。

无人驾驶车群在其运行中，必然会出现状态的变化，设置阈值得到可容忍的状态更改次数SC_sum，通过干预使避免频繁的状态变化，以保证车群稳定性。

(3)所述引领节点平均时长，将节点当作引领节点的正常时间段采用引领节点平均时长表示，其数学表达式为(11)：

其中，

表示节点i在其生命周期中充当引领节点的时间；

N_LN表示引领节点的数量。

所述引领节点平均时长AVGT_LN，其时间段值越高，表示车群具有较高的稳定性，设置阈值得到可容忍的引领节点平均时长AVGT_LN。

(4)所述车群模块度EQ用于对车群内部与车群外部密集程度进行量化，其数学表达式为(8)：

其中，

m是网络中边的数目，两个车辆节点之间通信就视为两个节点之间存在一条边；

Q_i和Q_j分别表示节点i和j所在车群中节点数目；

A_ij为网络节点所描述的邻接矩阵；

d_i和d_j表示两个不同节点i和j的度；

函数δ(VG_i,VG_j)为判别函数，用于判断车辆节点i和j是否同属于一个车群中，如果在同一个车群中，则函数δ(VG_i,VG_j)的值为1，否则为0；

计算车群模块度EQ，模块度值越大，说明车群形成算法所得到的结果耦合度高，稳定性强。

第三步、车群形成算法DGFRM(Driverless Group Formation)，具体流程图如图5所示。

本发明车群形成算法是在车辆运动过程中通过遍历发现已经形成的稳定的车群。具体说，高速公路场景内实时更新的动态拓扑网络车群中，场景内每个车群形成和解散的更新代谢算法，可运行于每个当前引领节点LN节点，具体算法步骤如下：

S1:在当前引领节点LN节点上，在当前车群网络拓扑图中，遍历经过状态转换后的无人驾驶车辆集合VS；

S2:计算当前车群车辆集合VS的引领节点比率Rat_LN；

S3:判断Rat_LN是否满足设定阈值Rat_th；

S4:计算车辆集合的状态更改次数SC_sum；

S5:计算车辆集合的引领节点平均时长AVGT_LN；

S6:当S4和S5同时满足设定阈值时，执行S7；

S7:计算车群模块度EQ；

S8:保存当前车群；

S9:执行S2直至循环结束；

S10:返回无人驾驶车群集合。

所述网络拓扑图G(V,E,W)：G表示高速公路中由无人驾驶车辆节点组成的网络拓扑图，它是一个无向有权图。其中，V表示无人驾驶车辆节点的集合，E表示拓扑图中边的集合，边代表车辆节点之间通信链接，W表示拓扑图中边的权值集合，权值反映了相应边的两个车辆节点通信频率以及稳定程度。实施例1中表1。

通过上述的状态转换算法、车群形成算法，本发明高速公路场景内实时更新的动态拓扑网络车群中每个无人驾驶车群模型可以保持无人驾驶车辆节点之间的互联互通，使得车群内节点可以有目的的信息交互；同时，由于本发明车群形成算法中使用模块度度量车群内节点的连通度与稳定度，在满足引领节点比率、状态更改次数、引领节点平均时长的条件限制，形成无人驾驶车群；

进一步的，本发明采用无人驾驶车群模型用来评价车群的稳定性和连通性，并由模块度来度量；本发明采用模块度量化了车群无人驾驶车群模型的连接密度；

为此，本发明无人驾驶车群模型采用模块度来度量表示，表示为(12)：

其中，

N_VG表示无人驾驶车群的模块度；

Rat_th，SC_th和AVGT_th分别表示形成车群的引领节点比率、状态更改次数、引领节点平均时长的阈值，根据真实路网环境需求设定；

Rat_LN表示车群引领节点的比率；

SC_sum表示车群的状态更改次数；

AVGT_LN表示引领节点平均时长；

无人驾驶车群模型应当先判断引领节点比率、状态更改次数小于其阈值，且引领节点平均时长大于其阈值的，则形成的无人驾驶车群可以使得车辆节点更好地稳定实现互联互通，全面感知路网时空资源，接近产业化应用需求。否则，当车群模块度低于其阈值时，无人驾驶车辆节点混沌无序，车群建立失败，即车群消亡。

作为实施例，进一步给出伪代码：

备注：算法2具体说明如下：

/>

仿真实验验证

为了能够验证无人驾驶车群模型以及本发明实施例2提出车群形成算法，采用仿真实验的方式对高速公路场景车群进行模拟，以验证模型的正确性和合理性。

(1)仿真实验数据与方法

本发明仿真实验使用的网络模拟器为ns3(版本3.17)(对大型网络离散事件具有良好性能)以及SUMO微观交通仿真软件(由德国航空航天中心生成，是一个开源，空间连续，离散时间的交通模拟器，通过使用到前车的距离，行驶速度，车辆尺寸和加速以及减速曲线来确定车辆的加速和超车决定，如图6所示作为仿真实验平台。

为了模拟高速公路场景，道路拓扑结构设定为一条长度为10千米的单向双车道，每两千米设定一个出口。将100辆无人驾驶车辆随机注入道路中。总仿真时间为310秒，无人驾驶车群形成过程从第10秒开始，所有的性能指标都会在剩余的300秒内进行评估。在仿真实验中，无人驾驶车辆设定速度在指定区间服从均匀分布，下限为60千米/小时，上限为120千米/小时，且随机选择车辆行驶方向的出口离开高速公路。

仿真实验的具体参数见表3。无人驾驶车群引领节点与普通节点的最大允许跳数在[1-3]范围内选择。无人驾驶车群跳数大于三跳时，车群的稳定性会大大降低，由于车辆之间维护VIBT信息需要在最大跳数范围内传递信息，过高的跳数会导致传递信息急剧增加，以及在车群形成过程中会有更多的冲突。同时使用MDMAC(Modified Distributed andMobility-Adaptive Clustering)方法与本发明提出的DGFRM进行对比实验，比较两种方法在车群形成中的性能。

表3仿真实验参数

(2)仿真实验结果与分析

1)无人驾驶车群模块度

模块度是衡量无人驾驶车辆形成车群稳定的重要评价标准。模块度的值越大表明形成的无人驾驶车群越稳定。仿真实验设定实验运行10s后无人驾驶车辆开始形成车群，且设定车群最大允许跳数为3跳，每10ms取样一次，并计算当下车群的模块度，然后与MDMAC方法进行比较，结果如图7所示，圆点线表示DGFRM方法在车群形成过程的模块度随时间变化的关系，菱形线表示MDMAC方法在车群形成过程的模块度随时间变化的关系曲线。可以直观看出，无人驾驶车群模块度值从开始一直大幅上涨直至趋于稳定，表明车群形成过程逐渐完成后保持稳定状态。DGFRM方法形成速度快于MDMAC方法，大约在220ms后车群形成完毕，之后保持稳定，而MDMAC方法形成过程大约需要280ms。同时从图7中可以看出DGFRM方法形成车群后的车群模块度高于MDMAC方法，证明本发明提出的方法聚合效果好，稳定性高。

在车群形成后，为了验证车群模型的稳定性，统计无人驾驶车群模块度与时间的关系图，在20s到200s之间计算车群的模块度，每10s取样并计算一次，结果如图8所示。从图中可以看出，DGFRM方法形成的车群模块度高于MDMAC方法，且车群模块度波动小，即DGFRM方法形成的车群相对稳定，保证车辆之间互联互通，有目的的交互信息，从而有效满足未来无人驾驶运动行为智能化所需要的模型。

2)无人驾驶车群引领节点比率

无人驾驶车群引领节点的比率定义为引领节点的数量与节点总和的比例。引领节点比率值越小表明形成的无人驾驶车群中引领节点数较少，那么车群的稳定性就越高。首先在不同的车辆平均速度下对DGFRM车群形成方法与MDMAC方法进行仿真实验，计算出无人驾驶车群在110s时车群的引领节点比率，如图9中，红色实线表示DGFRM方法下形成车群的引领节点比率与平均速度的关系，蓝色虚线表示MDMAC方法下形成车群引领节点比率与平均速度的关系曲线。然后分别绘制高速公路场景下DGFRM车群形成方法与MDMAC方法在最大允许跳数[1，3]跳情况下，无人驾驶车群引领节点比率与平均速度的关系曲线，如图8，图9和图10中DGFRM为实线、MDMAC为虚线所示。在不同最大允许跳数的情况下，均出现了车群引领节点比率曲线呈现上升趋势，如图9，在最大允许跳数为一跳的情况下，无人驾驶车辆速度区间在[60,70]千米/小时，无人驾驶车群引领节点比率值为0.06；当速度区间为[60,100]千米/小时，引领节点比率值为0.13；当速度区间为[60,120]千米/小时，引领节点比率值为0.19。因为引领节点随着速度的增加，车群内无人驾驶车辆速度差异增大，车群不能维持原有稳定状态，将会导致一部分节点不能与车群引领节点保持连接，从而车辆节点退回选举状态或游离节点状态，在合适的时机与其他节点形成新的无人驾驶车群。

从图9，图10和图11中，可以看出本章提出的DGFRM方法和MDMAC方法在相同的最大允许跳数与速度的前提下，DGFRM方法的引领节点比率值绝大部分情况下低于MDMAC方法的引领节点比率值，证明本文提出的方法聚合效果好，稳定性高。另一方面，本发明提出的车群形成算法DGFRM随着车辆间最大允许跳数的增加，引领节点比率值降低，当速度区间为[60,90]千米/小时，无人驾驶车群模块度在最大允许跳数分别为1,2,3时，值分别为0.1，0.08，0.06。这是因为车群随着最大允许跳数增加，同一引领节点所在的车群内车辆数量增多，从而导致引领节点比率减小。

3)平均状态更改次数

平均状态更改次数是指无人驾驶车辆节点在其生命周期中更改状态次数。较高的平均状态更改次数意味着形成的无人驾驶车群不太稳定。如图11所示，节点在其生命周期中状态更改次数随着无人驾驶车辆平均速度的增加而增加。这是由于设置车辆最高速度的增加，使得无人驾驶车辆速度差异增大，形成的车群稳定性下降，节点状态更改频繁，最终导致无人驾驶车辆的平均状态更改次数增加。当无人驾驶车辆速度设置为60-70千米/小时的区间时，所有节点的速度差异非常小，即使在高速运动下，形成的车群也能保持相对稳定，节点平均状态更改次数较小。另一方面，从图12，图13，图14综合看出DGFRM算法随着车辆间信息传递最大允许跳数的增加，平均状态更改次数随之减小，这是因为无人驾驶车群随着最大跳数增加，形成的车群包含车辆增多，可以交互传递的信息增加，从而增强车群的稳定性，使得平均状态更改次数降低。

4)引领节点平均时长

引领节点平均时长被定义为无人驾驶车辆从进入引领节点状态开始直至改变为选举状态持续总时间长度。首先在不同的车辆平均速度下对DGFRM车群形成方法与MDMAC车群形成方法进行仿真实验，计算引领节点的平均时长，如图14中，红色实线表示通过DGFRM方法形成车群的引领节点平均时长与平均速度的关系，蓝色虚线表示通过MDMAC方法形成车群的引领节点平均时长与平均速度的关系曲线。然后分别绘制高速公路场景下DGFRM车群形成方法与MDMAC方法在最大允许跳数为[1，3]跳情况下，无人驾驶车群引领节点平均时长与平均速度的关系曲线，如图14，图15和图16中DGFRM为实线、MDMAC为虚线所示。在基于不同的最大允许跳数的车群形成过程中，无人驾驶车群引领节点平均时长曲线均呈现下降趋势，如图14，在最大允许跳数为一跳的情况下，当无人驾驶车辆速度区间在[60,70]千米/小时，无人驾驶车群引领节点平均时长值为243秒；当速度区间为[60,100]千米/小时，无人驾驶车群引领节点平均时长为215秒；当速度区间为[60,120]千米/小时，无人驾驶车群引领节点平均时长为201秒。这是因为随着车辆的平均速度的增加，车群内车辆速度差异变大，网络拓扑具有高动态性，引领节点在高速运动下停留在车群中的时间将会降低。

从图15，图16和图17中，可以看出本发明提出的DGFRM车群形成方法和MDMAC方法在相同最大允许跳数与平均速度的情况下，DGFRM方法的引领节点平均时长总是高于MDMAC方法，证明本发明提出的方法聚合效果好，形成的车群稳定性高，这是因为算法DGFRM具有高效的车群维护机制。另一方面，本章提出的DGFRM算法随着车辆间信息传递最大允许跳数的增加，引领节点平均时长增高，当速度区间为[60,90]千米/小时，无人驾驶车群模块度在最大允许跳数为1,2,3时，值分别为232秒，252秒，261秒。这是因为车群随着跳数增加，引领节点有更大的机会找到其他节点，同时，无人驾驶车辆以较高的跳数收集关于周围其他无人驾驶车辆的更多信息，有助于形成较大且稳定的车群。

Claims (3)

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过程方法，其特征在于，包括如下步骤：

一、预定义

(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；

dist_t(v_i,v_j)表示t时刻无人驾驶车辆节点v_i与另一无人驾驶车辆节点v_j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v_i与另一无人驾驶车辆节点v_j满足DVC(v_i,v_j)>0，则称v_i与v_j互为邻居节点，反映在拓扑图中即是v_i与v_j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(v_i,v_j)＝1 if DVC(v_i,v_j)>0 (2)

定义3邻居节点集N_i,t：表示无人驾驶节点v_i在t时刻的邻居节点的集合V_j，数学表达式为(3)：

(二)、定义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VG_i与VG_j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)引领节点状态与普通节点状态

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)和若干个普通成员节点CN(Common node)；

每个引领节点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N_i中除引领节点外，剩下无人驾驶车辆节点处于普通节点状态；

(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)、定义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，定义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，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；

二、构建无人驾驶车群过程包括如下步骤：

第一步，车辆状态初始化策略：

1)无人驾驶车辆节点，扫描车辆节点附近，判断是否存在车辆节点，是则进入步骤2)，否则进入步骤3)；

2)判断车辆节点是否为引领节点LN，是则通过该引领节点LN加入该引领节点所在的车群，否则通过普通节点CN加入该引领节点所在的车群；结束；

3)判断是否存在游离节点FN，有则与之新建车群，结束；否则将自身切换为游离节点FN状态，跳转进入步骤1)；

第二步，设计车群性能指标步骤，用于提升形成车群的稳定性；

在无人驾驶车群的动态形成过程中，设置无人驾驶车辆状态转换后的状态应满足的四个性能指标，包括可容忍的引领节点比率Rat_LN、可容忍的状态更改次数SC_sum、可容忍的引领节点平均时长AVGT_LN以及计算车群模块度EQ；

其中：

(1)所述引领节点比率，将引领节点的数量与节点总和的比例定义引领节点比率Rat_LN，其数学表达式为(9)：

其中，

N_LN表示在某个指定时刻引领节点的数量，即车群的个数；

表示此时道路中总节点数量；

Rat_LN，其较小的引领节点比例值表示车群具有更高的稳定性，设置阈值得到可容忍的引领节点比率Rat_LN；

(2)所述平均状态更改次数，是指无人驾驶车辆节点在其生命周期中变化状态的次数，其数学表达式为(10)：

其中，SC_v表示无人驾驶车辆节点v在其生命周期中状态更改的次数，

表示节点的总数量，N_i表示无人驾驶车辆节点v_i所在车群的节点的集合；

(3)所述引领节点平均时长，将节点当作引领节点的正常时间段采用引领节点平均时长表示，其数学表达式为(11)：

其中，

表示节点i在其生命周期中充当引领节点的时间；

N_LN表示引领节点的数量；

所述引领节点平均时长AVGT_LN，其时间段值越高，表示车群具有较高的稳定性，设置阈值得到可容忍的引领节点平均时长AVGT_LN；

(4)所述车群模块度EQ用于对车群内部与车群外部密集程度进行量化，其数学表达式为(8)：

其中，

m是网络中边的数目，两个车辆节点之间通信就视为两个节点之间存在一条边；

Q_i和Q_j分别表示节点i和j所在车群中节点数目；

A_ij为网络节点所描述的邻接矩阵；

d_i和d_j表示两个不同节点i和j的度；

函数δ(VG_i,VG_j)为判别函数，用于判断车辆节点i和j是否同属于一个车群中，如果在同一个车群中，则函数δ(VG_i,VG_j)的值为1，否则为0；

计算车群模块度EQ，模块度值越大，说明车群形成算法所得到的结果耦合度高，稳定性强；

第三步、车群形成算法DGFRM(Driverless Group Formation)

高速公路场景内实时更新的动态拓扑网络车群中，场景内每个车群形成和解散的更新代谢算法，运行于每个当前引领节点LN节点，具体算法步骤如下：

S1:在当前引领节点LN节点上，在当前车群网络拓扑图中，遍历经过状态转换后的无人驾驶车辆集合VS；

S2:计算当前车群车辆集合VS的引领节点比率Rat_LN；

S3:判断Rat_LN是否满足设定阈值Rat_th；

S4:计算车辆集合的状态更改次数SC_sum；

S5:计算车辆集合的引领节点平均时长AVGT_LN；

S6:当S4和S5同时满足设定阈值时，执行S7；

S7:计算车群模块度EQ；

S8:保存当前车群；

S9:执行S2直至循环结束；

S10:返回无人驾驶车群集合

通过上述的状态转换算法、车群形成算法，高速公路场景内实时更新的动态拓扑网络车群中每个无人驾驶车群模型可以保持无人驾驶车辆节点之间的互联互通，使得车群内节点可以有目的的信息交互；同时，由于车群形成算法中使用模块度度量车群内节点的连通度与稳定度，在满足引领节点比率、状态更改次数、引领节点平均时长的条件限制，形成无人驾驶车群。

2.如权利要求1所述的方法，特征在于，采用无人驾驶车群模型用来评价车群的稳定性和连通性，并由模块度来度量；采用模块度量化了车群无人驾驶车群模型的连接密度；

为此，无人驾驶车群模型采用模块度来度量表示，表示为(12)：

其中，

N_VG表示无人驾驶车群的模块度；

Rat_th，SC_th和AVGT_th分别表示形成车群的引领节点比率、状态更改次数、引领节点平均时长的阈值，根据真实路网环境需求设定；

Rat_LN表示车群引领节点的比率；

SC_sum表示车群的状态更改次数；

AVGT_LN表示引领节点平均时长；

无人驾驶车群模型应当先判断引领节点比率、状态更改次数小于其阈值，且引领节点平均时长大于其阈值的，则形成的无人驾驶车群可以使得车辆节点更好地稳定实现互联互通，全面感知路网时空资源，接近产业化应用需求；否则，当车群模块度低于其阈值时，无人驾驶车辆节点混沌无序，车群建立失败，即车群消亡。

3.如权利要求1所述的方法，特征在于，每个车辆节点在高速公路场景中一直是运动的，状态转换一直在进行中，以下给出每个当前无人驾驶车辆节点实时运行的状态转换算法过程：

S1:扫描车辆节点附近是否存在的引领节点LN，是则进入S2,否则S16；

S2:判断引领节点LN的连接状态是否可以连接，是则进入S3,否则S8；

S3:判断引领节点LN所在车群的成员数量是否小于允许的最大成员数量；是则进入S4,否则进入S8；

S4:引领节点LN车辆节点是否同意发送请求连接信号，是则进入S5，否则进入S7；

S5:在指定时间内收到同意连接信号；进入S6；

S6:车辆节点通过引领节点LN加入车群；结束；

S7:否则，将引领节点LN的连接状态设置为false；进入S8；S8:扫描车辆节点附近，是否存在的普通节点CN，是则进入S9，否则进入S17；

S9:判断普通节点CN的连接状态是否为false，同意连接则进入S10，否则进入S17；

S10:判断普通节点CN所在车群的成员数量Num是否小于允许的最大成员数量，则进入S11；否则进入S17；

S11:判断车辆与普通节点所在车群的引领节点LN连接的跳数是否小于最大允许跳数；是则进入S12；否则进入S15；

S12:车辆节点发送请求连接信号；进入S13；

S13:在指定时间内收到同意连接信号；进入S14；

S14:车辆节点通过普通节点CN加入车群；

S15:否则，跳数大于最大允许跳数，车辆节点之间不再通信，将普通节点CN的连接状态设置为false，进入S17；

S16:判断车辆节点附近是否存在游离节点FN，是则进入S18，否则进入S17；

S17:车辆节点由选举状态SE转换到游离节点FN状态；

S18:车辆节点附近存在其他选举状态的节点，且车辆节点具有最小的平均相对速度，所述最小的平均相对速度决定节点之间是否可以有效通信，是则进入S19，否则进入S17；

S19:车辆节点由选举状态SE转换为引领节点LN状态并广播引领节点信号。

Images