[发明专利]封闭场景下无人驾驶车群构建及评价方法

权利要求书

1.一种封闭场景下无人驾驶车群构建及评价方法，其特征在于，包括如下步骤：

步骤1.相关定义；

步骤2.无人驾驶车群构建；

步骤2.1无人驾驶车群节点初始化；

步骤2.2无人驾驶车群节点加入；

步骤2.3无人驾驶车群节点离开；

步骤2.4引领节点及其更替策略；

步骤3.车群质量评价方法；

步骤1中相关定义如下：

(1)车群属性定义

定义1车辆节点直连度VCF(Vehicle Connect Factor)：表示两个无人驾驶车辆节点v_a和v_b在t时刻的连通的边的状态，数学表达式为(1)：

VCF(v_a,v_b,t)＝[len_t(v_a,v_b)≤D_des] (1)

其中，len_t(v_a,v_b)表示无人驾驶车辆节点v_a和v_b之间的距离，D_des表示节点v之间最小通信距离；[]表示符号函数，表达式车辆节点直连度VCF(v_a,v_b,t)在v_a,v_b节点间距离小于最小通信距离时取1，否则为0；

定义2车辆邻接节点AdjNode(Adjecent Node)：当无人驾驶车辆节点v_a与节点v_b之间的直连度VCF(v_a,v_b)0，则称节点A与节点B是彼此的邻接节点；在无人驾驶车群网络结构图中，直接表现为从节点v_a出发时存在有一条边连接到v_b，数学表达式为(2)：

AdjNode(v_a,v_b)＝1 if VCF(v_a,v_b)0 (2)

定义3可连通车辆节点集：表示在t时刻所有与无人驾驶车辆节点v_a可直接连通的无人驾驶节点的集合，数学表达式为(3.3)：

其中，VCF(v_a,v_b)表示无人驾驶车辆节点v_a和节点v_b之间的直连度，当直连度大于阈值时，两节点间可以之间连通；

定义4车辆节点引领度VNCL：表示无人驾驶车辆节点v_a在当前时刻关于车群内其他节点的重要程度；将t时刻节点v_a的车辆节点引领度VNCL值记为C_a,t，则有：

其中，x_a,t表示车辆节点a在t时刻时所在的x轴坐标，v_x,a,t表示车辆节点a在t时刻对应的速度分量，y_a,t表示车辆节点v_a在t时刻时所在的y轴坐标，v_y,a,t表示车辆节点v_a在t时刻对应的速度，分量|G_i,t|表示车辆节点所在车群在t时刻的规模；α表示车辆节点a在t时刻时所在的坐标轴上对应的权重；车辆节点引领度VNCL值越大，说明车辆节点在二维空间中位置更靠前，相对于其他节点更能提前感知路况信息；

定义5车辆节点连通强度VNCC：表示无人驾驶车辆节点v_a在t时刻与周围节点连通量总和，记为N_i(t)，则有：

其中，VCF(v_a,v_b)表示无人驾驶车辆节点v_a和节点v_b之间的直连度，当直连度大于阈值时，两节点间存在连通强度记为1；

定义6车辆节点连通代价VNSE：表示无人驾驶车群中其他节点与当前车辆节点v_a所需要的通信代价，记为M_a(t),则有：

其中WS表示连接权重集合{w_i|i＝1,2…k}，k表示最大邻接节点数量，车辆节点连通代价VNSE值越大，说明其他节点与节点v_a通信所需要的成本就越高；

(2)车群节点状态定义

定义7初始化状态IS(Initialize State)：描述的是封闭式场景下每个无人驾驶车辆在最开始处于的状态；在整个初始化的过程中，所有的无人驾驶车辆节点都会保存和更新一个节点状态存储表NLB(Node Last Table)，这其中保存着当前节点运行状态以及所有与该节点直连的节点运行信息，对于处在CS(Common State)状态的节点，还需要维护该节点到引领节点LS(Leading State)的跳数之和与引领节点LS连通过程中经过的节点CS的车辆节点的ID；

定义8离群节点状态OS(Outlier State)：描述的状态是在封闭式场景下无人驾驶车辆节点不归属于任何车群，并且该节点周围所有车群都拒绝其加入，则该车辆节点处于离群节点状态；

定义9引领节点状态LS：无人驾驶车群中，引领节点是车群中车群节点引领度VNCL值最高的节点：

LN＝{v|VNCL_v＝max(VNCL_G),v∈G} (7)

无人驾驶车群引领节点的职能是对车群内部的各项信息进行存储与更新，车群内所有连接的节点，车群内各节点的GPS定位信息以及车群节点引领优先级表；在无人驾驶车群形成算法中，引领节点作为车群的决策者根据相关输入来判断一个车群外节点符合加入的条件；

其中，VNCL_G表示无人驾驶车群G所有节点引领度集合，VNCL_v表示车辆节点v的节点引领度；

定义10成员节点状态CS：无人驾驶车群中，除了引领节点LS以外，剩余节点都处于成员节点状态CS；在车群失去引领节点LS后，剩余普通节点CS可以通过节点引领优先级表，竞选车群的新任引领节点LS；

所述步骤2.2中无人驾驶车群节点加入的算法步骤如下：

1)车辆在其通信距离可达范围内搜索，如果存在引领节点，则向该引领节点发送加入车群请求数据包，即JC数据包，引领节点接收到来自车群外部车群的加入请求数据包后，按照相应条件判断是否适合加入此车群，返回相应的请求结果数据包；若请求结果为通过，则引领节点广播JC数据包，并更新车群成员信息表；

其中，决策函数decision(x)为车群引领节点提供决策依据的函数，该函数综合考虑了车群方位、车辆节点连通代价、车辆节点连通强度指标，使得车群节点加入的决策足够客观，决策函数decision(x)数学定义如下：

其中Δ表示为假设车辆加入车群后发生的变化，若决策函数decision(x)的值小于阈值α，则引领节点通过加入申请，否认这引领节点拒绝该节点的加入申请；

2)如果车辆在其通信距离可达范围内未找到引领节点，只存在成员节点；则该车辆通过成员节点转发加入请求数据包给引领节点，引领节点按照相应条件判断该车辆是否合适加入到此车群，并通过成员节点转发请求结果数据包给该无人驾驶车辆；若请求结果为通过，则引领节点广播JC数据包，并更新车群成员信息表；

3)如果车辆节点接收到来自车群引领节点发送或有车群成员信息节点转发的请求结果数据包且请求结果为通过，则该车辆节点状态转换到普通节点状态，所在车群ID和车群引领节点ID更新为对应车群ID和车群引领节点ID；如果加入请求未被引领节点通过，则返回到1)重新申请加入通信距离内的其他车群；

4)如果该车辆在其通信范围内未找到可以加入的车群，则它转换为引领节点并广播CH_ADV数据包；

所述步骤2.3中无人驾驶车群节点离开的算法如下：

1)无人驾驶车群中任意节点v_a如果在给定时间量TIME_LIMIT内没有接收到来自其某个邻接车辆节点v_m广播的HB数据包，判定该节点因突发状况被动离开车群；

2)无人驾驶车辆节点v_a查询邻接节点信息表项NTB后，向该车辆节点的邻接车辆节点v_m直接或通过路由转发的方式发送NM(Node Missing)数据包，邻接车辆节点在收到NM数据包之后，更新其邻接节点信息表项，并不再感知节点v_a的存在；

3)如果节点v_a是引领节点，则重新选取该车群的引领节点；否则，节点v_a向车群所在引领节点发送LM(Leave Message)数据包报告节点离开信息，若车群所在引领节点不在该车辆节点直接可达范围内，在通过其周围成员节点代为发送LM数据包；引领节点在收到LM数据包后，更新车群成员信息表；

所述步骤2.4中引领节点及其更替策略的算法如下：

1)如果车群中任意成员节点在由TIME_LIMIT表示的给定时间量内没有接收到来自引领节点广播的HB数据包，则判定车群引领节点出现故障并向车群内其他成员节点发送MISS数据包；

2)成员节点在收到来自其他节点发送的MISS数据包后，更新自己所维护的车群引领优先级列表，删除离开车群节点；

3)车群引领优先级列表中最高的节点自动当选为车群新的引领节点，并向车群其他成员节点发送NL数据包并更新车群成员信息表；

所述步骤3中车群质量评价方法如下：

(1)基准度作为衡量车群形成算法性能的指标能够对划分结果内部的内聚度和分离度进行量化，能够对算法的性能进行准确、客观的评估；基准度的数学表达式为：

其中k(i)表示群内相似度，是无人驾驶车辆节点i到同一车群内其他车辆节点j的平均距离，用于量化车群内聚度；dist(i,j)表示车辆节点i和j的距离,m_s表示为车群的节点数量，k(i)值越小则表明车群内部结构越紧密；O_i表示车辆节点i目的地，S_i表示车辆节点i所属的车群，M表示车群数量，t(i)表示群外差异度，是无人驾驶车辆节点i到车群外部某目的地相同的无人驾驶车群内节点j之间的平均距离，基准度用来度量目的地相同但是不是同一个无人驾驶车群间的差异度，t(i)值越大说明，车群群间间隔越远，基准度越大表明同车群内结构紧密，异车群间间隔分散，车群划分结果质量越好；反之，基准度的值越小则表示车群划分结果质量越差；

(2)算法运行时间

算法运行时间定义为，以所有车辆节点为初始的混沌、无序状态为起点，到所有车辆形成各自车群并保持稳定有序的状态为止所经历的时间，数学表达式为：

T_total＝∑_k∈VT_i,k-T_0,k (10)

其中V表示所有车辆节点集合，k表示车辆节点，T_i,k表示节点k的车群规模趋于稳定，T_0,k表示节点k的车群处于初始状态；

(3)引领节点变化率

引领节点变化率是指无人驾驶车群在执行任务的周期内，引领节点变化的频率；整个生命周期中，无人驾驶车辆节点在遇到突发情况时会发生角色状态的转换；数学表达式为：

其中，LC_count表示无人驾驶车群在生命周期内，引领节点变化的次数。

2.如权利要求1所述的一种封闭场景下无人驾驶车群构建及评价方法，其特征在于，所述步骤2.1中无人驾驶车群节点初始化的算法步骤如下：

1)将封闭式场景内所有无人驾驶车辆节点初始化为普通节点，并按照车群排列的方式从队列的最前端开始遍历；

2)遍历到当前节点时，如果当前节点的目的地与已存在的任意一个车群目的地一致，且该节点与该车群任意一个车辆节点的距离在通信可达范围以内，则遍历下一个节点；如果当前节点的目的地与已存在的任意一个车群目的地一致，且与该车群不在通信可达范围内，则该节点被初始化为新车群的引领节点；如果当前节点目的地与任意一个已存在的车群的目的地都不相同，则该节点被初始化为新车群的引领节点；

3)重复执行1)和2)，直至算法收敛。