一种基于免疫算法的智能网联汽车车辆行驶状态分析方法与流程

本发明属于智能网联汽车道路交通主动安全技术领域，具体涉及一种基于免疫算法的智能网联汽车车辆行驶状态分析方法。

背景技术：

自动驾驶发展到现在，自动驾驶汽车车辆行驶状态的监测，自动驾驶汽车行驶的安全性一直是大家关心的问题，智能网联汽车，通过车载摄像头、激光雷达、毫米波雷达、卫星定位等技术，实施智能算法实现行驶车辆的环境感知，通过车载的总线系统以及车上的其他各种功能的传感器可以获得当前车辆在行驶过程中的一些状态信息参数，而智能网联汽车v2x技术，使得汽车和汽车、汽车和人、汽车和道路、汽车和远程监控平台能够实时的进行通讯，因此，这些技术使得智能车辆上的所有信息可以方便的传送到相关监控平台，并将监控车辆的行驶状态及时的传达给相关的车、人和道路等。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于免疫算法的智能网联汽车车辆行驶状态分析方法，以智能汽车视觉、雷达、定位的环境感知系统为基础，通过该系统和车载总线及其他传感器，实时获取智能汽车行驶过程中的有关数据，并传送到云端服务器，在云服务器端以免疫算法建立模型，对行驶车辆的行驶状态进行评价，当发现有不安全的状态时，及时给与预警，提高了道路交通安全主动防控能力。

本发明采用以下技术方案：

一种基于免疫算法的智能网联汽车车辆行驶状态分析方法，包括以下步骤：

s1、以汽车行驶状态评价知识库作为自体库，生成每种车辆状态对应的检测器，以自体库作为已知抗原，激活对应的b细胞，由b细胞产生与抗原相对应的抗体，当未知抗原产生时，激活相关抗体，根据激活抗体的概率推导出车辆当前所处于的状态；

s2、输入非自体库和检测器距离，计算小于阈值的距离，确定每种典型状态的概率，对车辆行驶状态进行评价。

具体的，步骤s1具体为：

s101、抗原识别，生产自体库；

s102、生成b细胞，进行亲和力计算；

s103、记忆库更新、抗体的抑制和促进，如果大于设定阈值，返回步骤s102重新计算亲和力，如果小于阈值，生成检测器。

进一步的，步骤s101中，自体集由典型的车辆行驶状态的数据组成，作为已知抗原，一组车辆行驶状态的数据建立一个一维向量集合，第i种车辆行驶状态，j为车辆状态参数个数为：

code[i]＝{ci1,ci2,ci3……cij}

设c1：车速，c2：加速度，c3：电池温度，c4：车与前方车辆的距离，c5：车道偏离次数，车道偏离次数是每分钟车辆行驶偏离车道的次数

code[i]＝{ci1,ci2,ci3,ci4,ci5}

而由n组车辆行驶状态数据构成一个n维自体库向量集合，i＝1～n，j＝1～5；

非自体输入为车辆在行驶过程中的任一状态，作为未知抗原：

uncode[i]＝{ui1,ui2……uij}

和自体库一样：

uncode[i]＝{ui1,ui2,ui3,ui4,ui5}

而由n组车辆行驶状态数据构成一个n维非自体库向量集合：i＝1～n，j＝1～5

进一步的，步骤s102中，根据建立的典型的车辆行驶状态参数作为抗原，设某一个状态参数为向量code[i]＝[ci1,ci2,…cij]，以该抗原为中心生成一个新的b细胞，bi(x1,x2…xj)；对于b细胞，生成数量为n的抗体，设每个个体大小为k个，则抗体数量为：

n＝j*k

初始抗体的产生来源有两种，如问题在记忆库中有所保留，则取记忆库，不足部分随机生成，若记忆库为空则全部随机生成，当抗原入侵机体时，b细胞被激活以识别特异抗原，此时b细胞大量繁殖：

b[i]＝{bi1,bi2,…bij}

经过学习生成新的b细胞为：

newb[i]＝{nbi1,nbi2…nbij}

采用euclidean距离计算亲和力克隆因子：

进一步的，步骤s103中，生成的每种车辆状态对应的检测器为：

其中，i代表第i个典型车辆行驶状态，k是种群的大小。

具体的，步骤s2中，当监测器生成后，以车辆行驶过程的任一状态作为非自体输入，计算出该未知抗原与n个监测器的euclidean距离d，设定一个距离的阈值m，计算出每个距离di中dij<m的距离的累加和m，得出该抗体属于该监测器的概率pi，根据概率的最大值判断出该未知抗原所属的已知抗原的类别，对车辆的行驶状态作出评价。

进一步的，监测器的概率pi为：

pi＝m/di1+di2+…+dij。

进一步的，定义评价包括安全、较安全、不安全和危险，未知抗原与n个监测器的euclidean距离d为：

d＝{d1,d2…di}

其中，i＝1～n，n＝4，di为未知抗原参数与第i个监测器的距离。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于免疫算法的智能网联汽车车辆行驶状态分析方法，以自主研发的智能网联汽车车辆信息采集系统为平台，实时获取智能汽车当前行驶过程中有关的数据，并传送到云端服务器，在云端服务器以智能免疫遗传算法建立模型，对智能汽车当前的行驶状态进行评判。本发明所采用的免疫遗传算法是将免疫理论和基本遗传算法各自的优点结合起来的一个多学科相互交叉、渗透的优化算法，并将其应用于智能网联汽车车辆行驶安全状态的分析，由于该免疫遗传算法既保留了免疫算法的优点，又提高了免疫算法中抗体的多样性和收敛速度。最终通过实验对模型做了验证，对数据进行了分析，结果表明了这种模型对智能网联汽车行驶安全状态评价的可行性。

进一步的，以典型的车辆行驶状态建立自体库，产生已知抗原，在自体库已知抗原的基础上生成b细胞，随机生成的方式产生抗体种群，以抗体与已知抗原的距离计算抗体的亲和力，并以此作为适应度，通过遗传算法进化种群，包括交叉、变异、选择，通过亲和力控制迭代过程，最后生成针对每种车辆典型行驶状态抗原的监测器。通过生成的监测器以及车辆实时行驶的状态参数作为未知抗原，就可以对当前车辆行驶状态进行评判。

进一步的，以典型的车辆行驶状态的数据作为已知抗原，一组车辆行驶状态的数据建立一个一维向量集合，第i种车辆行驶状态，j为车辆状态参数个数为：code[i]＝{ci1,ci2,ci3……cij}；设c1：车速，c2：加速度，c3：电池温度，c4：车与前方车辆的距离，c5：车道偏离次数，车道偏离次数是每分钟车辆行驶偏离车道的次数：code[i]＝{ci1,ci2,ci3,ci4,ci5}；则由n组车辆行驶状态数据构成一个n维自体库向量集合，i＝1～n，j＝1～5；

自体库是典型的汽车行驶状态评价知识库，它作为系统的已知抗原，才能激活b细胞学习并产生与抗原相对应的抗体。

进一步的，根据建立的典型的车辆行驶状态参数作为抗原，设某一个状态参数为向量code[i]＝[ci1,ci2,…cij]，以该抗原为中心生成一个新的b细胞，bi(x1,x2…xj)；对于b细胞，生成数量为n的抗体，设每个个体大小为k个，则抗体数量为：n＝j*k；当抗原入侵机体时，b细胞被激活以识别特异抗原，此时b细胞大量繁殖：b[i]＝{bi1,bi2,…bij}；经过学习生成新的b细胞为：newb[i]＝{nbi1,nbi2…nbij}；采用euclidean距离计算亲和力克隆因子：

b细胞的生成是为了产生与抗原相对应的抗体，然后以抗体与已知抗原的距离计算抗体的亲和力，亲和力代表抗体和抗原的匹配原则，即识别强度。留下亲和度高的抗体进行存储，以保证种群向着适应度好的方向进化。

进一步的，以抗体与已知抗原的距离计算出的亲和力作为适应度，通过遗传算法进化种群，包括交叉、变异、选择，通过设定的阈值控制迭代过程，最后生成针对每种车辆典型行驶状态抗原的监测器。应用该监测器就可以对车辆行驶过程中任一行驶状态进行评判。

进一步的，根据生成的监测器，以车辆行驶过程的任一状态作为非自体输入，计算出该未知抗原与n个监测器的euclidean距离d，设定一个距离的阈值m，计算出每个距离di中dij<m的距离的累加和m，得出该抗体属于该监测器的概率pi，根据概率的最大值判断出该未知抗原所属的已知抗原的类别，对车辆的行驶状态作出评价。

综上所述，本发明以自主研发的智能网联汽车车辆信息采集系统为平台，实时获取智能汽车当前行驶过程中状态参数，并传送到云端服务器，在云端服务器以智能免疫算法建立模型，对智能汽车当前的行驶状态进行评判，当发现有不安全的状态时，及时给与预警，最后通过实验对模型做了验证，对数据进行了分析，结果表明了这种模型对智能网联汽车行驶状态评价的可行性。本发明适用于各种交通状况以及各种车型，提高了汽车在行驶过程中的主动安全性能，降低了事故发生率。并且驾驶员可以通过车载终端实时了解车辆的相关状态参数，便于对车辆进行评估和保养；管理人员也可以通过控制中心掌握车辆运行状况，加强车辆管理，做出高效率的调度。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为车辆行驶状态免疫评价模型图；

图2为b细胞与抗体学习过程图；

图3为自体库生成检测器的流程图；

图4为非自体库输入，车辆行驶状态评价流程图；

图5为未知抗原非自体的输入图；

图6为群体总适应度平均值变化图；

图7为评判结果图。

具体实施方式

请参阅图1和图2，生物免疫系统是一个庞大而复杂的系统，它涉及很多细胞分子，根据行驶车辆安全性的特点，设计了一种车辆行驶状态免疫评价模型，通过采集车辆上的数据并传送到云端服务器，对正在行驶的车辆状态进行监测。

自体库为典型的汽车行驶状态评价知识库，作为系统的已知抗原，由建立的典型的安全性评价数据自体库作为已知抗原，激活对应的b细胞，从而由b细胞产生与抗原相对应的抗体，当未知抗原产生时，激活所相关的抗体，根据激活抗体的概率推导出车辆当前所处于的状态。

智能网联汽车车辆行驶状态诊断免疫模型的状态空间由反映车辆行驶的几个主要信息参数构成，可以描述出抗体和抗原之间的相互作用，系统状态可以用特征向量表示，对于求解过程中出现的各种状态分别建立相应的状态空间。

请参阅图3和图4，本发明一种基于免疫算法的智能网联汽车车辆行驶状态分析方法，包括以下步骤：

s1、通过自体库生成检测器；

s101、抗原识别，生产自体库；

初始化自体库

输入典型的车辆的状态参数作为自体输入，初始化记忆库：

code＝[i][j]

其中，i为某个典型车辆状态，j为该状态对应的车辆参数。

因状态和参数较多，现挑选几个举例说明，设车辆状态评价分为为“安全、较安全、不安全、危险”，对应的参数选择“车速、加速度、温度、与前方车辆的距离、车道偏离次数”，以车辆行驶过程的任一状态参数uncode[i]作为非自体输入，对其行驶状态进行评价。

自体集与非自体输入

自体集由典型的车辆行驶状态的数据组成，作为已知抗原，一组车辆行驶状态的数据建立一个一维向量集合，下面是第i种车辆行驶状态，j为车辆状态参数个数。

code[i]＝{ci1,ci2,ci3……cij}

因为采集到的车辆状态参数很多，由于篇幅的限制，以其中几个参数为例来说明算法的原理，设

c1：车速，c2：加速度，c3：电池温度，c4：车与前方车辆的距离，c5：车道偏离次数，车道偏离次数是每分钟车辆行驶偏离车道的次数。

按照举例的情况则：

code[i]＝{ci1,ci2,ci3,ci4,ci5}

而由n组车辆行驶状态数据构成一个n维自体库向量集合，i＝1～n，j＝1～5；

非自体输入为车辆在行驶过程中的任一状态，作为未知抗原：

uncode[i]＝{ui1,ui2……uij}

和自体库一样，以其中几个参数为例来说明算法的原理，则：

uncode[i]＝{ui1,ui2,ui3,ui4,ui5}

而由n组车辆行驶状态数据构成一个n维非自体库向量集合：i＝1～n，j＝1～5

s102、生成b细胞，进行亲和力计算；

定义b细胞及初始抗体的生成

根据之前建立的典型的车辆行驶状态参数作为抗原，设某一个状态参数为向量code[i]＝[ci1,ci2,…cij]，以该抗原为中心生成一个新的b细胞，bi(x1,x2…xj)。

对于b细胞，生成数量为n的抗体，设每个个体大小为k个，则抗体数量为：

n＝j*k

本发明中举例参数个数为5个，个体为20个，则抗体数为100个。

初始抗体的产生来源有两种，如问题在记忆库中有所保留，则取记忆库，不足部分随机生成，若记忆库为空则全部随机生成。

当抗原入侵机体时，b细胞被激活以识别特异抗原，此时b细胞大量繁殖。

b[i]＝{bi1,bi2,…bij}

经过学习生成新的b细胞为：

newb[i]＝{nbi1,nbi2…nbij}

采用euclidean距离计算亲和力克隆因子

亲和力代表抗体和抗原的匹配原则，即识别强度，根据抗体与所属b细胞中心的距离来计算亲和力，一般亲和力的计算公式为：

式中，tk为抗原与抗体的结合强度，一般免疫算法计算结合强度tk的数学工具主要有：

海明距离：

euclidean距离：

manhattan距离：

s103、记忆库更新、抗体的抑制和促进，如果大于设定阈值，返回步骤s102重新计算亲和力，如果小于阈值，生成检测器。

选择亲和度高的抗体进行存储，更新记忆库，因而，亲和度高的抗体显然受到促进，传进下一代的概率更大，而亲和度低的就会受到抑制。

抗体

每一个b细胞都被设定(基因编码)产生一种特质的抗体，抗体是b细胞识别抗原后增殖分化为浆细胞所产生的，一个b细胞只产生一种特异抗体。

学习过程中整个种群去掉适应度低的，留下适应度高的，每次迭代后生成的第i种车辆状态的分类器为

其中，k为种群大小，j为车辆状态参数个数，设每个基因二进制编码位数为c-lemgth。

遗传操作

由于亲和度高的抗体受到促进，亲和度低的就会受到抑制，这样很容易导致群体进化单一，导致局部优化，因此需要在算法中引入新的策略，保证群体的多样性，本发明的遗传操作是应用交叉、变异产生下一代抗体，保证种族的多样性，并向着适应度好的方向进化。

检测器的生成

经过交叉变异后的种群，按照适应度进行排序，将低适应度的个体去掉，留下高适应度的，更新记忆库，如此反复迭代下去，直到群体中最大适应度的个体，本发明中适应度是进化中种群抗体与自体库抗原的距离相关值，距离越近适应度越小，所以当适应度小于设定的阈值，则可以停止进化，则该车辆状态的监测器生成，如此类推，有关车辆的n组状态的监测器就可生成。

当迭代完成后，生成的每种车辆状态对应的检测器为：

其中，i代表第i个典型车辆行驶状态，k是种群的大小。

s2、输入非自体库，对车辆行驶状态进行评价

s201、输入非自体和检测器距离；

s202、计算小于阈值的距离；

s203、确定每种典型状态的概率，完成车辆行驶状态评价。

对车辆行驶过程的任一状态的评判：

当监测器生成后，就可应用监测器对任意的车辆行驶状态进行评判。

以车辆行驶过程的任一状态作为非自体输入，计算出该未知抗原与n个监测器的euclidean距离d：

d＝{d1,d2…di}i＝1～n

本发明中共有“安全、较安全、不安全、危险”4个评价，则n＝4，di为未知抗原参数与第i个监测器的距离。

因个体数为k个,设j＝1～k，则：

d1＝{d11,d12,…d1j}

d2＝{d21,d22,…d2j}

：

di＝{di1,di2,….dij}

本发明产生个体个数k为20个。

设定一个距离的阈值m，计算出每个距离di中dij<m的距离的累加和m，因而就得出该抗体属于该监测器的概率：

pi＝m/di1+di2+…+dij

根据概率的最大值判断出该未知抗原所属的已知抗原的类别，从而对车辆的该行驶状态作出评价。

本发明研发了智能汽车基于视觉、雷达、定位的环境感知系统，通过该系统和车载总线以及其他传感器，实时获取智能汽车行驶过程中的有关数据，并传送到云端服务器，在云服务器端以免疫算法建立模型，对行驶车辆的行驶状态进行评价，当发现有不安全的状态时，及时给与预警。

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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过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。

本发明一种基于免疫算法的智能网联汽车车辆行驶状态分析方法，实验分别在长安大学渭水校区智能网联汽车实验场和西安绕城高速上进行，实验设备及现场如图5、图6所示。

实验设备包括图像采集及处理系统，激光雷达测距与环境感知系统，gps定位系统，另外数据来源还包括车上的can线以及车上的其他传感器，所有的数据都直接或通过车载终端发送到云端服务器进行处理和存储。

设已知自体库如下：

表1.自体库(已知抗原)

4组数据分别代表车辆行驶状态为“安全、较安全、不安全、危险”。

以实验所得数据作为未知抗原非自体的输入，从实验数据中列取50组来说明，如图7所示。

设个体种群个数k为20，基因二进制编码位数c-lemgth为4，初始抗体种群随机生成，经过选择、交叉、变异，迭代次数100次，群体总适应度平均值变化如图6所示。

以种群与自体库的距离作为适应度，从图中看出，随着迭代次数的增加适应度不断减小，解达到收敛。

以生成的监测器对50组数据(图7中的行驶状态)计算出每组数据针对自体库中已知抗原的概率，最大概率对应的状态就是这组数据评判结果，得到的评判结果如图7。

从图中列举10组典型数据来说明评判结果，输入未知抗原如表2：

表2输入未知抗原

对表2的10组数据监测器输出的评判结果见表3，

表3监测器输出

表中数据为未知抗原属于已知抗原的概率，从表中可以看出，数据1车速低、距离较大，是安全的的行驶状态，数据6因为距离较小，是较安全状态，数据4出现了两个相邻状态一样的概率，这种情况结论就定位处于安全与较安全之间(所以图3中有状态处于1.5和2.5的情况)，数据5因为加速度较大，偏离次数较多，是不安全状态，数据9因为车速较高，偏离次数多，所以是危险的状态。

输出数据中还出现了非相邻数据出现了相同最高概率的情况，对于这种情况评判为安全性低的状态，并将数据记录为待进一步验证数据。

本发明针对智能网联汽车车辆行驶状态的特点，设计了基于免疫算法的车辆行驶状态监测系统，通过我们自己研发的设备进行实验获取数据，以典型的数据作为自体库，以任意行驶状态数据作为非自体库，对车辆行驶状态进行评价，经过验证免疫算法对车辆行驶状态的评价是基本正确的，结论的可靠性还与自体库的完整性、初始种群的选择、迭代次数以及阈值的选择有很大的相关性，另外实验获取数据的稳定性对输出数据也有影响，经过更多的验证和改进算法并与其他的智能算法相结合，可以更大的增加结论的可靠性。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。