一种基于车路云协同的自动驾驶车辆编队方法技术

本发明专利技术公开了一种基于车路云协同的自动驾驶车辆编队方法，涉及自动驾驶车辆技术领域，每辆车搭载传感器来感知周围环境和其他车辆的状态，传感器包括激光雷达、雷达、摄像头，通过车辆间的通信(车辆到车辆通信，车辆到基础设施通信)，将感知到的信息传递给其他车辆和路侧设施信息，感知到的信息包括位置、速度、加速度、车道偏离；采用数据预测和冗余传输技术，应对网络延迟带来的影响，车辆之间通过通信协议进行实时的信息交换和协同行动。本发明专利技术通过采用数据预测和冗余传输技术，应对网络延迟带来的影响，减小传输延迟，使得车路云协同的数据和指令能够实时传输，从而确保自动驾驶车辆编队的实时性和稳定性。车辆编队的实时性和稳定性。车辆编队的实时性和稳定性。

【技术实现步骤摘要】
一种基于车路云协同的自动驾驶车辆编队方法


[0001]本专利技术涉及自动驾驶车辆
，具体涉及一种基于车路云协同的自动驾驶车辆编队方法。

技术介绍

[0002]车路云协同技术是一个融合了汽车工程、通讯、交通、信息安全、软件等领域的综合技术，车路云协同的自动驾驶车辆编队是指通过车辆之间的通信与路面基础设施的集成，实现多辆自动驾驶车辆之间的协同运行和编队行驶，这种编队可以提高车队的安全性、效率和舒适性，以及交通流量的优化。
[0003]针对现有技术存在以下问题：车路云协同需要实时传输数据和指令，但是网络数据间的传输存在着一定程度上的延迟，会影响编队的实时性和稳定性，以及车辆编队需要实时传输位置、速度等关键信息，但这些数据容易受到攻击或窃取，影响数据的安全性和完整性，再有，各种交通场景和复杂环境下，易出现车辆编队的协同性变差的问题。

技术实现思路

[0004]本专利技术目的在于提供一种基于车路云协同的自动驾驶车辆编队方法，以解决上述
技术介绍
中提出的问题。
[0005]为解决上述技术问题，本专利技术所采用的技术方案是：
[0006]一种基于车路云协同的自动驾驶车辆编队方法，包括以下步骤：
[0007]步骤一、每辆车搭载传感器来感知周围环境和其他车辆的状态，传感器包括激光雷达、雷达、摄像头，通过车辆间的通信(车辆到车辆通信，车辆到基础设施通信)，将感知到的信息传递给其他车辆和路侧设施信息，感知到的信息包括位置、速度、加速度、车道偏离；
[0008]步骤二、采用数据预测和冗余传输技术，应对网络延迟带来的影响，车辆之间通过通信协议进行实时的信息交换和协同行动，包括共享位置、速度、加速度、动作和意图信息，路侧设施与车辆进行通信，提供路况信息、控制指令，通信和协同确保车辆在编队中相互感知，并能够有效地协调行动；
[0009]步骤三、车辆之间通过协同控制算法决策和执行编队行驶的行为，优化编队算法，考虑各种交通场景和复杂环境下的规划策略，利用机器学习和深度学习技术，通过大数据分析和模型训练，提高编队算法的性能和适应性，并生成适当的控制命令来实现编队行驶；
[0010]步骤四、在车路云协同的编队中，采取安全措施，使用加密通信协议，确保数据在传输过程中的安全性，建立完善的数据安全管理机制，加强网络防火墙和入侵检测系统的使用，保护数据的机密性和完整性，防止网络攻击；
[0011]步骤五、集成路侧设施加强车辆编队的性能，交通信号灯根据编队的位置和速度提供优化的信号控制，减少停顿时间和交叉口的拥堵，路边单元提供高精度位置信息，增强车辆感知能力。
[0012]本专利技术技术方案的进一步改进在于：所述步骤二采用数据预测和冗余传输技术，
应对网络延迟带来的影响，具体包括以下步骤：
[0013]A1、通过数据预测分析历史数据和当前数据的趋势，来预测未来数据的值，在车辆编队中，根据车辆的当前状态和传感器数据，结合历史数据，预测车辆将来的位置、速度信息，在网络传输中提前将预测的数据发送给车辆，避免等待实际数据传输所带来的延迟；
[0014]A2、发送冗余的数据副本，增加传输的可靠性和容错能力，在车辆编队中，采用冗余传输的方式，将相同的数据多次传输给车辆，确保数据能够及时到达，使部分数据丢失或延迟。
[0015]本专利技术技术方案的进一步改进在于：所述A1中数据预测采用线性回归方式获取数据预测模型，其计算公式如下：
[0016]y＝f(x)；
[0017]其中，y表示预测的数据，x表示输入的特征或历史数据，f为预测模型；
[0018]线性回归模型适用于连续型数据的预测，建立输入特征和输出变量之间的线性关系，线性回归的函数方程表示为：
[0019]y＝b0+b1x1+b2x2+
…
+bn*xn；
[0020]其中，y表示预测的输出变量值，x1,x2,
…
,xn表示输入特征的值，b0,b1,b2,
…
,bn表示模型的系数。
[0021]本专利技术技术方案的进一步改进在于：所述A2中冗余传输的函数方程为：
[0022]y＝[x,x,
…
,x]；
[0023]其中，y表示冗余传输的数据，x表示需要传输的原始数据，方括号表示数据的多次传输。
[0024]本专利技术技术方案的进一步改进在于：所述步骤三利用机器学习和深度学习技术，通过大数据分析和模型训练，提高编队算法的性能和适应性，具体包括以下步骤：
[0025]B1、收集编队算法所需的大量数据，包括编队车辆的状态和环境信息，对数据进行预处理，包括数据清洗、特征提取和标准化步骤，确保数据质量和一致性；
[0026]B2、对编队算法的输入数据进行特征工程，提取有意义的特征，描述编队车辆之间的关系和环境信息，特征工程的方法包括统计特征提取、空间转换、频域转换；
[0027]B3、根据任务需求和数据特点，选择适当的机器学习或深度学习算法来构建编队算法模型，使用监督学习算法(支持向量机、决策树、随机森林)或深度学习算法(卷积神经网络、循环神经网络)；
[0028]B4、将数据集划分为训练集、验证集和测试集，使用训练集对模型进行训练，通过反向传播算法来调整模型参数，使其能够更好地拟合编队算法的任务，使用验证集进行模型选择和参数调优，避免过拟合，最后，在测试集上评估模型的性能；
[0029]B5、在模型训练过程中，定义合适的损失函数来衡量模型的预测结果与实际结果之间的差距，选择适当的优化算法(梯度下降、Adam)来最小化损失函数，更新模型的参数；
[0030]B6、通过交叉验证、网格搜索方法，调优模型的超参数，提高模型性能和泛化能力，使用正则化技术(L1正则化、L2正则化)来减小模型的复杂度，防止模型过拟合；
[0031]B7、使用测试集对模型进行评估，计算性能指标(准确率、精确率、召回率、F1值)，并分析模型在不同情况下的表现，根据评估结果，调整模型或重新训练，进一步提高编队算法的性能和适应性。
[0032]本专利技术技术方案的进一步改进在于：所述步骤四中采取安全措施，使用加密通信协议，确保数据在传输过程中的安全性，分为对称加密算法和非对称加密算法，
[0033]对称加密算法使用相同的密钥对数据进行加密和解密，在车辆编队中，使用对称加密算法对要传输的数据进行加密，确保只有具有正确密钥的接收方才能解密和使用数据，其计算公式如下：
[0034]密文＝Encrypt(明文，密钥)；
[0035]其中，明文表示原始数据，密钥表示进行加密和解密的密钥，Encrypt表示加密算法；
[0036]非对称加密算法使用一对密钥，包括公钥和私钥，发信方使用接收方的公钥对数据进行加密，接收方使用私钥进行解密，实现数据的加密和数字签名，确保数据传输的完整性和身份验证，其计算公式如下：
[0037]密文＝Encrypt(明文，公钥)；
[0038]明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车路云协同的自动驾驶车辆编队方法，其特征在于：包括以下步骤：步骤一、每辆车搭载传感器来感知周围环境和其他车辆的状态，传感器包括激光雷达、雷达、摄像头，通过车辆间的通信(车辆到车辆通信，车辆到基础设施通信)，将感知到的信息传递给其他车辆和路侧设施信息，感知到的信息包括位置、速度、加速度、车道偏离；步骤二、采用数据预测和冗余传输技术，应对网络延迟带来的影响，车辆之间通过通信协议进行实时的信息交换和协同行动，包括共享位置、速度、加速度、动作和意图信息，路侧设施与车辆进行通信，提供路况信息、控制指令，通信和协同确保车辆在编队中相互感知，并能够有效地协调行动；步骤三、车辆之间通过协同控制算法决策和执行编队行驶的行为，优化编队算法，考虑各种交通场景和复杂环境下的规划策略，利用机器学习和深度学习技术，通过大数据分析和模型训练，提高编队算法的性能和适应性，并生成适当的控制命令来实现编队行驶；步骤四、在车路云协同的编队中，采取安全措施，使用加密通信协议，确保数据在传输过程中的安全性，建立完善的数据安全管理机制，加强网络防火墙和入侵检测系统的使用，保护数据的机密性和完整性，防止网络攻击；步骤五、集成路侧设施加强车辆编队的性能，交通信号灯根据编队的位置和速度提供优化的信号控制，减少停顿时间和交叉口的拥堵，路边单元提供高精度位置信息，增强车辆感知能力。2.根据权利要求1所述的一种基于车路云协同的自动驾驶车辆编队方法，其特征在于：所述步骤二采用数据预测和冗余传输技术，应对网络延迟带来的影响，具体包括以下步骤：A1、通过数据预测分析历史数据和当前数据的趋势，来预测未来数据的值，在车辆编队中，根据车辆的当前状态和传感器数据，结合历史数据，预测车辆将来的位置、速度信息，在网络传输中提前将预测的数据发送给车辆，避免等待实际数据传输所带来的延迟；A2、发送冗余的数据副本，增加传输的可靠性和容错能力，在车辆编队中，采用冗余传输的方式，将相同的数据多次传输给车辆，确保数据能够及时到达，使部分数据丢失或延迟。3.根据权利要求2所述的一种基于车路云协同的自动驾驶车辆编队方法，其特征在于：所述A1中数据预测采用线性回归方式获取数据预测模型，其计算公式如下：y＝f(x)；其中，y表示预测的数据，x表示输入的特征或历史数据，f为预测模型；线性回归模型适用于连续型数据的预测，建立输入特征和输出变量之间的线性关系，线性回归的函数方程表示为：y＝b0+b1x1+b2x2+
…
+bn*xn；其中，y表示预测的输出变量值，x1,x2,
…
,xn表示输入特征的值，b0,b1,b2,
…
,bn表示模型的系数。4.根据权利要求2所述的一种基于车路云协同的自动驾驶车辆编队方法，其特征在于：所述A2中冗余传输的函数方程为：y＝[x,x,
…
,x]；其中，y表示冗余传输的数据，x表示需要传输的原始数据，方括号表示数据的多次传输。
5.根据权利要求1所述的一种基于车路云协同的自动驾驶车辆编队方法，其特征在于：所述步骤三利用机器学习和深度学习技术，通过大数据分析和模型训练，提高编队算法的性能和适应性，具体包括以下步骤：B1、收集编队算法所需的大量数据，包括编队车辆的状态和环境信息，对数据进行预处理，包括数据清洗、特征提取和标准化步骤，确保数据质量和一致性；B2、对编队算法的输入数据进行特征工程，提取有意义的特征，描述编队车辆之间的关系和环境信息，特征工程的方法包括统计特征提取、空间转换、频域转换；B3、根据任务需求和数据特点，选择适...

【专利技术属性】
技术研发人员：卞燚，
申请(专利权)人：江苏安必行无线科技有限公司，
类型：发明
国别省市：