System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于马尔科夫链的智能驾驶系统故障预测方法技术方案_技高网

一种基于马尔科夫链的智能驾驶系统故障预测方法技术方案

技术编号:40331822 阅读:10 留言:0更新日期:2024-02-09 14:23
本发明专利技术公开了一种基于马尔科夫链的智能驾驶系统故障预测方法,该方法包括步骤:步骤一、根据智能驾驶系统架构将系统划分为多个模块并建立系统模块关系图;步骤二、获取各个智能驾驶模块在初始时段的状态,并将其作为马尔科夫链预测模型的初始状态;步骤三、通过多次测试,记录所述目标系统模块的状态转移次数,得出系统架构模块的状态空间并确定状态转移方式和概率。本发明专利技术基于马尔科夫模型建立智能驾驶系统的故障概率预测算法,对智能驾驶系统的模块故障概率进行预测,从而实现系统的自动故障预测,预测过程高效且结果准确,进而能够有针对性的进行维修,本方法能够实现智能驾驶系统的故障概率预测,从而进行系统可靠性分析,保障交通安全。

【技术实现步骤摘要】

本专利技术属于智能交通领域,具体涉及一种基于马尔科夫链的智能驾驶系统故障预测方法


技术介绍

1、随着智能交通的发展,现代汽车普遍搭载了智能驾驶系统,如车道偏离预警系统等,通过感知车身周围环境和驾驶员操作等信息,辅助完成驾驶任务,规避交通事故的发生。但是智能驾驶系统是安全关键系统,若系统故障可能会造成极大的损失,需要对智能驾驶系统的可靠性进行分析。

2、智能系统的故障事件概率可以根据马尔科夫模型进行分析。马尔科夫预测法是基于事件的目前状况,来预测将来变动状况的一种方法。该方法基于现有状态、状态之间的转移概率矩阵预测后续事件发生的状态及其发展趋势变化,它的基本要求是状态转移矩阵必须是足够的统计数据支撑状态转移矩阵的稳定性。


技术实现思路

1、本专利技术提供了一种基于马尔科夫链的智能驾驶系统故障预测方法,该方法通过记录和分析各模块故障事件和次数,构建基于马尔科夫链的系统故障概率预测模型,从而基于预测模型进行可靠性分析。

2、本专利技术采用如下技术方案实现:

3、一种基于马尔科夫链的智能驾驶系统故障预测方法,包括如下步骤:

4、步骤一、根据智能驾驶系统架构将系统划分为多个模块并建立系统模块关系图,其中所述系统模块根据功能可分为感知模块、决策模块、人机交互模块、汽车控制四个架构模块;

5、步骤二、获取所述各个智能驾驶系统模块在初始时段的状态,并将其作为马尔科夫链预测模型的初始状态;

6、步骤三、记录所述目标系统模块的状态转移次数确定状态转移方式和概率,以此建立马尔科夫链模型。

7、其中步骤1中划分得到的各个系统模块还包含多个子模块,各个模块的状态和状态分布概率依照四个架构模块进行划分。

8、智能驾驶系统的状态转移次数为所述智能驾驶系统架构模块的初始非故障状态与其他故障状态之间的相互转移次数,以及所述智能驾驶系统架构模块的不同故障状态之间的转移次数。

9、其中步骤三所述记录目标系统模块的状态转移次数确定状态转移方式和概率,以此建立马尔科夫链模型。智能驾驶系统的感知模块、决策模块、人机交互模块、汽车控制四个架构模块中提取多个历史运行数据,记录在不同状态下的各模块数据:

10、ωi=(si,di,hi,ci);

11、其中,si为i状态下感知模块运行数据,di为ωi状态下决策模块运行数据,hi为ωi状态下人机交互模块运行数据,ci为ωi状态下汽车控制模块运行数据,i=1,2,···n;

12、对测试中出现的状态按照时序原则进行统计,得到所有模块的状态空间,记录各种状态转移次数,计算得出转移概率并建立转移概率矩阵,并以此建立所述智能驾驶系统的故障预测马尔科夫链模型。获得所有模块状态转移矩阵:

13、

14、式中,n为系统模块状态空间中的状态数量,元素为目标系统模块从状态ωi迁移到状态ωj的概率,公式如表示在状态ωi出现的条件下,状态ωj出现的概率,i=1,2,···n,j=1,2,···n。

15、其中,所述系统从状态ωi迁移到状态ωj的概率满足:

16、

17、式中,为实验中系统由状态ωi迁移到状态ωj发生的次数,为实验中系统状态ωi出现的总次数。

18、根据所述状态转移矩阵对智能驾驶系统下个周期装态进行预测,将预测结果和真实实验结果进行比对,测试马尔科夫链预测模型的有效性:

19、

20、式中,k为预测结果的准确数量,k为所有测试集状态数量。

21、如果f大于85%,则证明马尔科夫链预测模型有效,否则重建;

22、本专利技术具有如下有益技术效果:

23、本专利技术基于马尔科夫模型建立智能驾驶系统的故障概率预测算法,对智能驾驶系统的模块故障概率进行预测,从而实现系统的自动故障预测,预测过程高效且结果准确,进而能够有针对性的进行维修。

本文档来自技高网...

【技术保护点】

1.一种基于马尔科夫链的智能驾驶系统故障预测方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的智能驾驶系统故障预测方法,其特征在于,步骤1中,划分得到的各个系统模块还包含多个子模块,各个模块的状态和状态分布概率依照四个架构模块进行划分。

3.根据权利要求1所述的智能驾驶系统故障预测方法,其特征在于,智能驾驶系统的状态转移次数为所述智能驾驶系统架构模块的初始非故障状态与其他故障状态之间的相互转移次数,以及所述智能驾驶系统架构模块的不同故障状态之间的转移次数。

4.根据权利要求1所述的智能驾驶系统故障预测方法,其特征在于,步骤三所述记录目标系统模块的状态转移次数确定状态转移方式和概率,以此建立马尔科夫链模型,包括:

5.如权利要求4所述的智能驾驶系统的故障概率预测方法,其特征在于,所述系统从状态Ωi迁移到状态Ωj的概率满足:

6.如权利5所述的智能驾驶系统的故障概率检测方法,其特征在于,判断所述马尔科夫链模型是否有效的过程为:

【技术特征摘要】

1.一种基于马尔科夫链的智能驾驶系统故障预测方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的智能驾驶系统故障预测方法,其特征在于,步骤1中,划分得到的各个系统模块还包含多个子模块,各个模块的状态和状态分布概率依照四个架构模块进行划分。

3.根据权利要求1所述的智能驾驶系统故障预测方法,其特征在于,智能驾驶系统的状态转移次数为所述智能驾驶系统架构模块的初始非故障状态与其他故障状态之间的相互转移次数,以及所述智能驾驶系...

【专利技术属性】
技术研发人员:任建鹏史建琦黄滟鸿肖思慧
申请(专利权)人:上海丰蕾信息科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1