本发明涉及车载传感网节点移动模型
技术领域：
，特别涉及一种车载传感网节点移动智能驾驶员模型的构建方法。
背景技术：
：作为物联网技术的典型应用，车载传感网已成为提高道路通行质量的优先发展技术。由于城市道路车流量较大，构成具有一定密度、稳定的车载传感网成为可能。节点移动策略是车载传感网进行数据分发的基础且关键问题，车载传感网节点移动模型描述了节点的移动策略和特点。移动模型的构建在车载传感网的发展及应用中起到了极其重要的作用。现有移动模型表征的是一种“智能”的驾驶行为，极少地考虑了影响节点移动的因素，脱离了节点移动的实际情况。车辆节点的移动受驾驶员和运行环境因素的影响，而这些因素又具有多样性、复杂性、模糊性、随机性和相关性，若无法对这些因素做与实际情况相吻合的定性分析与定量描述，移动模型就无法真实地描述节点的移动策略。因此，需要构建符合车载传感网自身特性的移动模型。智能驾驶员模型中当前车辆与前导车速度差和间距均是由模型得出的精确值，没有考虑不同驾驶员感知的差异性及外界因素的影响；期望速度和安全跟车时距也是在模型仿真初期就被设为固定值，没有考虑驾驶环境的随机多变性。新近发展起来的云理论具有综合模糊性和随机性为一体的特点。通过云的期望值、熵和超熵三个数字特征将模糊性和隶属度的随机性完全集成到一起，完成概念定性分析与定量描述的转换。因此，将云理论引入车载节点移动模型的建立中，成为研究车载传感网的优选方法。技术实现要素：本发明的目的在于，提供一种车载传感网节点移动智能驾驶员模型构建方法，该方法将云模型完成节点移动影响因素的定性划分与定量描述，进而构建基于云模型的车载移动模型，对智能驾驶员模型中的参数进行修正，拓展智能驾驶员模型的描述能力，更真实地表征节点移动策略和移动规律。为了实现上述任务，本发明采用以下技术解决方案予以实现：一种车载传感网节点移动智能驾驶员模型的构建方法，其特征在于，该方法以智能驾驶员模型为基础，对智能驾驶员模型中跟驰状态做出判断，将车载网节点移动过程中的相对速度、相对位置、时间依赖度、空间依赖度及路面依赖度5类不确定性指标作为节点移动云模型的影响因素集，利用云模型描述的不确定性指标引入智能驾驶员模型，对智能驾驶员模型中的相关参数进行修正，表征节点移动策略和移动规律。根据本发明，对智能驾驶员模型中跟驰状态做出判断，从而改进加速度公式为：式中：a表示车辆的最大加速度；v表示车辆的当前速度；v0表示车辆在自由流状态下的期望速度；Δv表示后车与前车的速度差；s*(v,Δv)表示当前车辆与前导车的期望安全间距；sT表示判断跟驰行为的阈值，取125m；δ表示用于调整加速行为，当δ→∞时，即车辆保持恒定的加速度a直到速度到达v0，通常控制δ∈[1，5]；当s＞sT且s*＜0时，车辆进入自由加速状态；当s＜sT或s*＞0时，车辆处于跟驰状态。所述相关参数修正方法为：步骤一，计算模型给出“智能”数据对各个指标分类的激活程度，即隶属度值，由隶属度最大值确定数据所属分类；步骤二，由Y条件云发生器生成最大隶属度值的云滴drop(xi,umax)，其中，i＝1,2,3…n；步骤三，对xi进行数学平均的x则为经云模型修正的参数值，其中，Y条件云发生器算法公式为式中，Ey、En、He是指标数据所属分类的云数字特征。所述的云模型修正的参数值如下：(1)相对速度Δv、相对位置Δs修正将云模型描述的相对速度、相对位置指标引入智能驾驶员模型，对模型中精确的速度差和间距进行修正，使其符合驾驶员感知；综合驾驶员的心理-行为习惯，结合云模型关于概念划分理论，将相对速度划分为5个子集：{快很多，快一些，接近，慢一些，慢很多}，对应于{Δv1、Δv2、Δv3、Δv4、Δv5}；判断模型给出的“智能”数据对应的定性概念分类，完成定量数据到定性概念的转换，这符合驾驶员对相对速度、相对位置判断的分类，驾驶员往往也是对相对速度进行感觉，感知得出是“快一些”，还是“慢一些”，“接近”，“慢一些”，“慢很多”；再由云发生器生成同一隶属度的云滴，相当于驾驶员对这些数据值感觉上是一致的；将这些云滴的数学平均值作为指标的修正值，将云模型修正的相对速度Δv、相对位置Δs指标引入智能驾驶员模型，修正的加速度和期望间距公式为：a(t)=a[1-(vv0)δ-(s*(v,Δv)Δs)2]]]>s*(v,Δv)=s0+v·T+v·Δv2ab]]>其中，Δv、Δs都是经云模型修正后的值；(2)反应时间修正将时间依赖度τ指标引入智能驾驶员模型，补偿驾驶员从感知周围信息变化直至做出回应所消耗的时间，时间依赖度值经云模型修正，反映到对车辆加速度进行修正，修正的加速度值公式如下：a(t+τ)=a[1-(vv0)δ-(s*(v,Δv)Δs)2]]]>其中，τ表示经云模型修正后的值；(3)期望速度修正引入空间依赖度k，以受天气条件影响的能见度为中间变量，量化雨、雪和大雾对驾驶员视距和心理的影响，对车辆的期望速度进行修正，公式为：vk＝k·v0其中，vk表示不同视距条件下的期望速度；v0表示理想视距条件下的期望速度；k表示经过云模型修正的根据不同能见度条件下得出的空间依赖度；(4)安全跟车时距修正引入路面依赖度l，以路面附着系数为中间变量，量化雨、雪和冰恶劣天气条件及不同路面对车辆节点移动的微观影响，表征车辆节点在刹车减速时路面可提供的依赖程度的大小，对车辆的安全跟车时距进行修正，公式为：Tl＝T0/l其中，Tl表示不同路面条件的安全跟车时距，T0表示正常的道路条件即干燥的柏油/混凝土路面的理想安全跟车时距，l表示通过云模型修正的根据不同路面条件得出的路面依赖度。与现有技术相比，本发明的车载传感网节点移动智能驾驶员模型构建方法所带来的有益效果是：在智能驾驶员模型的基础上引入了相对速度、相对位置、时间依赖度、空间依赖度及路面依赖度5类特征指标，充分考虑了驾驶员的个体特性、道路环境、交通环境和气候环境因素对车辆节点移动特性的影响，并通过云模型充分考虑了特征指标取值划分、概念转换过程中的随机性与模糊性。基于云模型的智能驾驶员模型在理论上已能真实表征节点移动策略和移动规律。具体实施方式申请人利用云模型研究车载传感网节点移动策略，将云模型描述的不确定性指标引入智能驾驶员模型，对相关参数进行修正，描述出不同驾驶员对不同驾驶环境反映的差异性，从而构建表征节点真实移动规律与策略的移动模型，为车载网网络通信链路性能评估提供真实的节点移动轨迹。本实施例给出一种车载传感网节点移动智能驾驶员模型的构建方法，在智能驾驶员模型的基础上引入了云模型描述的相对速度Δv、相对位置Δs、时间依赖度τ、空间依赖度k以及路面依赖度l5类不确定指标，对相关参数进行修正，描述出不同驾驶员对不同驾驶环境反映的差异性，使移动模型更符合真实移动规律。1、将车载网节点移动过程中的相对速度、相对位置、时间依赖度、空间依赖度和路面依赖度5类不确定性指标引入智能驾驶员模型。计算得出了每个指标的云数字特征，利用云模型完成不确定性指标定性分析与定量描述之间的转换，解决节点移动过程中模糊性和随机性问题，对移动模型中的参数进行修正。2、移动状态的修正是对智能驾驶员模型中跟驰状态做出判断，从而改进加速度公式为：式中：a：表示车辆的最大加速度；v：表示车辆的当前速度；v0：表示车辆在自由流状态下的期望速度；Δv：表示后车与前车的速度差；s*(v,Δv)：表示当前车辆与前导车的期望安全间距；sT：表示判断跟驰行为的阈值，取125m；δ表示用于调整加速行为，当δ→∞时，即车辆保持恒定的加速度a直到速度到达v0，通常控制δ∈[1，5]；当s＞sT且s*＜0时，车辆进入自由加速状态；当s＜sT或s*＞0时，车辆处于跟驰状态。通过对移动状态进行判断，当前导车快速远离时，驾驶员认为前方是安全的，因而采用自由加速度。移动状态的判断，将会提高当车辆密度较小时节点的平均速度，从而提升的运行效率，增大节点间的连通机率。3、对相关参数修正的方法为：步骤一，计算模型给出“智能”数据对各个指标分类的激活程度，即隶属度值，由隶属度最大值确定数据所属分类；步骤二，由Y条件云发生器生成最大隶属度值的云滴drop(xi,umax)(其中i＝1,2,3…n)；步骤三，对xi进行数学平均的x则为经云模型修正的参数值，其中，Y条件云发生器算法公式为：式中，Ey、En、He是指标数据所属分类的云数字特征。4、经云模型修正的不确定性参数如下：(1)相对速度Δv、相对位置Δs修正将云模型描述的相对速度、相对位置指标引入智能驾驶员模型，对模型中精确的速度差和间距进行修正，使其符合驾驶员感知。相对速度Δv为当前车辆与前导车速度之差，见以下公式：Δv＝vF-vL其中：vF：表示当前车速度(km/h)；vL：表示前导车速度(km/h)。综合驾驶员的心理-行为习惯，结合云模型关于概念划分理论，将相对速度划分为5个子集：{快很多，快一些，接近，慢一些，慢很多}，对应于{Δv1、Δv2、Δv3、Δv4、Δv5}。采用试车法对相对速度指标进行采集。试验开始前研究人员向驾驶员详细解释相关概念；试验中每隔2分钟向驾驶员提问，根据驾驶员的主观判断，记录当前时刻两车相对速度的定性分类。以相对速度为“接近”概念的判断为例，提取所有Δv∈Δv3的数据，形成由驾驶员主观判断前后两车相对速度为“接近”的数据集合{Δv3}；利用逆向云发生器生成数据集的数字特征利用正向云发生器产生正态云模型的若干云滴其中为相对速度为“接近”概念的数据，ui为此隶属于该云的确定程度，即隶属度。将这些云滴的数学平均值作为指标的修正值。相对速度为“接近”的云数字特征为(-1.8，1.1，0.22)，表明相对速度为-1.8是驾驶员主观判断“接近”概念最合适的取值，即是云滴取值最密集的地方；熵为1.1表示“接近”这一定性概念的云滴的离散程度，也是定性概念模型性的度量；超熵为0.22由熵的随机性和模糊性共同决定，由云滴的厚度体现。由生成的隶属度云图可以看出，当前车辆驾驶员在当本车车速稍低于前导车车速时，认为相对车速为“接近”，这符合车辆跟随前导车行驶的行为习惯。相对速度的其他定性概念到定量概念的转换也由同样方法得出。相对速度指标各分类：“快很多”的云模型数字特征(Ex,En,He)ΔV1＝(11.2，1.9，0.21)；“快一些”的云模型数字特征(Ex,En,He)ΔV2＝(6.5，2.1，0.24)；“接近”的云模型数字特征“慢一些”的云模型数字特征(Ex,En,He)ΔV4＝(-8.3，2.9，0.29)；“慢很多”的云模型数字特征(Ex,En,He)ΔV5＝(-16.6，2.4，0.32)。相对位置Δs为当前车辆与前导车之间的位置之差，见以下公式：Δs＝xL-xF-L其中：xL表示前导车位置(m)；xF表示当前车位置(m)；L表示前导车车身长度。结合驾驶员感知及行为习惯，将相对位置划分为5个子集：{很小，较小，恰当，较大，很大}，对应于{Δs1、Δs2、Δs3、Δs4、Δs5}。相对位置指标隶属于各定性概念的云数字特征亦由试车法获得，同相对速度指标数据获取方法。根据已知的样本数据，由逆向云发生器生成相对位置隶属于各定性概念的云模型数字特征，再由正向云发生器产生云滴。将这些云滴的数学平均值作为指标的修正值。相对位置指标各分类：“很小”的云模型数字特征(Ex,En,He)ΔS1＝(7.7，2.2，0.62)；“较小”的云模型数字特征(Ex,En,He)ΔS2＝(15.3，3.7，0.83)；“恰当”的云模型数字特征“较大”的云模型数字特征(Ex,En,He)ΔS4＝(33.4，4.1,0.71)；“很大”的云模型数字特征(Ex,En,He)ΔS5＝(42.3，3.4，0.63)。将云模型修正的相对速度Δv、相对位置Δs指标引入智能驾驶员模型，修正的加速度和期望间距见公式：a(t)=a[1-(vv0)δ-(s*(v,Δv)Δs)2]]]>s*(v,Δv)=s0+v·T+v·Δv2ab]]>其中，Δv、Δs都是经云模型修正后的值。(2)反应时间修正将时间依赖度τ指标引入智能驾驶员模型，补偿驾驶员从感知周围信息变化直至作出回应所消耗的时间。利用云模型处理驾驶员个体特征上的差异性和特殊性，完成时间依赖度指标定性到定量概念的划分。将时间依赖度τ划分为5个子集，{快很多，快一些，正常，慢一些，慢很多}，对应于{τ1、τ2、τ3、τ4、τ5}，其分类标准为：“快很多τ1”为0.3～0.7s；“快一些τ2”为0.7～0.9s；“正常τ3”为0.9～1.2s；“慢一些τ4”为1.2～1.8s；“慢很多τ5”为1.8～2.5s。时间依赖度隶属于每个子集的范围都具有上下边界，形如A[Xmin,Xmax]，其云数字特征可表示为：Ex=(Xmin+Xmax)/2En=(Xmax-Xmin)/6He=k]]>式中：Xmin、Xmax分别为指标的下界与上界；k为常数，可根据变量的模糊度进行调整。本发明确定的时间依赖度指标的云模型参数如下：时间依赖度指标各分类：“快很多”的云模型数字特征“快一些”的云模型数字特征“正常”的云模型数字特征“慢一些”的云模型数字特征“慢很多”的云模型数字特征通过计算得出云的三个数字特征(Ex，En，He)，利用正向云发生器，生成正态云模型的若干云滴drop(τi,ui)。其中τi为时间依赖度的实测数据，ui为此τi隶属于该定性概念的确定程度，即隶属度。时间依赖度值经云模型修正，反映到对车辆加速度进行修正，修正的加速度值公式：a(t+τ)=a[1-(vv0)δ-(s*(v,Δv)Δs)2]]]>其中，τ表示经云模型修正后的值。(3)期望速度修正引入空间依赖度k，以受天气条件影响的能见度为中间变量，量化雨、雪和大雾对驾驶员视距和心理的影响，对车辆的期望速度进行修正，由以下公式：vk＝k·v0其中：vk表示不同视距条件下的期望速度；v0表示理想视距条件下的期望速度；k表示经过云模型修正的根据不同能见度条件下得出的空间依赖度。具体取值分类标准：空间依赖度取值k1能见度范围V为1000～10000m，所对应的空间依赖度取值为0.90～0.98；空间依赖度取值k2能见度范围V为500～1000m，所对应的空间依赖度取值为0.80～0.90；空间依赖度取值k3能见度范围V为200～500m，所对应的空间依赖度取值为0.70～0.80；空间依赖度取值k4能见度范围V为50～200m，所对应的空间依赖度取值为0.60～0.75；空间依赖度取值k5能见度范围V为小于50m，所对应的空间依赖度取值为0.4～0.65。采用云模型数字特征的计算准则是：Ex=(Xmin+Xmax)/2En=(Xmax-Xmin)/6He=k]]>得出空间依赖度5个分类标准的云模型数字特征。空间依赖度k指标各分类：空间依赖度k1的云模型数字特征空间依赖度k2的云模型数字特征空间依赖度k3的云模型数字特征空间依赖度k4的云模型数字特征空间依赖度k5的云模型数字特征(4)安全跟车时距修正引入路面依赖度l，以路面附着系数为中间变量，量化雨、雪和冰等恶劣天气条件及不同路面对车辆节点移动的微观影响，表征车辆节点在刹车减速时路面可提供的依赖程度的大小。由制动距离的公式可以验证，路面能提供给车辆的最大减速度随着路面附着系数的减小而减小，车辆制动所需的安全距离越长。不同路面的附着系数分类为：冰路面l1附着系数区间为0.10～0.30；雪路面l2附着系数区间为0.22～0.45；土路面l3附着系数区间为0.40～0.65；湿柏油/混凝土路面l4附着系数区间为0.60～0.85；干柏油/混凝土路面l5附着系数区间为0.80～0.98。同一路面状态下的路面附着系数取值往往存在一定差异，将路面依赖度取值范围等同于路面附着系数取值，将这一信息含量高的、不确定度大的概念转换为用云模型数字特征表征的定量概念。路面依赖度指标各分类：路面依赖度l1的云模型数字特征路面依赖度l2的云模型数字特征路面依赖度l3的云模型数字特征路面依赖度l4的云模型数字特征路面依赖度l5的云模型数字特征对车辆的安全跟车时距进行修正，公式为：Tl＝T0/l其中：Tl：表示不同路面条件的安全跟车时距；T0：表示正常的道路条件(干燥的柏油/混凝土路面)的理想安全跟车时距；l：表示通过云模型修正的根据不同路面条件得出的路面依赖度。应用实例1：车载传感网中，基于云模型的智能驾驶员模型引入的5类不确定性指标可通过装载于车辆上的传感器获取。前后车的相对速度、相对位置可通过激光雷达、雷达测距仪、声呐距离传感器等获取；时间依赖度可根据驾驶员年龄，心理状况获取；空间依赖度的中间量能见度可通过能见度仪获取；路面依赖度的中间量路面附着系数可通过车载GPS数据结合车辆动力学模型实时估算获取。在基于云模型的智能驾驶员模型的仿真实验中，将各类不确定性指标的实际值经云模型进行修正，使各类指标在真正意义上最大范围的涵盖不确定性信息。以相对速度Δv为例，实际值Δv＝-4.4km/h，云模型修正过程如下：步骤1.由X条件云模型计算Δv＝-4.4km/h对相对速度各个分类的激活程度，即隶属度值，由隶属度最大值所在分类判断Δv＝-4.4km/h所属相对速度的分类。经计算u(Δv3)＝0.7782，即Δv∈U(Ⅲ)。具体计算结果为u(Δv1)＝0，u(Δv2)＝0，u(Δv3)＝0.7782，u(Δv4)＝0.4733，u(Δv5)＝0。步骤2.由Y条件云模型生成隶属度u(Δv3)＝0.7782的10个云滴，经数学平均后得出修正后的上述计算中运用了X条件云模型和Y条件云模型，云模型的计算过程中涉及到了随机数的产生。对于相同的输入数值，不同次的计算结果会有一些差异，而且步骤2中产生云滴的个数可以根据模型实际应用调节。因此，云模型推理过程具有本质的不确定性和广泛的适用性。相对位置、时间依赖度、路面依赖度数值的云模型修正过程与相对速度数值修正过程相同。空间依赖度数值由中间量能见度所在范围的比值推算对应的空间依赖度值，再由云模型进行修正。当前第1页1 2 3