羅明懿，陳 倩，曹賽男，李春海，李曉歡，周勝源

(1.桂林電子科技大學 信息與通信學院，廣西 桂林 541004;2.柳州五菱汽車工業(yè)有限公司，廣西 柳州 545007)

近年來，交通事故日益高發(fā)，事故傷害嚴重[1]，智能駕駛技術(shù)已被證明是有效提高交通安全的關(guān)鍵技術(shù)之一[2]。智能駕駛的安全保障來自通過多種傳感器對車輛周圍交通場景的全面感知，但傳感器具有其局限性，特別是感知區(qū)域被其他物體遮擋時會出現(xiàn)傳感器感知盲區(qū)?；赩2X(Vehicle to everything)的傳感器共享方案是彌補盲區(qū)的有效途徑[3]，高效合理地選擇合適的車輛節(jié)點進行傳感器共享以實現(xiàn)盲區(qū)補充是關(guān)鍵。目前在傳感器共享領域的節(jié)點選擇策略主要有3種：1)選擇簇頭作為共享目標，即簇頭車輛向后方簇內(nèi)節(jié)點共享自身信息[4-6]；2)車輛節(jié)點將傳感器數(shù)據(jù)上傳到云服務中心，供他車取用[7-8]；3)選擇前車作為共享目標進行協(xié)同感知[9-12]。但當因動態(tài)交通流中存在大量節(jié)點而造成相互遮擋時，這3種策略都無法滿足智能駕駛汽車對彌補盲區(qū)的需求。如何量化動態(tài)交通流中的傳感器盲區(qū)，并據(jù)此進行共享節(jié)點的選擇，成為亟待解決的問題。

鑒于此，在動態(tài)交通流中的智能駕駛汽車發(fā)起傳感器共享時，首先分析車載傳感器的感知盲區(qū)，提出了一種動態(tài)交通流中傳感器感知盲區(qū)模型，隨后，考慮補充車輛自身感知盲區(qū)的實際需求指標，基于感知盲區(qū)模型對候選車輛節(jié)點進行綜合考量，提出了一種基于熵權(quán)法的傳感器共享節(jié)點選擇策略。

1 動態(tài)交通流感知盲區(qū)模型

在動態(tài)交通流中，不同的車輛密度決定了車輛在道路中的分布情況，即車輛之間的相對位置已經(jīng)確定。如圖1所示的單向路段，車輛向東行駛。設長度為L的路段上的車輛總數(shù)為n，路段上的車輛依次編號為1,2,…,n。令Xi表示第i輛車到第i+1輛車之間的距離，其中，i=1,2,…,n-1。對于足夠大的n和L，道路寬度可以忽略，且該路口單位時間內(nèi)車輛通過的次數(shù)服從參數(shù)為λ的泊松分布[13]，其概率密度函數(shù)為

(1)

其中：k為單位時間內(nèi)車輛通過某路口的次數(shù)；λ=n/L為單位長度路段中的車輛平均通過次數(shù)，簡稱車輛密度。式(1)表示單位時間內(nèi)某路口通過的車輛數(shù)為k的概率。因此，車輛到達某路口的時間間隔服從參數(shù)為λ的指數(shù)分布，假設所有車輛車速相等，則車輛間距同樣服從參數(shù)為λ的指數(shù)分布，其分布函數(shù)為

(2)

為保證安全，第i輛車行駛時應感知到安全距離dsafe內(nèi)的道路環(huán)境[14]，但因受前車即第i+1輛車遮擋，導致出現(xiàn)感知盲區(qū)。感知盲區(qū)定義為沿道路從遮擋位置到dsafe的矩形范圍，即圖1中實線框范圍為感知盲區(qū)范圍Ai，實線框面積為感知盲區(qū)面積。

圖1 感知盲區(qū)面積示意圖

(3)

其中WR為道路寬度。令Y=(dsafe-X)WR，結(jié)合式(2)，可得感知盲區(qū)面積的分布函數(shù)：

(4)

進而可得感知盲區(qū)面積的數(shù)學期望：

(5)

進一步地，如圖2所示的單向車道中，當?shù)趇輛車存在感知盲區(qū)時，若有其他車輛處在第i輛車周圍，則共享其傳感器數(shù)據(jù)可對盲區(qū)Ai實現(xiàn)補充，定義第j輛車對第i輛車的盲區(qū)補充范圍為Sij,即第j輛車感知范圍與盲區(qū)Ai的交叉范圍，如圖2中點線框所示。應考慮到，第j輛車同樣可能會受到第j+1輛車遮擋。

圖2 盲區(qū)補充面積示意圖

(6)

2 基于熵權(quán)法的傳感器共享節(jié)點選擇策略

建立了感知盲區(qū)模型，即可研究面向盲區(qū)補充的傳感器共享節(jié)點選擇策略。圖3為傳感器共享場景示意圖，車輛行駛在含有其他車輛的交通流場景中，為保證安全，當前車輛需感知到前方安全距離內(nèi)交通參與者的實時動態(tài)，安全距離大小與當前車輛速度正相關(guān)[14]。因前車遮擋導致產(chǎn)生感知盲區(qū)(圖3陰影部分)，導致當前車輛無法完全感知到安全距離內(nèi)的交通情況，此時可以共享周圍車輛的傳感器數(shù)據(jù)以對當前車輛感知盲區(qū)進行補充。從周圍車輛中選擇出共享收益最高的車輛節(jié)點發(fā)起傳感器共享，可以擴大當前車輛的感知范圍，彌補感知盲區(qū)，同時提高感知魯棒性。

圖3 傳感器共享場景

共享周圍車輛傳感器數(shù)據(jù)對當前車輛帶來的收益程度受多種因素影響，包括周圍車輛位置、傳感器感知范圍等，需量化各影響因素并尋找合適的評分模型進行對比。由于熵權(quán)法的評價結(jié)果主要依據(jù)客觀因素，幾乎不受主觀因素的影響，避免了人為因素的干擾，可用于任何需要確定權(quán)重的過程。因此，在與周圍車輛進行傳感器共享達到的收益效果完全不同時，可使用熵權(quán)法客觀地確定各影響因素的權(quán)重，得到最能體現(xiàn)周圍車輛差異程度的評分，據(jù)此選擇出合適的共享節(jié)點。圖4為策略流程圖。

圖4 策略流程

策略步驟為：

1)當前車輛通過自身傳感模塊讀取自身傳感器數(shù)據(jù)，通過車聯(lián)網(wǎng)模塊收集周圍車輛的傳感器數(shù)據(jù)，其中自身傳感器數(shù)據(jù)包括自身全球定位信息和航向、遮擋物的邊界坐標信息，周圍車輛的傳感器數(shù)據(jù)包括周圍車輛定位信息、傳感器性能和傳輸性能等指標；

2)量化圖5所示的周圍車輛對當前車輛感知盲區(qū)補充范圍數(shù)值；

圖5 盲區(qū)補充范圍示意圖

3)采用熵權(quán)法計算感知盲區(qū)補充面積、傳感器性能和傳輸性能等指標所占權(quán)重，得出周圍車輛最終評分；

4)選擇評分最高的車輛節(jié)點作為共享目標。

3 驗證與分析

3.1 動態(tài)交通流感知盲區(qū)模型驗證

首先生成大量服從指數(shù)分布的車輛間距隨機數(shù)，由連續(xù)生成的車輛間距隨機數(shù)可唯一確定各車位置，然后，基于此位置計算各車的感知盲區(qū)面積的統(tǒng)計均值，最后，與感知盲區(qū)模型的數(shù)學期望進行對比，驗證該模型的有效性。中國一級道路設計車速為120 km/h，機動車道寬度為3.75 m[15]，根據(jù)文獻[14]中的安全距離模型進行換算后，將驗證默認參數(shù)設置為道路寬度4 m、安全距離50 m和車輛密度0.03輛/m。由圖6、7可見，在不同的車輛密度與不同的安全距離下，實際盲區(qū)面積統(tǒng)計均值與模型中盲區(qū)面積期望值之間的誤差低于0.05 m2，因此，模型對車輛間距和感知盲區(qū)面積進行了良好表征。

圖6 不同車輛密度下盲區(qū)面積統(tǒng)計均值與期望

圖7 不同安全距離下盲區(qū)面積統(tǒng)計均值與期望

3.2 節(jié)點選擇策略性能驗證

采用蒙特卡洛數(shù)值模擬方法對該策略進行驗證，驗證流程如圖8所示。具體步驟為：

圖8 策略驗證流程

1)生成服從指數(shù)分布的n個車距，通過盲區(qū)補充面積量化求出各車輛對應其余n-1輛車的各個盲區(qū)補充面積，將其作為熵權(quán)法的輸入數(shù)據(jù)；

2)通過熵權(quán)法計算出各車的評分，評分最高者即為最合適的節(jié)點；

3)將各車從所選節(jié)點處能獲得的盲區(qū)補充面積計入累加和，循環(huán)N次后取平均值，即可求出所選節(jié)點盲區(qū)補充面積的統(tǒng)計均值；

4)將該統(tǒng)計均值與計算得出的盲區(qū)面積期望進行對比，可得當前車輛與本策略選出的節(jié)點共享能得到的盲區(qū)補充比例，盲區(qū)補充比例越高說明策略性能越好。

如圖9所示，WR=4 m，dsafe=50 m時，實線為對應不同車輛密度的感知盲區(qū)面積理論期望值，虛線為對應不同車輛密度下當前車輛與該策略選擇節(jié)點共享能收益的盲區(qū)補充面積。圖10為對應圖9在不同車輛密度下的盲區(qū)補充比例。從圖10可看出，隨著車輛密度增大，盲區(qū)補充比例逐漸下降，這是因為車輛密度增大時，所選節(jié)點受到遮擋的概率同樣增大，導致節(jié)點感知范圍變小，最終影響了盲區(qū)補充比例。但在車輛密度λ≤0.03輛/m時，該策略選出的節(jié)點可以實現(xiàn)大于70%的盲區(qū)補充，在車輛密度λ≤0.09輛/m時，該策略選出的節(jié)點依舊可以保持大于50%的盲區(qū)補充。

圖9 不同車輛密度下的盲區(qū)補充面積

圖10 不同車輛密度下的盲區(qū)補充比例

如圖11所示，WR=4 m，λ=0.03輛/m時，實線為對應不同安全距離的感知盲區(qū)面積理論期望，虛線為對應不同的安全距離下當前車輛與該策略選擇節(jié)點共享收益的盲區(qū)補充面積統(tǒng)計均值。圖12為對應圖11在不同安全距離下收益的盲區(qū)補充統(tǒng)計均值與感知盲區(qū)面積理論期望的比值。從圖12 可看出，在固定車輛密度時，本策略選出的節(jié)點可以實現(xiàn)的盲區(qū)補充逐步減少，這是因為當車輛密度固定，安全距離較低時，周圍車輛出現(xiàn)在感知盲區(qū)范圍內(nèi)的概率較小，此時所選節(jié)點為遮擋車輛的概率較大且無其他車輛對遮擋車輛造成遮擋，與遮擋車輛共享可達到較大的盲區(qū)補充比例，在dsafe<70 m時，本策略所選節(jié)點能實現(xiàn)70%以上盲區(qū)補充。隨著安全距離的增大，而車輛密度不變時，安全距離內(nèi)的車輛增多，所選節(jié)點受遮擋的概率增大，導致盲區(qū)補充面積統(tǒng)計均值較低，但在dsafe<100 m時，本策略所選節(jié)點依舊能實現(xiàn)50%以上盲區(qū)補充。

圖11 不同安全距離下的盲區(qū)補充面積

圖12 不同安全距離下的盲區(qū)補充比例

4 結(jié)束語

構(gòu)建了一個動態(tài)交通流感知盲區(qū)理論模型，分析了感知盲區(qū)面積與車輛密度和安全距離之間的映射關(guān)系，提出了一種基于熵權(quán)法的傳感器共享節(jié)點選擇策略，該策略主要參考了盲區(qū)補充面積保證共享收益。驗證了盲區(qū)模型對實際交通場景的良好表征，基于此模型驗證了節(jié)點選擇策略的有效性。在車輛密度小于0.09輛/m或安全距離小于100 m時，該策略可以實現(xiàn)50%以上的盲區(qū)補充；在車輛密度小于0.03輛/m或安全距離小于70 m時，該策略可以實現(xiàn)70%以上的盲區(qū)補充。