基于SPZN的智能网联汽车系统随机事件预测方法技术方案

本发明专利技术涉及基于SPZN的智能网联汽车系统随机事件预测方法，属于无人驾驶、预测和控制策略领域；通过将Z语言形式化描述和SPN模型融合成为新的SPZN模型来实现功能，能够有效的解决SPN网因节点设备众多而带来的状态爆炸问题和Z框架动态能力和实时性不足的问题；结合通信实时获取汽车电子控制单元信息并依据相关交通规则，建立的智能网联汽车系统的SPZN形式化模型，能够实现多源异构复杂环境下的智能网联汽车系统针对随机事件的预防，提升智能网联汽车行驶的安全性和可靠性，同时，基于深度学习的相关约束规则参数调整能够更加准确的选择对应策略。择对应策略。择对应策略。

【技术实现步骤摘要】
基于SPZN的智能网联汽车系统随机事件预测方法


[0001]本专利技术涉及基于SPZN的智能网联汽车系统随机事件预测方法，属于无人驾驶、预测和控制策略领域，尤其适用于基于SPZN的智能网联汽车系统随机事件预测。

技术介绍

[0002]随着人工智能、大数据分析与处理技术、无线通信技术、车联网、无人驾驶技术等日趋成熟，智能网联汽车已广泛应用于物流、人民生活、兵力部署等民用和军事领域。在这种多源异构复杂环境下，智能网联汽车系统的协同控制显得尤其重要。采用具有严格数理逻辑基础的形式化建模和分析方法对智能网联汽车系统协同控制策略进行预测，有利于加强网联汽车的安全性。
[0003]与传统汽车系统控制方法(夏海英等人的文章“一种车车协同行驶建模方法”为代表)相比，智能网联汽车系统的运行环境复杂多变、终端传感器设备数量庞杂，更重要的是智能网联汽车系统对数据传输的实时性和正确性要求极高。面对多源异构环境下发生的随机事件，能尽可能的快速响应，给出正确的预测结果和合理有效的下一步策略实施方案，是保证网联汽车行驶安全的必要手段。目前，形式化方法(封飞等人的文章“基于混成自动机的车联网服务建模方法”为代表)虽然在智能交通的传输协议、站点信号、可信构造、应急预警方案、最短路径找寻等方面均有运用，然而在智能网联汽车系统信息安全传输的协同控制方面，并没有较为突出有效的方法。
[0004]进一步，Petri网作为形式化方法的一种，常用来对离散并行系统进行建模仿真和分析；在此基础上发展出来的时间Petri网和随机Petri网(Stochastic Petri Nets，SPN)，能够用来很好地解决智能网联汽车系统控制仿真问题。Z语言的提出和发展可以对多源异构复杂环境系统的一致性描述有了很大的帮助，刘洋在博士论文“网络式软件需求验证的形式化方法研究”提出了集成Petri网和Z语言的PZN(base on Z language and Petri Nets)模型，但是该模型无法实现系统在变迁动态过程的时间上描述。专利CN202011341700.9基于TPZN的智能网联汽车系统协同控制方法，提出了能够集成时间Petri网和Z语言的TPZN模型，能够有效的解决智能网联汽车系统的协同控制问题，避免因节点设备众多而带来的状态爆炸问题。但其不能够对一些随机事件进行形象的描述，而车辆在运行过程中发生各种随机事件是无法避免的，所以对智能网联汽车来说随机事件的描述能力是至关重要的。

技术实现思路

[0005]有鉴于此，本专利技术提供基于SPZN的智能网联汽车系统随机事件预测方法，针对多源异构复杂环境下的智能网联汽车系统应对随机事件问题，提出通过融合Z语言形式化描述和SPN网模型，建立智能网联汽车系统协同控制的基于Z语言的时间Petri网(base on Z language and Stochastic Petri Nets，SPZN)形式化模型：其中SPN网部分刻画智能网联汽车系统的信息传输过程流，Z语言框架结构描述少量设计节点及信息传输规则；前置条件
和后置条件来形式刻画智能网联汽车系统传输过程中每一状态转变过程中所需要的限制条件。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]基于SPZN的智能网联汽车系统随机事件预测方法，通过智能网联汽车系统进行实现；所述的智能网联汽车系统由多辆智能网联汽车的车载自组织网络和分别与之相连的汽车电子控制单元(ECU)和智能控制系统构成；所述的车载自组织网络由多个车载短程通信装置联网实现，可实现车与车之间的通信及车与路之间的通信；所述的汽车电子控制单元为汽车上安装的传感器、控制器和执行机构；智能控制系统为带有SPZN控制算法的中央处理器(CPU)。
[0008]包括如下步骤：
[0009]S1：智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则，进行车辆控制信息流传输相关约束规则制定；
[0010]s2：基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点，利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述；
[0011]S3：根据车辆控制信息流、传输过程中相关约束规则、智能网联汽车状态、状态在某一时段内出现的概率、变迁的前置条件、后置条件，建立智能网联汽车系统的融合Stochastic Petri网(SPN)模型；
[0012]S4：融合Z语言形式化描述和融合Stochastic Petri网模型，建立智能网联汽车系统协同控制的SPZN形式化模型；
[0013]S5：根据智能网联汽车系统协同控制的SPZN形式化模型，将该模型的可达性问题转换为图同构的马尔科夫链模型；
[0014]S6：分析该系统同构的马尔科夫链模型，根据稳态概率状态选择对应策略；
[0015]S7：针对步骤S6中预测汽车发生事故的情形，对车辆控制信息流传输相关约束规则进行修改。
[0016]进一步，单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id
‑
name和汽车电子控制单元属性；所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存在的状态P＝{p
i
|i＝1，2，
…
，m}、所有的汽车电子控制单元对应的所有存在的变迁T＝{t
j
|j＝1，2，
…
，n}以及对应的所有存在的操作的变迁实施速率λ＝{λ
j
|j＝1，2，
…
，n}；其中，m、n为所有汽车电子控制单元对应的状态和操作的总数，所述的变迁实施速率即为变迁发生的平均时延的倒数。
[0017]更进一步，所述的含所有的汽车电子控制单元状态P可以按照理论推导、人为经验或者深度学习分类器(如SVM支持向量机等)训练将其分为正常驾驶状态和非正常驾驶状态。优选的，长短期记忆人工神经网络(LSTM)能够更好地适用于本专利技术场景。
[0018]进一步，所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系；所述的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、输出O；所述的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间的前置条件P
×
T和后置条件T
×
P。
[0019]进一步，步骤S3所述的智能网联汽车系统的融合Stochastic Petri网模型为(P，T，F，M0，λ)五元组的融合Stochastic Petri网模型；其中，
[0020](1)为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集合，等价于有向弧集合；
[0021](2)M
i
＝(vol(p1)，vol(p2)，
…
，vol(p
m
))为智能网联汽车系统操作变迁前的状态向量，其中，初始时刻i＝0，vol(p
j
)为当前状态p
j
的汽车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SPZN的智能网联汽车系统随机事件预测方法，通过智能网联汽车系统进行实现；所述的智能网联汽车系统由多辆智能网联汽车的车载自组织网络和分别与之相连的汽车电子控制单元和智能控制系统构成；所述的车载自组织网络由多个车载短程通信装置联网实现，可实现车与车之间的通信及车与路之间的通信；所述的汽车电子控制单元为汽车上安装的传感器、控制器和执行机构；智能控制系统为带有SPZN控制算法的中央处理器；其特征在于，该方法包含以下步骤：S1：智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则，进行车辆控制信息流传输相关约束规则制定；S2：基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点，利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述；S3：根据车辆控制信息流、传输过程中相关约束规则、智能网联汽车状态、状态在某一时段内出现的概率、变迁的前置条件、后置条件，建立智能网联汽车系统的融合Stochastic Petri网(SPN)模型；S4：融合Z语言形式化描述和融合Stochastic Petri网模型，建立智能网联汽车系统协同控制的SPZN形式化模型；S5：根据智能网联汽车系统协同控制的SPZN形式化模型，将该模型的可达性问题转换为图同构的马尔科夫链模型；S6：分析该系统同构的马尔科夫链模型，根据稳态概率状态选择对应策略；S7：针对步骤S6中预测汽车发生事故的情形，对车辆控制信息流传输相关约束规则进行修改。2.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id
‑
name和汽车电子控制单元属性；所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存在的状态P＝{p
i
|i＝1，2，
…
，m}、所有的汽车电子控制单元对应的所有存在的变迁T＝{t
j
|j＝1，2，
…
，n}以及对应的所有存在的操作的变迁实施速率λ＝{λ
j
|j＝1，2，
…
，n}；其中，m、n为所有汽车电子控制单元对应的状态和操作的总数，所述的变迁实施速率即为变迁发生的平均时延的倒数。3.根据权利要求2所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，所述的含所有的汽车电子控制单元状态P可以按照理论推导、人为经验或者深度学习分类器训练将其分为正常驾驶状态和非正常驾驶状态。4.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系；所述的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、输出O；所述的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间的前置条件P
×
T和后置条件T
×
P。5.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法，其特征在于，步骤S3所述的智能网联汽车系统的融合Stochastic Petri网模型为(P，T，F，M0，λ)五元组的融合Stochastic Petri网模型；其中，(1)为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集
合，等价于有向弧集合；(2)M
i
＝(vol(p1)，vol(p2)，
…
，vol(p...

【专利技术属性】
技术研发人员：刘洋，范英齐，黄莉媛，黄大荣，米波，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：