基于互信息的智能网联汽车数据感知方法

1.本发明涉及互联网技术领域，具体涉及基于互信息的智能网联汽车数据感知方法。

背景技术：

2.随着智慧城市的飞速发展，城市路径数据(路网)的应用也随之越来越广泛，如辅助无人驾驶的高清地图数据、辅助导航的路径拥堵数据，辅助路径建设的路径坑洞数据等。传统的路径数据采集方法，如提前安置传感器、人工采集等，具有成本高、覆盖范围小、时空粒度粗等缺点，难以满足当前大规模的数据量需求。而相对的，随着普适计算的发展，车辆作为城市交通的主要参与者已经配备了大量的传感器(60-100种传感器)，且车辆在城市具有大规模和细粒度的时空覆盖，形成一种新型的路径感知模式，即智能网联汽车智感知。
3.由于大量相关应用对感知数据的时空特性具有很高的要求，因此在智能网联汽车智感知中，感知数据的时空特征是非常重要的指标。如，路径交通监测通常需要某些特定路段的特定时间段的持续感知；高清地图通常需要对特定路段的数据进行不同频率的更新以满足无人驾驶的需求。然而，由于参与感知的车辆并非专职的感知车辆，其具有自己的原始路线规划，而该路径又常常与感知应用的时空覆盖需求不契合，即很可能出现应用所需时空点的数据无车辆覆盖，而部分时空点则被过量的车辆覆盖。因此，感知平台需要对感知车辆进行适当的路径推荐，以平衡司机路径和感知的时空需求。
4.对于司机而言，参与感知会带来额外的开销。首先，司机在驾驶车辆时一般会选择与目的地的最短路径，而平台对车辆进行轨迹推荐则会对司机产生额外的绕路，即推荐轨迹相较原轨迹的额外路程，因此导致司机需要消耗额外的时间和汽油等，称为绕路开销。另外，司机采集感知数据需要消耗一定的时间或者传感器电量等，如司机采集路径视频数据时需要消耗摄像头电量和上传数据的流量，统称为感知开销。因此，在设计感知方案时需要考虑对司机的额外开销，过高的额外开销会严重影响其参与感知的积极性。因此，考虑到司机的额外开销，需要在一定限度内为参与司机推荐感知路段并规划感知轨迹，以满足应用的时空数据需求。
5.基于信息学的互信息理论可知，需感知路网各个感知路段包含的信息定义为信息熵，而所需感知路网的所有信息被定义为总信息熵。感知车辆在感知路段上采集的数据可以降低对应感知路段的信息熵以及路网的总信息熵，这个降低量称为互信息。换句话说，互信息是指感知车辆在对应感知路段上采集的数据对该感知路段信息熵的降低量，即感知车辆所采集数据带来的信息增益。同时，申请人发现互信息的互信息函数具有单调性和子模性，则当一条感知路段被多辆感知车感知时，其产生的互信息呈单调递增但增幅降低的趋势。
6.然而，现有方案在制定多辆感知车辆的任务分配策略和感知轨迹，一般仅基于单个感知车辆的感知开销去制定感知成本最低的方案，而未考虑上述的互信息函数特性，使得其仅能获得局部视野(某一感知路段)下的局部次优解，无法有效获取全局视野(路网)中
的全局次优解。极端情况下，如多辆感知车辆起点和终点相近时，在相近的开销下，可能获得几乎一致的任务分配策略，则备选的感知路段在多次感知下，得到的互信息增量甚至趋于无穷小。也就是说，现有方案在制定多辆感知车辆的任务分配策略和感知轨迹时，由于同一感知路段可能被多个感知车辆采集数据，导致数据之间存在重叠和冗余，进而影响了数据时空覆盖的质量。因此，如何设计一种能够考虑互信息函数特性且能够在制定任务分配策略和感知轨迹时综合考虑其他车辆感知情况的感知方法是亟需解决的技术问题。

技术实现要素：

7.针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于互信息的智能网联汽车数据感知方法，以能够考虑互信息函数特性，且能够在制定任务分配策略和感知轨迹时综合考虑其他车辆感知情况，解决了多辆感知车辆之间由于采集的数据重叠而相互影响的问题，从而能够提高智能网联汽车数据感知的时空覆盖质量。
8.为了解决上述技术问题，本发明采用了如下的技术方案：
9.基于互信息的智能网联汽车数据感知方法，包括以下步骤：
10.s1：获取路网中所有感知路段的信息熵；
11.s2：通过多车感知规划模型为每个感知车辆生成对应的任务分配策略和感知轨迹；
12.首先，基于路网中各个感知路段的信息熵，多车感知规划模型选择最优感知车辆并为其生成任务分配策略和感知轨迹，然后根据该最优感知车辆在任务分配策略中包含的感知路段上得到的互信息对整个路网进行信息熵更新，如此循环，直至所有车辆均被选择并生成任务分配策略和感知轨迹；
13.s3：每个感知车辆基于对应的感知轨迹进行驾驶，并沿途采集任务分配策略中包含的感知路段中的数据；
14.s4：各个感知车辆上传其采集的数据，以完成数据感知。
15.优选的，步骤s2中，多车感知规划模型选择最优感知车辆时，首先为各个感知车辆生成对应的任务分配策略和感知轨迹，然后计算各个感知车辆基于任务分配策略产生的互信息总量，最后选择互信息总量最大的感知车辆作为最优感知车辆，并对整个路网进行信息熵更新。
16.优选的，步骤s2中，通过单车感知规划模型为感知车辆生成任务分配策略和感知轨迹；
17.单车感知规划模型以互信息总量最大化、感知额外成本满足约束条件、感知轨迹经过所有分配的感知路段和不改变感知车辆的起始点和目的地为目标进行对应感知车辆的单车感知问题建模；然后通过最近邻算法和贪心策略求解单车感知问题，生成对应感知车辆的任务分配策略和感知轨迹。
18.优选的，通过如下公式表示单车感知规划模型的单车感知问题：
19.1)感知任务分配问题：
[0020][0021]
[0022]
2)感知轨迹规划问题：
[0023][0024][0025][0026]
式中：x
l
表示感知车辆l的任务分配策略；表示给感知车辆l分配的感知路段集合；s表示感知路段；m
sl
表示感知车辆l在感知路段s上产生的互信息；表示感知车辆l的感知轨迹；表示感知车辆l的感知成本；表示感知车辆l的原始驾驶成本；b
l
表示感知车辆l的感知额外成本上限；表示感知车辆l的感知驾驶成本；表示路网中所有需感知路段的集合；x
sl
＝1表示将感知路段s分配被给感知车辆l，反之x
sl
＝0；表示感知车辆总量；a
l
和b
l
分别表示感知车辆l的起始点和目的地。
[0027]
优选的，通过如下步骤求解单车感知问题：
[0028]
s201：初始化候选路段集合
[0029]
s202：初始化一个解，即利用最近邻路算法为所有感知路段单独计算将其分配给感知车辆l时得到的互信息量与规划的感知轨迹，然后选择其中互信息量最大并满足成本约束的一条感知路段s
′
，将该感知路段s
′
分配给感知车辆l作为一个初始解，并得到该初始解的任务分配策略x
′
l
、感知轨迹和总互信息总量ms′
l
；
[0030]
s203：生成候选解，即遍历所有还未被选择的感知路段然后计算选择感知路段s后产生的互信息再通过最近邻算法计算选择感知路段s后产生的边际成本最后通过贪心策略选择边际单位成本互信息最高的感知路段作为候选路段s；
[0031]
s204：计算候选路段s的感知成本与原始驾驶成本之差是否低于感知额外成本上限，若是，则将候选路段s加入任务分配策略x
l
中，并将其从候选路段集合中删除；
[0032]
s205：循环步骤s203至s204直至结束，得到候选解的任务分配策略x
l
、感知轨迹和总互信息量m
l
的候选解；
[0033]
s206：比较初始解和候选解的总互信息量大小，选择总互信息量更大的解作为最终的任务分配策略x
l
、感知轨迹和总互信息量m
l
；
[0034]
s207：输出感知车辆l的任务分配策略x
l
、感知轨迹和互信息总量m
l
。
[0035]
优选的，感知成本
[0036]
其中，感知驾驶成本
[0037]
数据采集成本
[0038]
原始驾驶成本
[0039]
式中：表示感知车辆l的感知驾驶成本，为生成的驾驶轨迹中所有路段的
驾驶成本之和，即表示感知车辆l的数据采集成本，为生成的任务分配策略x
l
中所有感知路段的数据采集成本之和，即e和v分别表示路网g中的路口和路段节点；和分别表示感知车辆l的原始轨迹和感知轨迹；
[0040]
在路网g＝{v,e,d}中，点集表示所有路段的集合，边集表示路段间的连通关系，为点权重函数，d(v)表示路段节点v的长度。
[0041]
优选的，当感知车辆l为感知路段s上采集数据的第一辆感知车辆时，通过如下公式计算互信息；
[0042][0043]
式中：xs表示感知路段s的信息熵；x
s,1
表示第一辆感知车辆在感知路段s上采集的互信息；i(
·
)表示互信息函数；
[0044]
当感知车辆l为感知路段s上采集数据的第h辆感知车辆时，通过如下公式计算该感知路段s上产生的互信息之和：
[0045][0046]
其中，
[0047][0048]
式中：表示在感知路段s上前i-1辆感知车辆产生的互信息量的集合；表示在感知路段s上已经有i-1辆感知车辆采集信息的基础上，第i辆感知车辆采集数据产生的互信息；x
s,i
表示在感知路段s上第i辆感知车辆产生的互信息。
[0049]
优选的，多车感知规划模型的多车感知问题如下：
[0050]
1)全局互信息总量最大化：
[0051][0052]
其中，
[0053]
2)感知车辆的感知额外成本满足约束条件：
[0054][0055]
其中，
[0056]
3)感知轨迹经过所有分配的感知路段：
[0057][0058]
4)感知轨迹不改变感知车辆的起始点和目的地：
[0059]
[0060]
式中：x表示所有感知车辆的任务分配策略；表示所有感知车辆的感知轨迹；m表示所有感知车辆的全局互信息之和；表示所有感知车辆在感知路段s上的互信息总量。
[0061]
优选的，通过如下步骤求解多车感知问题：
[0062]
s211：基于总信息熵{xs}、感知车辆的原始路径集合和感知车辆的感知额外成本上限集合{b
l
}，结合单车感知规划模型algorithm1为当前无任务分配策略的感知车辆生成任务分配策略感知轨迹以及互信息m
l
；
[0063]
s212：选择互信息总量最大的感知车辆l作为最优感知车辆，为其生成对应的任务分配策略x
l
和感知轨迹然后基于在感知路段s上产生的互信息以及感知车辆l的互信息总量更新所有感知路段的信息熵以及路网的总信息熵{xs}；
[0064]
s213：循环步骤s211至s212，直至为所有感知车辆生成对应的任务分配策略和感知轨迹；
[0065]
s214：输出所有感知车辆的任务分配策略x、感知轨迹以及总互信息m。
[0066]
优选的，单车感知规划模型在多项式时间复杂度内，得到近似率为的次优解；
[0067]
多车感知规划模型在多项式时间复杂度内，得到近似率为的次优解。
[0068]
本发明中基于互信息的智能网联汽车数据感知方法，具有如下有益效果：
[0069]
本发明通过多车感知规划模型为感知车辆生成任务分配策略和感知轨迹，并且多车感知规划模型能够根据感知车辆在对应感知路段上产生的互信息以及基于任务分配策略产生的互信息总量更新对应感知路段的信息熵和路网的总信息熵，使得还未制定生成任务分配策略和感知轨迹的感知车辆拥有了向前的全局视野，并可以在其感知后将自身的局部视野传递给后续的感知车辆，进而得到了较优的全局解，实现了多车问题的解耦，即能够考虑互信息函数特性，且能够在制定生成任务分配策略和感知轨迹时综合考虑其他车辆感知情况，解决了多辆感知车辆之间由于采集的数据重叠而相互影响的问题，从而能够提高智能网联汽车数据感知的时空覆盖质量。
[0070]
同时，本发明的多车感知规划模型循环选择最优感知车辆并为其生成任务分配策略和感知轨迹，使得能够同时兼顾多辆感知车辆规划时的局部次优解和全局次优解，进而能够辅助更好的规划多辆感知车辆的生成任务分配策略和感知轨迹，从而能够进一步提高智能网联汽车数据感知的时空覆盖质量。
附图说明
[0071]
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0072]
图1为基于互信息的智能网联汽车数据感知方法的逻辑框图；
[0073]
图2为纵向单车解耦算法评估实验中不同感知额外成本系数下感知效益；
[0074]
图3为纵向单车解耦算法评估实验中不同感知车辆的感知效益；
[0075]
图4为横向多车解耦算法评估实验中不同感知额外成本系数下感知效益；
[0076]
图5为横向多车解耦算法评估实验中不同感知车辆的感知效益。
具体实施方式
[0077]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
[0078]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0079]
下面通过具体实施方式进一步详细的说明：
[0080]
实施例：
[0081]
本实施例中公开了一种基于互信息的智能网联汽车数据感知方法。
[0082]
如图1所示，基于互信息的智能网联汽车数据感知方法，包括以下步骤：
[0083]
s1：获取路网中所有感知路段的信息熵；
[0084]
s2：通过多车感知规划模型为每个感知车辆生成对应的任务分配策略和感知轨迹；
[0085]
首先，基于路网中各个感知路段的信息熵，多车感知规划模型选择最优感知车辆并为其生成任务分配策略和感知轨迹，然后根据该最优感知车辆在任务分配策略中包含的感知路段上得到的互信息对整个路网进行信息熵更新，如此循环，直至所有车辆均被选择并生成任务分配策略和感知轨迹；
[0086]
s3：每个感知车辆基于对应的感知轨迹进行驾驶，并沿途采集任务分配策略中包
含的感知路段中的数据；
[0087]
s4：各个感知车辆上传其采集的数据，以完成数据感知。
[0088]
本实施例中，感知车辆完成数据感知后，能够获得相应的收益。
[0089]
需要说明的是，互信息是指感知车辆在对应感知路段上采集的数据对该感知路段信息熵的降低量，即感知车辆所采集数据带来的信息增益。
[0090]
本发明通过多车感知规划模型为感知车辆生成任务分配策略和感知轨迹，并且多车感知规划模型能够根据感知车辆在对应感知路段上产生的互信息以及基于任务分配策略产生的互信息总量更新对应感知路段的信息熵和路网的总信息熵，使得还未制定生成任务分配策略和感知轨迹的感知车辆拥有了向前的全局视野，并可以在其感知后将自身的局部视野传递给后续的感知车辆，进而得到了较优的全局解，实现了多车问题的解耦，即能够考虑互信息函数特性，且能够在制定生成任务分配策略和感知轨迹时综合考虑其他车辆感知情况，解决了多辆感知车辆之间由于采集的数据重叠而相互影响的问题，从而能够提高智能网联汽车数据感知的时空覆盖质量。
[0091]
同时，本发明的多车感知规划模型循环选择最优感知车辆并为其生成任务分配策略和感知轨迹，使得能够同时兼顾多辆感知车辆规划时的局部次优解和全局次优解，进而能够辅助更好的规划多辆感知车辆的生成任务分配策略和感知轨迹，从而能够进一步提高智能网联汽车数据感知的时空覆盖质量。
[0092]
具体实施过程中，多车感知规划模型选择最优感知车辆时，首先为各个感知车辆生成对应的任务分配策略和感知轨迹，然后计算各个感知车辆基于任务分配策略产生的互信息总量，最后选择互信息总量最大的感知车辆作为最优感知车辆，并对整个路网进行信息熵更新。
[0093]
通过单车感知规划模型为感知车辆生成任务分配策略和感知轨迹；
[0094]
单车感知规划模型以互信息总量最大化、感知额外成本满足约束条件、感知轨迹经过所有分配的感知路段和不改变感知车辆的起始点和目的地为目标进行对应感知车辆的单车感知问题建模；然后通过最近邻算法和贪心策略求解单车感知问题，生成对应感知车辆的任务分配策略和感知轨迹。
[0095]
1、路网
[0096]
定义路网为无向加权图g
′
＝{v
′
,e
′
,d
′
}，其中点集v
′
＝{v
′1,v
′2,...,v
′n′
}为所有路口的集合，边集e
′
＝{e
′1,e
′2,...,e
′m}表示所有路段的集合，如e
′
＝(v
′i,v
′j)表示v
′i和v
′j间存在一条路段e
′
。为边权重函数，d
′
(e
′
)表示路段e
′
的长度。
[0097]
本实施例中，将需感知路网g
′
转换为g，其中g
′
中的路段(边集)映射为g中的点集，g
′
中的路口(点集)映射为g中的边集，表示路段节点间连接关系。
[0098]
转化后的路网g＝{v,e,d}；点集表示所有路段的集合，边集表示路段间的连通关系，如e＝(vi,vj)表示路段vi和vj之间存在路口，由于一条路口可以连通多条路段，使得v
′
和e并非一对一的映射关系，并有|e|≥|v
′
|＝n
′
,设|e|＝n；为点权重函数，d(v)表示路段节点v的长度。
[0099]
2、信息熵和互信息
[0100]
基于转换后的路网拓扑发布感知路段将表示为其中且表示中第s条感知路段。每条感知路段具有自己的信息量即信息熵，设感知路段s的信息熵为xs，感知路段s的总信息熵为et(xs)。表示l辆感知车辆，每感知车辆l可以采集感知路段中的部分信息，采集到的信息可以降低感知路径的信息熵，在信息学中，该降低量被定义为互信息，即为感知车辆采集的信息所产生的信息效益。
[0101]
函数m(s,h)表示第s条感知路段被共h辆感知车辆感知的互信息，设h辆车依次采集信息为{x
s,1
,x
s,2
,...,x
s,h
}，有
[0102]
可知，第1辆车的对感知路径s的效益可表示为m(s,1)＝i(xs,x
s,1
)＝et(xs)-et(xs|x
s,1
)。故路径s被h辆车感知的效益可表示为m(s,h)＝i(xs,x
s,1
)+i(xs,x
s,2
|x
s,1
)+
…
+i(xs,x
s,h
|x
s,1
,...,x
s,h-1
)，记{x
s,1
,...,x
s,h-1
}为则
[0103]
因此，当感知车辆l为感知路段s上采集数据的第一辆感知车辆时，通过如下公式计算互信息；
[0104][0105]
式中：xs表示感知路段s的信息熵；x
s,1
表示第一辆感知车辆在感知路段s上采集的互信息；i(
·
)表示互信息函数；
[0106]
当感知车辆l为感知路段s上采集数据的第h辆感知车辆时，通过如下公式计算该感知路段s上产生的互信息之和：
[0107][0108]
其中，
[0109][0110]
式中：表示在感知路段s上前i-1辆感知车辆产生的互信息量的集合；表示在感知路段s上已经有i-1辆感知车辆采集信息的基础上，第i辆感知车辆采集数据产生的互信息；x
s,i
表示在感知路段s上第i辆感知车辆产生的互信息。
[0111]
3、感知成本
[0112]
感知成本包括感知驾驶成本和数据采集成本。
[0113]
感知成本
[0114]
对于司机而言，在驾驶的过程中会付出一定的时间成本和其他开销(如油耗)，称其为司机的驾驶成本，并假设其与司机驾驶路程成正比，即对于路段v而言，定义经过该路段的驾驶成本为αd(v)。
[0115]
在转换后的路网中，将感知驾驶成本定义为边的属性，即对于边e＝(vi,vj)，即对于路网中的任意感知路段，其感知驾驶成本为路径上各边成本总和。
[0116]
在执行感知时，司机除了付出驾驶成本外，还需采集和上传数据，这也会产生一定的成本，如传感器电量消耗，上传数据流量消耗等。同样，假设收集数据量与感知路段长度成正比，则路段v的数据采集成本为βd(v)。
[0117]
在转换后的路网中，将数据采集成本定义为点的属性，即c(v)＝βd(v)，即对于路网中的任意感知路段，数据采集成本为路径上感知点成本总和。
[0118]
感知驾驶成本
[0119]
数据采集成本
[0120]
原始驾驶成本
[0121]
式中：表示感知车辆l的感知驾驶成本，为生成的驾驶轨迹中所有路段的驾驶成本之和，即表示感知车辆l的数据采集成本，为生成的任务分配策略x
l
中所有感知路段的数据采集成本之和，即e和v分别表示路网g中的路口和路段节点；和分别表示感知车辆l的原始轨迹和感知轨迹。
[0122]
感知额外成本：
[0123]
对于任意一辆感知车辆l，设其当前原始路径为(可由导航软件或现有路径预测算法获取)，则司机原始驾驶成本为现为其分配一定数量的感知路段并为其规划感知轨迹要求司机按照感知轨迹并收集数据，若司机接受，则感知成本为感知轨迹的感知驾驶成本和数据采集成本之和，即
[0124]
执行感知为司机带来的感知额外成本为司机的感知成本，为
[0125]
4、感知任务分配
[0126]
对单个车辆进行感知规划，则需要在不改变其终点的情况下对其分配需要感知的路径集合并给出对应的感知轨迹
[0127]
假设对于任意感知路径集合已知其感知轨迹则其感知额外成本为对于感知车辆l，其原始路径和成本约束b
l
为已知值，上式由此可简化为产生的互信息为m
sl
为感知车辆l独立感知s路段的互信息。
[0128]
综上，对于任意感知路径集合，已知感知轨迹的任务分配问题可表示为：
[0129]
[0130][0131]
由于每条感知路径对于确定的感知车辆l而言被首次感知的互信息是相互独立的，因此对于确定的感知车辆，目标函数为所选感知路径集合的互信息代数和，构成了背包问题中的目标函数。
[0132]
此外，约束中的感知成本也为所选路径集合的感知成本代数和，然而约束中的驾驶成本却更为复杂，由于的取值涉及到路径规划，且由于路径规划涉及到启发式算法，甚至会出现感知路径集合增大而驾驶成本降低的情况，因此感知额外成本满足约束条件为非线性背包约束。
[0133]
综上，单车感知问题为非线性背包问题，是一个np-hard问题。
[0134]
5、感知轨迹规划
[0135]
假设已经给定感知路径集合要求寻一条感知轨迹起点a
l
出发，至终点b
l
结束，且途径所有感知集合中的感知路段，并最小化其额外成本，若其额外成本低于阈值b
l
，则成立，反之则路径无效。由于已给定，则感知成本也随之确定，则仅需最小化驾驶成本即可。
[0136]
综上，感知轨迹规划问题可表示为：
[0137][0138][0139][0140]
感知轨迹规划问题等价于旅行商问题，是一个np-hard问题。
[0141]
因此，通过如下公式表示单车感知规划模型的单车感知问题：
[0142]
1)感知任务分配问题：
[0143][0144][0145]
2)感知轨迹规划问题：
[0146][0147][0148][0149]
式中：x
l
表示感知车辆l的任务分配策略；表示给感知车辆l分配的感知路段集合；s表示感知路段；m
sl
表示感知车辆l在感知路段s上产生的互信息；表示感知车辆l的感知轨迹；表示感知车辆l的感知成本；表示感知车辆l的原始驾驶成本；b
l
表示感知车辆l的感知额外成本上限；表示感知车辆l的感知驾驶成本；表示路网中所有需感知路段的集合；x
sl
＝1表示将感知路段s分配被给感知车辆l，反之x
sl
＝0；表
示感知车辆总量；a
l
和b
l
分别表示感知车辆l的起始点和目的地。
[0150]
具体实施过程中，通过如下步骤求解单车感知问题：
[0151]
s201：初始化候选路段集合
[0152]
s202：初始化一个解，即利用最近邻路算法为所有感知路段单独计算将其分配给感知车辆l时得到的互信息量与规划的感知轨迹，然后选择其中互信息量最大并满足成本约束的一条感知路段s
′
，将该感知路段s
′
分配给感知车辆l作为一个初始解，并得到该初始解的任务分配策略x
′
l
、感知轨迹和总互信息总量ms′
l
；
[0153]
s203：生成候选解，即遍历所有还未被选择的感知路段然后计算选择感知路段s后产生的互信息再通过最近邻算法计算选择感知路段s后产生的边际成本最后通过贪心策略选择边际单位成本互信息最高的感知路段作为候选路段s；
[0154]
s204：计算候选路段s的感知成本与原始驾驶成本之差是否低于感知额外成本上限，若是，则将候选路段s加入任务分配策略x
l
中，并将其从候选路段集合中删除；
[0155]
s205：循环步骤s203至s204直至结束，得到候选解的任务分配策略x
l
、感知轨迹和总互信息量m
l
的候选解；
[0156]
s206：比较初始解和候选解的总互信息量大小，选择总互信息量更大的解作为最终的任务分配策略x
l
、感知轨迹和总互信息量m
l
；
[0157]
s207：输出感知车辆l的任务分配策略x
l
、感知轨迹和互信息总量m
l
。
[0158]
本实施例中，若候选解更优，则直接输出候选解的任务分配策略x
l
、感知轨迹和互信息总量m
l
；若初始解更优，则输出任务分配策略x
l
＝x
l
′
、感知轨迹和互信息总量m
l
＝ms′
l
。
[0159]
单车感知问题的算法逻辑如下：
[0160]
[0161][0162]
在制定单个感知车辆的任务分配策略和感知轨迹时，需要综合考虑对司机带来的感知驾驶成本和数据采集成本，而感知驾驶成本则同时涉及到感知任务的分配和对应的感知轨迹的规划两个相互耦合的np-hard问题，即分配感知任务时由于感知轨迹未定，难以在保证司机参与意愿的情况下设计出尽可能满足应用需求的感知方案，而指定感知轨迹时，却必须已知感知任务的分配方案才可制定轨迹。
[0163]
本发明的单车感知规划模型综合考虑了任务分配策略和感知轨迹对感知车辆司
机带来的感知驾驶成本和数据采集成本，并通过最近邻算法和贪心策略解耦了感知任务的分配和对应感知轨迹的规划这两个相互耦合的np-hard问题，使得能够在不改变感知车辆的起始点和目的地的情况下有效的为其生成任务分配策略并给出对应的感知轨迹，从而能够进一步提高智能网联汽车城市感知时的整体数据时空覆盖质量。
[0164]
具体实施过程中，生成任务分配策略和感知轨迹时，要保证在不改变起始点和目的地且感知成本可接受的情况下最大化全局互信息。
[0165]
为所有感知车辆分配感知任务，设任务分配策略为x＝{x
sl
∈{0,1}|s＝1,...,s；l＝1,...,l}，则车辆l被分配的感知路段设感知车辆的l原始路径为其中a
l
和b
l
分别为其起点和终点，则需要在不改变其起点和终点的情况下为其规划新的感知轨迹其中且保证感知成本可接受，即小于最大接受成本b
l
。其中。感知轨迹规划过程与感知路段分配相互耦合、相互影响，且由于感知路段被多辆感知车辆感知的互信息函数具有子模性，使得多辆感知车辆的分配和规划过程也相互影响。
[0166]
当车辆所处区域有所重合时，或车辆较为密集时，情况则有所不同。具体而言，互信息函数具有单调性和子模性，则当一条路径被多辆车感知时，其产生的互信息呈单调递增但增幅降低趋势，而上述拆分的解决方法则忽视了该性质，导致多个单车问题解法仅能获得局部视野下的局部次优解，无法获得在全局视野中的全局次优解。极端情况下，若多辆感知车辆起点和终点相近，在相近的开销下，可能获得几乎一致的任务分配策略和感知轨迹，则备选的感知路段在多次感知下，得到的互信息增量甚至趋于无穷小。
[0167]
因此，多车感知问题本质上为多个单车感知问题在具有子模性的互信息函数下相互耦合的问题，也是一个更为复杂的np-hard问题。
[0168]
本发明中，多车感知规划模型的多车感知问题如下：
[0169]
1)全局互信息总量最大化：
[0170][0171]
其中，
[0172]
2)感知车辆的感知额外成本满足约束条件：
[0173][0174]
其中，
[0175]
3)感知轨迹经过所有分配的感知路段：
[0176][0177]
4)感知轨迹不改变感知车辆的起始点和目的地：
[0178][0179]
式中：x表示所有感知车辆的任务分配策略；表示所有感知车辆的感知轨迹；m表示所有感知车辆的全局互信息之和；表示所有感知车辆在感知路段s上的互信息总量。
[0180]
通过如下步骤求解多车感知问题：
[0181]
s211：基于总信息熵{xs}、感知车辆的原始路径集合和感知车辆的感知额外成本上限集合{b
l
}，结合单车感知规划模型algorithm1为当前无任务分配策略的感知车辆生成任务分配策略感知轨迹以及互信息m
l
；
[0182]
s212：选择互信息总量最大的感知车辆l作为最优感知车辆，为其生成对应的任务分配策略x
l
和感知轨迹然后基于在感知路段s上产生的互信息以及感知车辆l的互信息总量更新所有感知路段的信息熵以及路网的总信息熵{xs}；
[0183]
s213：循环步骤s211至s212，直至为所有感知车辆生成对应的任务分配策略和感知轨迹；
[0184]
s214：输出所有感知车辆的任务分配策略x、感知轨迹以及总互信息m。
[0185]
多车感知问题的算法逻辑如下：
[0186]
[0187][0188]
本发明通过自上而下的横向多车感知解耦算法(多车感知规划模型)和纵向单车感知解耦算法(单车感知规划模型)，能够有效的选择最优感知车辆并更新对应感知路段的信息熵和路网的总信息熵，使得能够综合考虑感知车辆的感知额外成本和多辆感知车辆之间由于采集的数据重叠而相互影响的问题，进而能够实现在不影响司机感知意愿的情况下达成多车协同的时空感知。
[0189]
单车感知规划模型和多车感知规划模型的性能分析。
[0190]
单车感知规划模型在多项式时间复杂度内，得到近似率为的次优解；
[0191]
多车感知规划模型在多项式时间复杂度内，得到近似率为的次优解。
[0192]
1、单车感知规划模型(单车感知解耦算法)
[0193]
为了分析单车感知规划模型的性能，首先给出一个重要概念，α子模性。
[0194]
α子模性:由于单车感知问题约束为不具备子模性的tsp约束，因此，对子模性进行一定程度的放缩，即为α-子模性，设对于车辆l，c
*
(
·
)为所选感知任务集合在最优路径下的额外成本函数，则由于为子模性的充要条件，因此α的含义即为该约束偏离子模性的最大程度。
[0195]
单车场景下，本发明提出的基于贪心策略选择路段的单车感知解耦算法可以在额
外成本约束b放缩至在多项式时间内得到近似率为的感知任务分配策略以及路径规划策略，其中q为最优路径规划策略下能满足约束b的最大感知轨迹集合大小，即p则为额外成本函数非线性的程度，定义为当p＝0时，该函数为线性函数，当p的值越大，则非线性越强。
[0196]
证明单车感知规划模型(单车感知解耦算法)的近似率为
[0197]
首先，本发明采用的最近邻路径规划算法是近似率为2/3的算法，即对于已确定的感知轨迹集合有
[0198]
设为的最优解。本发明算法从空集开始，通过贪心策略每次选择一个感知路段加入集合，直到不满足约束条件。
[0199]
设共进行了n次选择,则每次选择后的已选集合为由于互信息函数具有单调性，则可得
[0200]
设则有
[0201]
综上可得由于单车感知的目标函数具有线性，则由于单车感知的目标函数具有线性，则且由于算法采用贪心边缘效益的感知路段选择策略，可得即可得可得
[0202]
由于额外成本函数的α子模性，根据α子模性的基本含义，可得且由于且由于得：
[0203]
根据α子模性的含义，还可得根据该性质，可得按照s累加后，可得按照s累加后，可得即化简可得:
[0204]
且根据定义，综上可得综上可得又因为为约束放缩至下的最优解，即化简可得递推式：
[0205]
结合上式可知结合上式可知按照上式，将进一步展开递推直至空集，可得:
[0206]
由于算法只进行了n次感知路段选择，则第n-1次感知路段选择超出预算约束，即1次感知路段选择超出预算约束，即
[0207]
上述证明可知，然而并不易满足约束。
[0208]
因此，单车感知解耦算法在贪心策略循环之前通过贪心策略生成了一个初始解s
′
，可知即
[0209]
故：得证，即单车感知规划模型(单车感知解耦算法)近似率为
[0210]
2、多车感知规划模型(多车感知解耦算法)
[0211]
多车感知解耦算法可以在多项式时间内得到近似率为的感知任务分配策略以及感知轨迹规划。
[0212]
证明多车感知规划模型(多车感知解耦算法)的近似率为
[0213]
假设算法2得到的任务分配和路径规划策略为
[0214]
设最优解mu(
·
)为互信息函数，即最优互信息和算法3所得互信息
分别为和由于算法3中有车辆选择顺序，每次循环选择一辆车，并给出路径规划策略，设为前m次循环的解，1≤m≤l。为最优解的前m项解。
[0215]
此外，设s
m+1
为当前的下一步的解，s
′
m+1
为当前的下一步最优解，即为假设算法2给出最优解下的互信息最大的解。
[0216]
首先，证明本发明方法前p项和最优解前q项的关系。
[0217][0218]
由于互信息函数具有子模性，则又因为对于而言，当前下一步最优解为s
′
p+1
，因此
[0219]
综上，可得
[0220]
由于本发明采用贪心策略选择车辆，且算法1的近似率为可知算法2每一次循环的解s
p+1
的边缘互信息至少为当前最优解的倍。
[0221]
因此，综上，可得
[0222]
显然，上式形成了递推式的形式，即将不等号左侧按q取值范围累加后，可得根据定义，即为最优解，且由于互信息函数具有单调性，即综上，可以得到最优解与本发明解的前p，p+1项的关系为设得
[0223]
显然，上式形成了另一种递推式的形式，即由此可知，由此可知，由此可知，即
[0224]
代入化简得由于故，得证。
[0225]
本发明的单车感知规划模型在多项式时间复杂度内得到近似率为的次优解、多车感知规划模型在多项式时间复杂度内得到近似率为的次优解，使得能够保证横向多车感知解耦算法和纵向单车感知解耦算法的解耦性能，即能够兼顾多辆感知车辆规划时的局部次优解和全局次优解，从而能够更好的辅助规划多辆感知车辆的任务分配策略和感知轨迹。
[0226]
为了更好的说明本发明技术方案的优势，本实施例中公开了如下实验。
[0227]
本实验采用重庆市12493辆出租车数据集进行对比实验，实验在具有3.00ghz双核intel core xeon gold 6561 cpu和192gb ram的商用服务器上实现仿真。
[0228]
1、实验预处理及设置
[0229]
为适应路径级别的感知任务分配和感知轨迹规划，首先对智能网联汽车数据集进行预处理。在openstreetmap上获取重庆市路网数据，并将数据集中的汽车gps数据与路网数据进行匹配，将车辆gps的轨迹数据转换为所处路网中的路段数据，精确掌握车辆在城市路网拓扑中的运动情况。具体处理方法分为两步。
[0230]
1.1首先是数据清洗，由于gps轨迹数据存在定位误差，若要进行路网匹配，则首先需要将这些定位误差数据剔除，在此采用isolationforests的异常值检测方法，对数据进行清洗。
[0231]
1.2接着进行路网匹配，将gps轨迹数据转换为路网数据。由于路网数据中每一条路段的数据为一个gps数据序列，其在地图中是一条点数据的形式，因此无法将车辆轨迹的gps数据与其完全匹配，只能进行范围匹配。因此在路网数据中加入模糊匹配，即将每条路段的数据进行一定范围(10米)的拓宽，进而转换为地图中的gps范围。在进行匹配时，若车辆轨迹的gps点处于某条路段的匹配范围内，则会被归于该路段，若处于多个路段的匹配范围内，则会被归于第一条匹配到的路段，若不处于任何路段的匹配范围内，则该gps点被丢弃。
[0232]
实验初始化重庆市内619条路段为目标感知路段，感知路段总长度为112.5km。在感知任务发布时，筛选感知范围内当前正处于空闲状态的智能网联汽车作为感知车辆，以其当前所处路段为起点，空闲状态结束路段为终点，计算其驾驶成本作为其原始成本，并以α＝1.5为其默认感知成本系数，即感知产生的额外成本最大为原始成本的0.5倍，对其进行感知任务推荐和路径规划。
[0233]
2、单车感知规划模型(纵向单车解耦算法)评估实验
[0234]
首先评估纵向单车解耦算法性能。该评估实验对比方法为本发明方法的两个变体方法，分别为：1.路段随机算法，采用最近邻的路径规划方法，但感知任务推荐为在感知成本约束内随机推荐；2.传统贪心算法，采用最近邻的路径规划方法，感知任务推荐采用贪心
策略，但贪心目标函数为传统贪心算法采用的优化目标而非
[0235]
实验结果如图2和图3所示，以感知额外成本系数(即额外开销成本)为变量，在不同的感知额外成本系数(1.1-2.0)下，本发明的纵向单车解耦算法平均优于路段随机算法和传统叹息算法685.2％和82.3％。为避免某一辆感知车辆产生的结果的随机性，图3中随机选择了范围内的100辆空闲感知车辆，并在默认感知成本系数下分别采用三种方法进行感知任务推荐和路径规划，结果可见，本发明方法效果恒优于对比算法，且平均均优于路段随机算法和传统贪心算法597.4％和40.9％。
[0236]
3、多车感知规划模型(横向多车解耦算法)评估实验
[0237]
接着评估横向多车解耦算法性能。该评估实验对比方法为本发明方法的两个变体方法，分别为：1.随机选车算法，采用本发明的单车感知方案，在多车算法中选车时采用随机的方法，并根据互信息更新地图；2.不更新地图算法，采用本发明算法的单车感知方案和多车算法中的贪心策略选车方案，但选择车辆后不更新地图。
[0238]
如图4所示，以感知车辆数量(即车辆总量)为变量，在不同的感知车辆数量下，本发明算法平均优于随机选车算法和不更新地图算法109.2％和528.0％。图5以感知额外成本系数(即额外开销成本)为变量，结果可见，本发明算法在不同的感知成本系数下平均均优于随机选车算法和不更新地图算法408.6％和932.1％。
[0239]
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：

1.基于互信息的智能网联汽车数据感知方法，其特征在于，包括以下步骤：s1：获取路网中所有感知路段的信息熵；s2：通过多车感知规划模型为每个感知车辆生成对应的任务分配策略和感知轨迹；首先，基于路网中各个感知路段的信息熵，多车感知规划模型选择最优感知车辆并为其生成任务分配策略和感知轨迹，然后根据该最优感知车辆在任务分配策略中包含的感知路段上得到的互信息对整个路网进行信息熵更新，如此循环，直至所有车辆均被选择并生成任务分配策略和感知轨迹；s3：每个感知车辆基于对应的感知轨迹进行驾驶，并沿途采集任务分配策略中包含的感知路段中的数据；s4：各个感知车辆上传其采集的数据，以完成数据感知。2.如权利要求1所述的基于互信息的智能网联汽车数据感知方法，其特征在于：步骤s2中，多车感知规划模型选择最优感知车辆时，首先为各个感知车辆生成对应的任务分配策略和感知轨迹，然后计算各个感知车辆基于任务分配策略产生的互信息总量，最后选择互信息总量最大的感知车辆作为最优感知车辆，并对整个路网进行信息熵更新。3.如权利要求2所述的基于互信息的智能网联汽车数据感知方法，其特征在于：步骤s2中，通过单车感知规划模型为感知车辆生成任务分配策略和感知轨迹；单车感知规划模型以互信息总量最大化、感知额外成本满足约束条件、感知轨迹经过所有分配的感知路段和不改变感知车辆的起始点和目的地为目标进行对应感知车辆的单车感知问题建模；然后通过最近邻算法和贪心策略求解单车感知问题，生成对应感知车辆的任务分配策略和感知轨迹。4.如权利要求3所述的基于互信息的智能网联汽车数据感知方法，其特征在于：通过如下公式表示单车感知规划模型的单车感知问题：1)感知任务分配问题：1)感知任务分配问题：2)感知轨迹规划问题：2)感知轨迹规划问题：2)感知轨迹规划问题：式中：x
l
表示感知车辆l的任务分配策略；表示给感知车辆l分配的感知路段集合；s表示感知路段；m
sl
表示感知车辆l在感知路段s上产生的互信息；表示感知车辆l的感知轨迹；表示感知车辆l的感知成本；表示感知车辆l的原始驾驶成本；b
l
表示感知车辆l的感知额外成本上限；表示感知车辆l的感知驾驶成本；表示路网中所有需感知路段的集合；x
sl
＝1表示将感知路段s分配被给感知车辆l，反之x
sl
＝0；表示感知车辆总量；a
l
和b
l
分别表示感知车辆l的起始点和目的地。
5.如权利要求4所述的基于互信息的智能网联汽车数据感知方法，其特征在于：通过如下步骤求解单车感知问题：s201：初始化候选路段集合s202：初始化一个解，即利用最近邻路算法为所有感知路段单独计算将其分配给感知车辆l时得到的互信息量与规划的感知轨迹，然后选择其中互信息量最大并满足成本约束的一条感知路段s
′
，将该感知路段s
′
分配给感知车辆l作为一个初始解，并得到该初始解的任务分配策略x
′
l
、感知轨迹和总互信息总量m
s
′
l
；s203：生成候选解，即遍历所有还未被选择的感知路段然后计算选择感知路段s后产生的互信息再通过最近邻算法计算选择感知路段s后产生的边际成本最后通过贪心策略选择边际单位成本互信息最高的感知路段作为候选路段s；s204：计算候选路段s的感知成本与原始驾驶成本之差是否低于感知额外成本上限，若是，则将候选路段s加入任务分配策略x
l
中，并将其从候选路段集合中删除；s205：循环步骤s203至s204直至结束，得到候选解的任务分配策略x
l
、感知轨迹和总互信息量m
l
的候选解；s206：比较初始解和候选解的总互信息量大小，选择总互信息量更大的解作为最终的任务分配策略x
l
、感知轨迹和总互信息量m
l
；s207：输出感知车辆l的任务分配策略x
l
、感知轨迹和互信息总量m
l
。6.如权利要求4所述的基于互信息的智能网联汽车数据感知方法，其特征在于：感知成本其中，感知驾驶成本数据采集成本原始驾驶成本式中：表示感知车辆l的感知驾驶成本，为生成的驾驶轨迹中所有路段的驾驶成本之和，即本之和，即表示感知车辆l的数据采集成本，为生成的任务分配策略x
l
中所有感知路段的数据采集成本之和，即e和v分别表示路网g中的路口和路段节点；和分别表示感知车辆l的原始轨迹和感知轨迹；在路网g＝{v,e,d}中，点集表示所有路段的集合，边集表示路段间的连通关系，d:为点权重函数，d(v)表示路段节点v的长度。7.如权利要求4所述的基于互信息的智能网联汽车数据感知方法，其特征在于：当感知车辆l为感知路段s上采集数据的第一辆感知车辆时，通过如下公式计算互信息；
式中：x
s
表示感知路段s的信息熵；x
s,1
表示第一辆感知车辆在感知路段s上采集的互信息；i(
·
)表示互信息函数；当感知车辆l为感知路段s上采集数据的第h辆感知车辆时，通过如下公式计算该感知路段s上产生的互信息之和：其中，其中，式中：表示在感知路段s上前i-1辆感知车辆产生的互信息量的集合；表示在感知路段s上已经有i-1辆感知车辆采集信息的基础上，第i辆感知车辆采集数据产生的互信息；x
s,i
表示在感知路段s上第i辆感知车辆产生的互信息。8.如权利要求5所述的基于互信息的智能网联汽车数据感知方法，其特征在于：多车感知规划模型的多车感知问题如下：1)全局互信息总量最大化：其中，2)感知车辆的感知额外成本满足约束条件：其中，3)感知轨迹经过所有分配的感知路段：4)感知轨迹不改变感知车辆的起始点和目的地：式中：x表示所有感知车辆的任务分配策略；表示所有感知车辆的感知轨迹；m表示所有感知车辆的全局互信息之和；表示所有感知车辆在感知路段s上的互信息总量。9.如权利要求7所述的基于互信息的智能网联汽车数据感知方法，其特征在于：通过如下步骤求解多车感知问题：s211：基于总信息熵{x
s
}、感知车辆的原始路径集合和感知车辆的感知额外成本上限集合{b
l
}，结合单车感知规划模型为当前无任务分配策略的感知车辆生成任务分配策略感知轨迹以及互信息m
l
；
s212：选择互信息总量最大的感知车辆l作为最优感知车辆，为其生成对应的任务分配策略x
l
和感知轨迹然后基于在感知路段s上产生的互信息以及感知车辆l的互信息总量更新所有感知路段的信息熵以及路网的总信息熵{x
s
}；s213：循环步骤s211至s212，直至为所有感知车辆生成对应的任务分配策略和感知轨迹；s214：输出所有感知车辆的任务分配策略x、感知轨迹以及总互信息m。10.如权利要求9所述的基于互信息的智能网联汽车数据感知方法，其特征在于：单车感知规划模型在多项式时间复杂度内，得到近似率为的次优解；多车感知规划模型在多项式时间复杂度内，得到近似率为的次优解。

技术总结

本发明具体涉及基于互信息的智能网联汽车数据感知方法，包括：获取路网中所有感知路段的信息熵；通过多车感知规划模型为每个感知车辆生成任务分配策略和感知轨迹；首先基于路网中各个感知路段的信息熵，多车感知规划模型选择最优感知车辆并为其生成任务分配策略和感知轨迹，然后根据感知路段上得到的互信息对整个路网进行信息熵更新，如此循环，直至所有车辆均被选择并生成任务分配策略和感知轨迹；每个感知车辆基于对应的感知轨迹进行驾驶，并沿途采集任务分配策略中包含的感知路段中的数据；各个感知车辆上传其采集的数据，以完成数据感知。本发明能够考虑互信息函数特性，且能够在制定任务分配策略和感知轨迹时综合考虑其他车辆感知情况。虑其他车辆感知情况。虑其他车辆感知情况。