车辆集群行驶的可靠性确定方法与装置、服务器制造方法及图纸

本申请公开了一种车辆集群行驶的可靠性确定方法与装置、服务器，该方法包括：获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据；根据第一数据确定在第一时刻下的M个偏差率，M为正整数；将M个偏差率输入神经网络模型以得到系统故障率；根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态转移概率矩阵；根据状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，第二时刻为第一时刻的下一时刻，从而利用神经网络模型和马尔科夫模型实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定。准确的可靠性确定。准确的可靠性确定。

【技术实现步骤摘要】
车辆集群行驶的可靠性确定方法与装置、服务器


[0001]本申请涉及自动驾驶
，具体涉及一种车辆集群行驶的可靠性确定方法与装置、服务器。

技术介绍

[0002]自动驾驶车辆集群，是自动驾驶领域的重要应用，能有效提升自动驾驶规模化交通运行效率，能显著缓解交通拥堵等。
[0003]自动驾驶车辆集群包括自动驾驶单车和自动驾驶车辆编队。其中，自动驾驶单车是具有自动驾驶功能的单个车辆，而自动驾驶车辆编队是通过将具有自动驾驶功能的多个车辆进行合理编队所组成的。
[0004]自动驾驶车辆集群行驶的可靠性关系到自动驾驶单车和自动驾驶车辆编队的行驶效率和行驶时间，对自动驾驶策略、自动驾驶安全以及稳定性有着重要影响。然而，目前针对自动驾驶车辆集群行驶的可靠性的研究较少，还需要进一步研究。

技术实现思路

[0005]本申请实施例提供了一种车辆集群行驶的可靠性确定方法与装置、服务器，以期望利用神经网络模型和马尔科夫模型实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定。
[0006]第一方面，为本申请的一种车辆集群行驶的可靠性确定方法，包括：
[0007]获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，所述第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；
[0008]根据所述第一数据确定在第一时刻下的M个偏差率，所述偏差率用于表示所述自动驾驶车辆集群中的车辆在所述行驶路径中产生偏差的概率，M为正整数；
>[0009]将M个所述偏差率输入神经网络模型以得到系统故障率，所述系统故障率用于表示所述自动驾驶车辆集群中的车辆在所述第一时刻下发生系统故障的概率；
[0010]根据所述系统故障率确定马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态转移概率矩阵；
[0011]根据所述状态转移概率矩阵确定所述自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，所述第二时刻为所述第一时刻的下一时刻。
[0012]可见，本申请可以从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据(即第一数据)来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻(即第一时刻)下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻(即第二时刻)下行驶的状态变化趋势以确定(评估/估计/分析等)可靠性。
[0013]这样，通过采用神经网络模型的不断学习、训练能力和较高的预测能力，可以保证所得到的系统故障率具有更高的准确度，以及通过采用马尔科夫模型的预测能力而不需要依据大量的历史数据进行分析推导，使得所需收集的数据量少，计算量小，实用性较强，最终实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定，大幅缩短可靠性的评估周期，提高可靠性的评估效率，满足当下汽车行业针对自动驾驶车辆集群行驶的可靠性评估的发展需求。
[0014]第二方面，为本申请的一种车辆集群行驶的可靠性确定装置，包括：
[0015]数据获取单元，用于获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，所述第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；
[0016]偏差率确定单元，用于根据所述第一数据确定在第一时刻下的M个偏差率，所述偏差率用于表示所述自动驾驶车辆集群中的车辆在所述行驶路径中产生偏差的概率，M为正整数；
[0017]系统故障率确定单元，用于将M个所述偏差率输入神经网络模型以得到系统故障率，所述系统故障率用于表示所述自动驾驶车辆集群中的车辆在所述第一时刻下发生系统故障的概率；
[0018]状态转移概率矩阵确定单元，用于根据所述系统故障率确定马尔科夫模型在所述第一时刻下的状态转移概率矩阵；
[0019]可靠性确定单元，用于根据所述状态转移概率矩阵确定所述自动驾驶车辆集群在第二时刻下行驶的可靠性，所述第二时刻为所述第一时刻的下一时刻。
[0020]可见，本申请可以通过车辆集群行驶的可靠性确定装置从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据(即第一数据)来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻(即第一时刻)下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻(即第二时刻)下行驶的状态变化趋势以确定可靠性。
[0021]这样，通过采用神经网络模型的不断学习、训练能力和较高的预测能力，可以保证所得到的系统故障率具有更高的准确度，以及通过采用马尔科夫模型的预测能力而不需要依据大量的历史数据进行分析推导，使得所需收集的数据量少，计算量小，实用性较强，最终实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定(评估/估计/分析等)，大幅缩短可靠性的评估周期，提高可靠性的评估效率，满足当下汽车行业针对自动驾驶车辆集群行驶的可靠性评估的发展需求。
[0022]第三方面，为本申请的一种服务器，包括处理器、存储器及存储在所述存储器上的计算机程序或指令，所述处理器执行所述计算机程序或指令以实现上述第一方面中所设计的方法中的步骤。
[0023]可见，本申请可以通过服务器的计算优势实现上述第一方面中利用神经网络模型和马尔科夫模型对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定，以及提高针对可靠性确定的运算效率。
[0024]第四方面，为本申请的一种计算机可读存储介质，其中，其存储有计算机程序或指
令，所述计算机程序或指令被执行时以实现上述第一方面中所设计的方法中的步骤。
[0025]第五方面，为本申请的一种计算机程序产品，包括计算机程序或指令，其中，所述计算机程序或指令被执行时以实现上述第一方面中所设计的方法中的步骤。
附图说明
[0026]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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0027]图1是本申请实施例的一种自行驾驶车辆集群行驶的可靠性确定系统架构的示意图；
[0028]图2是本申请实施例的一种自动驾驶车辆集群行驶的可靠性确定系统的结构示意图；
[0029]图3是本申请实施例的一种车辆当前所行驶路径的行驶限速的示意图；
[0030]图4是本申请实施例的一种车辆当前行驶方向的示意图；
[0031]图5是本申请实施例的一种车辆当前车身中心位置的示意图；
[0032]图6是本申请实施例的一种相同的行驶路径上的前后两辆车的示意图；
[0033]图7是本申请实施例的一种红绿灯路口的前向停止线的示意图；
[0034]图8是本申请实施例的一种马尔科夫状态中的五个状态之间相互本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆集群行驶的可靠性确定方法，其特征在于，包括：获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，所述第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；根据所述第一数据确定在第一时刻下的M个偏差率，所述偏差率用于表示所述自动驾驶车辆集群中的车辆在所述行驶路径中产生偏差的概率，M为正整数；将M个所述偏差率输入神经网络模型以得到系统故障率，所述系统故障率用于表示所述自动驾驶车辆集群中的车辆在所述第一时刻下发生系统故障的概率；根据所述系统故障率确定马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态转移概率矩阵；根据所述状态转移概率矩阵确定所述自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，所述第二时刻为所述第一时刻的下一时刻。2.根据权利要求1所述的方法，其中，所述将M个所述偏差率输入神经网络模型以得到系统故障率，包括：获取N个影响度区间和所述影响度区间对应的敏感度阈值，所述影响度区间用于表示所述偏差率对所述系统故障率的影响度的阈值区间；其中，所述影响度区间对应的敏感度阈值用于表示所述偏差率影响所述系统故障率的敏感度的阈值；N为M和L的乘积，L为所述偏差率对应的马尔科夫状态中的状态个数；根据M个所述偏差率、N个所述影响度区间和所述影响度区间的敏感度阈值确定M个所述偏差率各自对应的第一置信值，所述第一置信值用于表示所述系统故障率的置信值；将M个所述偏差率输入所述神经网络模型，并以所述第一置信值作为期望值进行学习和训练以输出所述系统故障率。3.根据权利要求2所述的方法，其中，所述将M个所述偏差率输入所述神经网络模型，并以所述第一置信值作为期望值进行学习和训练以输出所述系统故障率，包括：确定M个所述偏差率各自对应的所述第一置信值中的最大值以得到第二置信值；将M个所述偏差率输入所述神经网络模型，并以所述第二置信值作为期望值进行学习和训练以输出所述系统故障率。4.根据权利要求2所述的方法，其中，所述马尔科夫状态包括以下至少之一项：第一状态、第二状态、第三状态、第四状态、第五状态；所述第一状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于未行驶所建模的状态；所述第二状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于正常行驶所建模的状态；所述第三状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于一般行驶所建模的状态；所述第四状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于异常行驶所建模的状态；所述第五状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于故障行驶所建模的状态。
5.根据权利要求1所述的方法，其中，所述根据所述系统故障率确定马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态转移概率矩阵，包括：根据所述系统故障率确定所述马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态；根据所述自动驾驶车辆集...

【专利技术属性】
技术研发人员：郑洪江，谢超，
申请(专利权)人：博泰车联网科技上海股份有限公司，
类型：发明
国别省市：