吳兆賢，吳培培

（浙江理工大學(xué) 信息學(xué)院，浙江 杭州 310018）

0 引言

隨著智能化的不斷發(fā)展，無(wú)人車成為國(guó)內(nèi)外研究熱點(diǎn)。無(wú)人車不僅具備加速、減進(jìn)、后退以及轉(zhuǎn)彎等常規(guī)的汽車功能，還可以實(shí)現(xiàn)行人車輛避讓、自動(dòng)變道、自動(dòng)轉(zhuǎn)向、紅綠燈識(shí)別等功能。其中，變道行為是兩大基本駕駛行為之一，對(duì)車輛行駛安全和交通穩(wěn)定具有重要意義［1］。據(jù)資料顯示，車輛變道過(guò)程是交通事故的高發(fā)時(shí)段，對(duì)車輛變道行為進(jìn)行研究有著重要的現(xiàn)實(shí)意義。谷歌RX450h無(wú)人車曾與一輛公共汽車發(fā)生刮擦，當(dāng)時(shí)這輛無(wú)人車發(fā)生交通意外就是在它的變道過(guò)程中。無(wú)人車變道的可靠性問(wèn)題是一個(gè)亟需解決的難題。

可靠性是指在特定的時(shí)間區(qū)間完成規(guī)定功能的能力［2］；可靠性是軟件的非功能質(zhì)量屬性，能夠定量地對(duì)軟件的失效行為進(jìn)行評(píng)估［3］。基于體系結(jié)構(gòu)的分析方法主要可以分為兩類：基于路徑的方法和基于狀態(tài)的方法［4-5］?；诼窂降姆椒ǔ３＿\(yùn)用在軟件所有執(zhí)行路徑可靠性為已知的條件下；基于狀態(tài)的方法根據(jù)軟件中的構(gòu)件及其交互關(guān)系，得出系統(tǒng)可靠性。早期的可靠性分析利用軟件測(cè)試或運(yùn)行時(shí)期統(tǒng)計(jì)的數(shù)據(jù)對(duì)軟件可靠性進(jìn)行度量和分析，這樣度量出的結(jié)果較為精確。但是在該階段才發(fā)現(xiàn)度量出的可靠性不滿足要求，再對(duì)軟件作出改進(jìn)將花費(fèi)大量的人力和物力。因此，在軟件早期設(shè)計(jì)階段對(duì)可靠性進(jìn)行預(yù)測(cè)，從而指導(dǎo)軟件開(kāi)發(fā)很有必要。

由于車輛變道是駕駛中高頻且十分重要的一項(xiàng)駕駛行為，本文針對(duì)無(wú)人駕駛車輛的變道行為進(jìn)行可靠性預(yù)測(cè)。無(wú)人車可靠性預(yù)測(cè)結(jié)果可以在無(wú)人車設(shè)計(jì)階段反映車輛變道效果，從而為設(shè)計(jì)人員提供是否需要改良的參考。

1 相關(guān)工作

統(tǒng)一建模語(yǔ)言（Unified Modeling Language，UML）通常被用作建立系統(tǒng)模型［6-8］。將非功能屬性添加到簡(jiǎn)單的UML 模型中，從而為可靠性分析提供條件。對(duì)于構(gòu)件化軟件體系的可靠性分析而言，馬爾可夫鏈和馬爾可夫過(guò)程是非常有效的分析模型。文獻(xiàn)［9］中通過(guò)構(gòu)件轉(zhuǎn)移圖將UML模型轉(zhuǎn)化為馬爾可夫鏈；文獻(xiàn)［10］中將MARTE（Modeling and Analysis of Real Time and Embedded Systems）模型通過(guò)定義的映射規(guī)則轉(zhuǎn)化為馬爾可夫決策過(guò)程。

軟件系統(tǒng)組件間的錯(cuò)誤傳播是反映軟件產(chǎn)品可靠性的量化因素。Malik［11］等提出一個(gè)針對(duì)基于組件的軟件進(jìn)行可靠性評(píng)估的框架，該框架考慮了系統(tǒng)組件之間的錯(cuò)誤傳播概率。并且，將方法應(yīng)用于3 種場(chǎng)景的系統(tǒng)中，證實(shí)了該方法的有效性。但是該方法在評(píng)估可靠性時(shí)需耗費(fèi)大量的時(shí)間和精力。文獻(xiàn)［12］提出一種分析軟件中數(shù)據(jù)錯(cuò)誤傳播的方法，引入了錯(cuò)誤滲透率的概念，即輸入信號(hào)中的一個(gè)錯(cuò)誤滲透到一個(gè)輸出信號(hào)中的概率。此外，還提出了一套參數(shù)用以度量錯(cuò)誤滲透率，這些參數(shù)所描述的是模塊間數(shù)據(jù)流的錯(cuò)誤傳播行為。文獻(xiàn)［13］提出在計(jì)算軟件可靠性時(shí)根據(jù)構(gòu)件失效傳播概率矩陣引入構(gòu)件失效傳播行為，但在實(shí)驗(yàn)時(shí)只是假設(shè)構(gòu)件失效傳播矩陣為已知，而并未實(shí)際計(jì)算。

目前，關(guān)于無(wú)人車的可靠性研究較少。文獻(xiàn)［14］提出一種基于無(wú)人駕駛系統(tǒng)的可靠性建模分析方法，該方法采用架構(gòu)分析與設(shè)計(jì)語(yǔ)言和錯(cuò)誤模型附件建模技術(shù)，但是只停留在理論層面，并未通過(guò)實(shí)驗(yàn)對(duì)無(wú)人駕駛系統(tǒng)可靠性進(jìn)行預(yù)測(cè)分析。

本文結(jié)合文獻(xiàn)［9］和文獻(xiàn)［12］，對(duì)基于長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM（Long Short-Term Memory，LSTM）的無(wú)人車變道行為可靠性進(jìn)行預(yù)測(cè)。首先通過(guò)UML 對(duì)無(wú)人車的變道過(guò)程進(jìn)行建模，對(duì)于感知模塊和LSTM 模塊之間的故障傳播概率利用錯(cuò)誤滲透率進(jìn)行計(jì)算。將UML 模型利用映射規(guī)則轉(zhuǎn)換成DTMC 模型，再基于構(gòu)件轉(zhuǎn)移圖將UML 模型轉(zhuǎn)換成DTMC 模型。分別根據(jù)這兩個(gè)DTMC 模型運(yùn)用PRISM［15］工具進(jìn)行可靠性預(yù)測(cè)，并進(jìn)行結(jié)果比較。

相比于文獻(xiàn)［13］中計(jì)算可靠性時(shí)利用假定的失效傳播矩陣，本文通過(guò)實(shí)驗(yàn)對(duì)LSTM 模塊的錯(cuò)誤滲透率進(jìn)行計(jì)算，更具有現(xiàn)實(shí)意義。相比于文獻(xiàn)［14］對(duì)無(wú)人駕駛系統(tǒng)的可靠性研究只停留在理論階段，本文通過(guò)具體的建模和實(shí)驗(yàn)對(duì)無(wú)人車變道行為的可靠性進(jìn)行了預(yù)測(cè)。

2 UML 建模

2.1 無(wú)人車軟件架構(gòu)

無(wú)人車的核心在于“智能”。典型的無(wú)人車軟件架構(gòu)總體分為感知、決策和控制三大部分。決策系統(tǒng)可以劃分為行為決策模塊和軌跡規(guī)劃模塊，控制系統(tǒng)可以劃分為軌跡跟蹤模塊和底層控制模塊。

LSTM 網(wǎng)絡(luò)在處理時(shí)序問(wèn)題時(shí)有很強(qiáng)的信息獲取能力和表征能力。車輛的軌跡序列也是一種時(shí)間序列，LSTM可以在預(yù)測(cè)車輛變道時(shí)將車輛的歷史軌跡考慮進(jìn)去，從而達(dá)到更好的變道預(yù)測(cè)效果。目前，越來(lái)越多的研究人員將LSTM 神經(jīng)網(wǎng)絡(luò)應(yīng)用于無(wú)人車的自主變道領(lǐng)域［16-18］。由于LSTM 網(wǎng)絡(luò)在無(wú)人車變道領(lǐng)域的預(yù)測(cè)效果顯著，本文將基于LSTM 網(wǎng)絡(luò)的變道行為進(jìn)行建模和可靠性預(yù)測(cè)。本文基于LSTM 的無(wú)人車智能變道系統(tǒng)架構(gòu)如圖1所示。

Fig.1 System architecture for realizing lane change of unmanned vehicles圖1 無(wú)人車變道系統(tǒng)架構(gòu)

2.2 無(wú)人車變道行為的UML 活動(dòng)圖

圖2 為無(wú)人車變道過(guò)程的UML 活動(dòng)圖，活動(dòng)圖中添加了泳道信息，用以表示活動(dòng)的執(zhí)行對(duì)象。

如圖2 所示，在無(wú)人車變道過(guò)程中涉及到的模塊有感知模塊、行為決策模塊、軌跡規(guī)劃模塊、軌跡跟蹤模塊、底層控制模塊。模塊的名稱標(biāo)注在泳道上方，該模塊負(fù)責(zé)泳道內(nèi)的全部活動(dòng)。無(wú)人車先通過(guò)感知模塊的傳感器收集自身車輛信息和周圍相鄰車道車輛信息；信息經(jīng)過(guò)融合處理后被輸入到LSTM 模塊中；LSTM 模塊利用輸入的數(shù)據(jù)進(jìn)行車輛變道意圖預(yù)測(cè)，將變道意圖的預(yù)測(cè)結(jié)果作為指令傳給軌跡規(guī)劃模塊。LSTM 模塊判斷無(wú)人車是否發(fā)生變道時(shí)，可能會(huì)發(fā)生變道和繼續(xù)跟隨的情況，發(fā)生的概率分別為0.31 和0.69，該值來(lái)源于傳統(tǒng)經(jīng)驗(yàn)。軌跡規(guī)劃模塊接收指令后，經(jīng)過(guò)計(jì)算后得到車輛的運(yùn)動(dòng)目標(biāo)點(diǎn)和目標(biāo)速度，然后將要求傳遞給軌跡跟蹤模塊；軌跡跟蹤模塊通過(guò)分析、計(jì)算后得到關(guān)于轉(zhuǎn)向角、油門和制動(dòng)的具體指令，再將指令傳給底層控制模塊；底層模塊的轉(zhuǎn)向控制系統(tǒng)、油門控制系統(tǒng)、制動(dòng)控制系統(tǒng)再對(duì)無(wú)人車的車身進(jìn)行控制。LSTM 模塊作出的決策可能是變道，也可能是繼續(xù)跟隨。這兩種條件下的后繼軌跡規(guī)劃、軌跡跟蹤和底層控制在難度和復(fù)雜程度上都有著顯著區(qū)別，當(dāng)LSTM 模塊作出的決策是不變道即繼續(xù)跟隨時(shí)，其后續(xù)活動(dòng)明顯更加簡(jiǎn)單。因此，在活動(dòng)圖中對(duì)不同情況下的后繼軌跡規(guī)劃、軌跡跟蹤和底層控制用不同的活動(dòng)節(jié)點(diǎn)加以區(qū)分。

Fig.2 Unmanned vehicle lane change activity圖2 無(wú)人車變道活動(dòng)

3 基于錯(cuò)誤滲透率的故障傳播

在進(jìn)行可靠性評(píng)估時(shí)，通常會(huì)默認(rèn)組件或模塊的故障必定會(huì)引起系統(tǒng)失效。實(shí)際上，當(dāng)系統(tǒng)中的某個(gè)模塊將錯(cuò)誤輸入到下游模塊時(shí)，下游模塊可能會(huì)不受該錯(cuò)誤的影響，即下游模塊內(nèi)部可能將來(lái)自上游模塊輸入的故障“遮蓋”，仍然產(chǎn)生正確的輸出。LSTM 神經(jīng)網(wǎng)絡(luò)的魯棒性決定了感知模塊輸出的故障并不一定會(huì)滲透到LSTM 模塊的輸出。錯(cuò)誤滲透率指模塊輸入的錯(cuò)誤滲透到輸出的概率，可用于分析故障傳播行為。

由文獻(xiàn)［12］對(duì)于錯(cuò)誤滲透率的定義可知輸入輸出對(duì)之間的錯(cuò)誤滲透率以及模塊的錯(cuò)誤滲透率。如圖3 所示，模塊M有m個(gè)輸入和n個(gè)輸出。式（1）為模塊M的輸入i和輸出k之間的錯(cuò)誤滲透率。為模塊M的輸入i發(fā)生錯(cuò)誤時(shí)，模塊M的輸出k發(fā)生錯(cuò)誤的概率。此度量顯示軟件模塊的輸入/輸出對(duì)在輸入上發(fā)生的錯(cuò)誤“滲透性”程度。以單個(gè)輸入輸出之間的錯(cuò)誤滲透率為基礎(chǔ)，式（2）為模塊M的錯(cuò)誤滲透率，用以度量模塊M輸入上的錯(cuò)誤滲透到輸出的概率。

Fig.3 Software module with m inputs and n outputs圖3 具有m 個(gè)輸入和n 個(gè)輸出的軟件模塊

如圖4 所示，模塊A 的輸入出現(xiàn)故障的概率為Pf，模塊A 的錯(cuò)誤滲透率為PA，則模塊A 輸入出現(xiàn)故障且故障滲透到輸出的概率為PfPA，輸入出現(xiàn)故障且故障被遮蓋的概率為Pf(1-PA)。通常在進(jìn)行可靠性評(píng)估時(shí)，會(huì)假定模塊輸入的故障必定會(huì)滲透到模塊輸出，即默認(rèn)模塊的錯(cuò)誤滲透率為1。

Fig.4 Fault propagation based on error permeability圖4 基于錯(cuò)誤滲透率的故障傳播

圖5 反映了考慮LSTM 模塊魯棒性的情況下感知模塊和LSTM 模塊之間的故障傳播情況，如式（3）所示感知模塊輸出的每維信息不將故障傳遞給LSTM 輸出的概率為R(C0)+ (1-R(C0))(1-PC1)，其 中PC1為L(zhǎng)STM 神 經(jīng) 網(wǎng) 絡(luò) 的錯(cuò)誤滲透率，(1-R(C0))(1-PC1)表示由于LSTM 的魯棒性，感知模塊輸出的信息出現(xiàn)故障但沒(méi)有滲透到LSTM 輸出的概率。

式（4）表示在考慮LSTM 魯棒性情況下感知模塊收集的n維信息均未將故障傳遞給LSTM 模塊輸出的概率。

Fig.5 Fault propagation considering robustness圖5 考慮魯棒性的故障傳播

4 UML模型映射為DTMC模型

UML 模型不能直接作為可靠性預(yù)測(cè)工具的輸入，而DTMC 模型是有效的可靠性分析模型，可以保障可靠性分析的精確性。本文將基于映射規(guī)則將UML 模型轉(zhuǎn)換為DTMC 模型。

DTMC 可定義為一個(gè)五元組D=(S,P,s0,AP,L)，其中S表示全部狀態(tài)的有限集合；P:S×S→[0,1]是遷移概率函數(shù)，?s∈S，∑s′∈SP(s,s′)= 1;s0∈S是初始狀態(tài)；AP 是原子命題集合；L:S→2AP是可以將每個(gè)狀態(tài)映射到原子命題集合AP 里的標(biāo)號(hào)函數(shù)［19］。

本文活動(dòng)圖包含圖2 中所示的元素?；顒?dòng)圖到DTMC模型轉(zhuǎn)換的思路是將初始節(jié)點(diǎn)（Init Node）、分叉節(jié)點(diǎn)（Fork Node）和匯合節(jié)點(diǎn)（Join Node）的后繼工作流分別轉(zhuǎn)換為模型Init_DTMC、Fork_DTMC 和Join_DTMC。通過(guò)全局變量實(shí)現(xiàn)模型之間的通信。具體的映射規(guī)則可參考文獻(xiàn)［10］中將MARTE 模型將轉(zhuǎn)換成馬爾可夫決策過(guò)程［20］的方法。

系統(tǒng)中各模塊的可靠性如式（5）所示。

其中，k2、k3、k4分別為軌跡規(guī)劃模塊（C2）、軌跡跟蹤模塊（C3）、底層控制模塊（C4）在變道條件下的難度系數(shù)。

感知模塊（C0）、行為決策模塊（C1）的可靠性分別用P0、P1表示?？煽啃灾赶到y(tǒng)在特定條件下完成規(guī)定功能的能力，不同條件下模塊成功完成規(guī)定功能的可能性不一樣，即不同條件下模塊的可靠性也會(huì)不同。變道條件下的后繼軌跡規(guī)劃、軌跡跟蹤和底層控制就難度和復(fù)雜程度而言，顯然高于繼續(xù)跟隨條件下的相應(yīng)活動(dòng)。引入難度系數(shù)區(qū)分不同條件下C2、C3、C4模塊的可靠性，難度系數(shù)越高，模塊的可靠性就越低。模塊C2、C3、C4在繼續(xù)跟隨條件下的可靠性值分別為P2、P3、P4，在變道條件下的可靠性值分別為P2(1-k2)、P3(1-k3)、P4(1-k4)。

自主變道的每一步活動(dòng)都是由無(wú)人車系統(tǒng)中的模塊執(zhí)行，圖2 中通過(guò)泳道顯示了活動(dòng)節(jié)點(diǎn)(S0,S1,...,S22)和模塊(C0,C1,...,C4)的對(duì)應(yīng)關(guān)系?；顒?dòng)節(jié)點(diǎn)的可靠性由負(fù)責(zé)該活動(dòng)模塊的可靠性決定。這里活動(dòng)節(jié)點(diǎn)可靠性指該活動(dòng)節(jié)點(diǎn)不會(huì)導(dǎo)致后繼活動(dòng)節(jié)點(diǎn)失效的概率。表1 顯示了活動(dòng)圖中各活動(dòng)節(jié)點(diǎn)的可靠性。

Table 1 Active node reliability表1 活動(dòng)節(jié)點(diǎn)可靠性

活動(dòng)節(jié)點(diǎn)S0表示感知模塊對(duì)自身車輛信息進(jìn)行收集，自身車輛信息中包含4 維信息，即S0可繼續(xù)劃分為4 個(gè)原子活動(dòng)節(jié)點(diǎn)，由式（4）可知S0的可靠性為[P0+ (1-P0)(1-PC)]4。同理，由式（4）可知S1的可靠性為[P0+ (1-P0)(1-PC)]8。活動(dòng)節(jié)點(diǎn)S3～S5、S6～S9和S10～S12分別為模塊C2、C3、C4在繼續(xù)跟隨條件下的活動(dòng)，其可靠性即為對(duì)應(yīng)模塊在繼續(xù)跟隨條件下的可靠性?；顒?dòng)節(jié)點(diǎn)S13～S15、S16～S19和S20～S22分別為模塊C2、C3、C4在變道條件下的活動(dòng)，其可靠性即為對(duì)應(yīng)模塊在變道條件下的可靠性。

圖2中UML 活動(dòng)圖轉(zhuǎn)換得到的DTMC 模型如圖6所示。

其中，end1狀態(tài)表示LSTM 模塊在針對(duì)是否變道作出的決策為不變道的情況下，無(wú)人車以車身繼續(xù)跟隨作為結(jié)束；end2表示當(dāng)LSTM 模塊作出的決策為變道的情況下，無(wú)人車以車身執(zhí)行變道作為結(jié)束。在DTMC 模型中添加了fault 狀態(tài)，fault 狀態(tài)表示系統(tǒng)在執(zhí)行中出現(xiàn)了故障。DTMC中某個(gè)狀態(tài)到fault 狀態(tài)的概率由對(duì)應(yīng)活動(dòng)節(jié)點(diǎn)的可靠性決定，當(dāng)對(duì)應(yīng)活動(dòng)節(jié)點(diǎn)的概率為p 時(shí)，該狀態(tài)到fault 的概率為1-p。

5 實(shí)驗(yàn)與分析

5.1 LSTM 模塊的錯(cuò)誤滲透率

本文將LSTM 神經(jīng)網(wǎng)絡(luò)［17］作為無(wú)人車變道中的行為決策模塊。如圖7 所示，感知模塊將收集到的自身車輛信息和周圍車輛信息輸出到LSTM 模塊，由LSTM 模塊給出變道決策。關(guān)于自身車輛的信息有4 個(gè)輸入，其中Acc 為車輛加速度，Turning _angle 為車輛相對(duì)于道路的轉(zhuǎn)向角度，Global_x、Global_y 分別為車輛相對(duì)于車道的全局橫向和縱向兩個(gè)車輛位置。關(guān)于周圍信息有8 個(gè)輸入，其中Left_lane_exist、Right_lane_exist 分別表示左車道和右車道是否存在，當(dāng)值為1 時(shí)表示車道存在，當(dāng)值為0 表示車道不存在。Front_dis、Rear_dis 分別表示自身車輛與前方車和后方車的縱向距離，Left_front_dis、Left_rear_dis 分別表示自身車輛與左前方和左后方車輛的縱向距離，Right_front_dis、Right_rear_dis 分別表示自身車輛與右前方和右后方車輛的縱向距離。

Fig.6 DTMC model converted from activity diagram圖6 活動(dòng)圖轉(zhuǎn)換的DTMC 模型

Fig.7 Interaction between perception module and LSTM module圖7 感知模塊和LSTM 模塊交互

由式（2）知，要計(jì)算LSTM 模塊的錯(cuò)誤滲透率，需要分別知道12 個(gè)輸入中每個(gè)輸入發(fā)生錯(cuò)誤時(shí)引起的LSTM 模塊輸出偏差的概率。本文LSTM 模塊錯(cuò)誤滲透率的實(shí)驗(yàn)基于故障注入（Fault Injection，F(xiàn)I），故障注入是一種人為地將故障或錯(cuò)誤引入系統(tǒng)的可靠性驗(yàn)證技術(shù)。現(xiàn)選取6 000 組數(shù)據(jù)，分別針對(duì)12 維輸入數(shù)據(jù)中的每一維數(shù)據(jù)注入故障，將注入故障后的預(yù)測(cè)結(jié)果與本來(lái)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，即可得12 維輸入中每維輸入發(fā)生錯(cuò)誤時(shí)引起的LSTM 模塊輸出偏差的概率。本文中，對(duì)于Left_lane_exist、Right_lane_exist采取的故障注入方式是將原值取反。除此之外的10 維輸入是在原值的基礎(chǔ)上通過(guò)修改代碼隨機(jī)擴(kuò)大或減小2 到5倍來(lái)注入故障。實(shí)驗(yàn)結(jié)果如表2 所示，Nerror為輸入錯(cuò)誤時(shí)輸出發(fā)生錯(cuò)誤的次數(shù)，Perror為每個(gè)輸入與LSTM 模塊輸出之間的錯(cuò)誤滲透率。由式（2）和實(shí)驗(yàn)結(jié)果可計(jì)算得出LSTM模塊的錯(cuò)誤滲透率為

5.2 利用映射所得DTMC 進(jìn)行可靠性預(yù)測(cè)

本文無(wú)人車變道可靠性研究從無(wú)人車收集自身及周圍環(huán)境信息開(kāi)始到無(wú)人車?yán)^續(xù)跟隨或無(wú)人車車身開(kāi)始執(zhí)行變道行為過(guò)程中無(wú)故障發(fā)生的概率，即本文中無(wú)人車變道可靠性的值為從開(kāi)始最終能到達(dá)end1或end2狀態(tài)的概率。

將由DTMC 模型得到的PRISM 代碼及式（6）輸入到模型檢測(cè)工具PRISM 中。

Table 2 LSTM neural network input and output error penetration rate表2 LSTM 神經(jīng)網(wǎng)絡(luò)輸入輸出錯(cuò)誤滲透率

對(duì)于圖2 的無(wú)人車變道過(guò)程，基于當(dāng)前軟件架構(gòu)，在P0= 98.2%，P1= 94.9%，P2= 98.1%，P3= 98.9%，P4=99.2%，K2= 0.012，K3= 0.010，K4= 0.001 時(shí)，由PRISM 模型檢測(cè)工具得到可靠性值，如圖8 所示，無(wú)人車變道可靠性值約為76.47%。

5.3 利用構(gòu)件轉(zhuǎn)移圖的可靠性預(yù)測(cè)

上文可靠性預(yù)測(cè)是基于UML 活動(dòng)圖根據(jù)映射所得的DTMC 模型。目前，對(duì)于UML 活動(dòng)圖到馬爾可夫鏈的轉(zhuǎn)換，研究者參考較多的還有文獻(xiàn)［9］中基于構(gòu)件轉(zhuǎn)移圖將UML 活動(dòng)圖轉(zhuǎn)換為馬爾可夫鏈模型的方法。本文基于構(gòu)件轉(zhuǎn)移圖將圖2 的無(wú)人車變道活動(dòng)圖轉(zhuǎn)換為DTMC 模型，利用該模型對(duì)無(wú)人車變道行為的可靠性進(jìn)行預(yù)測(cè)。圖9 為圖2 所對(duì)應(yīng)的構(gòu)件轉(zhuǎn)移圖。其中，CTGStart 為起始節(jié)點(diǎn)，CTGend1和CTGend2為終止節(jié)點(diǎn)。在DTMC 模型中增加了終止?fàn)顟B(tài)C 和失效狀態(tài)F。狀態(tài)C 表示系統(tǒng)功能成功完成，狀態(tài)F 表示系統(tǒng)發(fā)生失效。圖10 為圖9 對(duì)應(yīng)的DTMC 模型。將構(gòu)件轉(zhuǎn)移圖轉(zhuǎn)換為對(duì)應(yīng)的DTMC 模型時(shí)，還要在每條轉(zhuǎn)移邊上乘以源端模塊的可靠性。這里需要指出的是，本文中對(duì)感知模塊和LSTM 模塊的故障傳播概率基于錯(cuò)誤滲透率進(jìn)行了計(jì)算，故圖10 中以感知模塊為源端的轉(zhuǎn)移邊將不是直接乘以感知模塊的可靠性P0，而是乘以P0+ (1-P0)(1-PC1)。

Fig.8 Reliability prediction value圖8 可靠性預(yù)測(cè)值

將由圖10 中DTMC 模型得到的PRISM 代碼及式（7）輸入到模型檢測(cè)工具PRISM 中。由PRISM 模型檢測(cè)工具得無(wú)人車變道可靠性的值約為90.19%。

通過(guò)圖6 和圖10 中的DTMC 模型進(jìn)行可靠性預(yù)測(cè)時(shí)，得到的值分別為76.47%和90.19%?；跇?gòu)件轉(zhuǎn)移圖思想構(gòu)建DTMC 模型時(shí)，只能對(duì)使用到的模塊進(jìn)行概述，并沒(méi)有描述實(shí)際運(yùn)行時(shí)模塊的使用情況，粒度細(xì)化能力較差。根據(jù)預(yù)測(cè)結(jié)果對(duì)比可知，基于構(gòu)件轉(zhuǎn)移圖思想所得的可靠性預(yù)測(cè)值明顯更高，該方法沒(méi)有考慮到在無(wú)人車變道時(shí)對(duì)各模塊的具體使用情況。根據(jù)映射規(guī)則所得的DTMC 模型在粒度細(xì)化方面的能力更強(qiáng)，更適用于無(wú)人車變道可靠性預(yù)測(cè)。

Fig.9 Component transfer圖9 構(gòu)件轉(zhuǎn)移

Fig.10 DTMC corresponding to component transfer diagram圖10 構(gòu)件轉(zhuǎn)移圖對(duì)應(yīng)的DTMC

6 結(jié)語(yǔ)

無(wú)人車的可靠性對(duì)于道路安全至關(guān)重要。本文對(duì)無(wú)人車變道過(guò)程進(jìn)行建模，對(duì)無(wú)人車變道功能的可靠性進(jìn)行預(yù)測(cè)?？紤]到LSTM 神經(jīng)網(wǎng)絡(luò)具有魯棒性，感知模塊輸出故障不一定會(huì)滲透到LSTM 模塊的輸出，通過(guò)錯(cuò)誤滲透率可以對(duì)模塊間的故障傳播概率進(jìn)行計(jì)算，使得可靠性信息更加準(zhǔn)確。本文分別對(duì)利用UML 活動(dòng)圖映射所得的DTMC 和基于構(gòu)件轉(zhuǎn)移圖所得的DTMC 進(jìn)行可靠性預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明基于映射規(guī)則所得的DTMC 模型在粒度細(xì)化方面的能力更強(qiáng)。無(wú)人車可靠性預(yù)測(cè)結(jié)果可以體現(xiàn)無(wú)人車變道性能好壞，從而為設(shè)計(jì)人員提供了是否需要改良的參考。實(shí)際的無(wú)人車變道過(guò)程可能面臨著十分復(fù)雜的情況，本文的UML 建模粒度較粗，這也是未來(lái)需進(jìn)一步改進(jìn)之處。