一种应用于车路协同路侧传感器部署优化方法与流程

1.本发明涉及路侧传感器部署技术领域，尤其是涉及一种应用于车路协同路侧传感器部署优化方法。


背景技术：

2.车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
3.路侧感知作为车联网产业化市场的有力组成部分，利用视觉和雷达等多种传感器，配合边缘计算设备，可实现对当前道路交通参与者和路况信息的实时获取。利用路侧感知技术可效地弥补车辆的感知盲区，第一时间为驾驶员提供道路环境的实时信息，并做出有效决策；同时为相关交通部门提供道路交通环境的监控和预测，实现一定范围内的车辆协同调度，有效地改善城市道路车辆拥堵情况，实现车路协同。路侧感知系统布置任务旨在实现感知覆盖与布置成本最小化的路网范围路侧传感器布置方案。


技术实现要素：

4.鉴于以上问题，本发明提供了一种车路协同路侧传感器部署优化方法，不仅可以提前确认传感器的部署方案，而且满足路侧感知系统的功能要求、覆盖要求及成本要求。
5.为了实现上述目的及其他相关目的，本发明提供的技术方案如下：
6.一种应用于车路协同路侧传感器部署优化方法，包括以下步骤：
7.f1：建立传感器部署优化问题的数学模型；
8.基于传感器部署优化问题作如下定义，放置点集合j＝{1,2,3，...n}，放置点j的传感器的有效覆盖面积sj，传感器的总成本为pj；道路的总面积为s；待放置传感器集合为m，x
jm
表示决策变量，若工件j在集合m中，则x
jm
＝0，否则x
jm
＝1，根据上述定义，对传感器部署优化问题建立如下数学模型：
9.目标函数：
[0010][0011]
约束条件为：
[0012][0013]
x
jm
∈{0,1},m∈m
[0014][0015]
f2：基于传感器部署优化问题的目标函数g，获取多目标遗传算法的目标函数h；
[0016]
f3：根据所述目标函数h，结合最优化问题的转换规则，获取所述多目标遗传算法的适应度函数y；
[0017]
f4：随机生成所述多目标遗传算法的初始值，并根据所述适应度函数y，利用所述多目标遗传算法得到所述目标函数g的最优解。
[0018]
进一步的，在步骤f2中，获取多目标遗传算法的目标函数h的步骤具体包括：基于道路总面积s设置传感器所需花费最小为目标函数h，公式如下：
[0019]
其中ωi为各个项的权重系数，pj为传感器的成本，x
jm
表示决策变量。
[0020]
进一步的，在步骤f3中，获取所述多目标遗传算法的适应度函数y的具体步骤包括如下：
[0021]
f31：对传感器安装位置和方式进行基因编码，确定所述传感器基因型；
[0022]
f32：所述基因编码包括以下方式：以“0”代表离散点空缺，以“1”代表顺着道路行进方向的单杆安装一个传感器，以“2”代表逆着道路行进方向的单杆安装一个传感器，以“3”代表两个道路方向的单杆各自安装一个传感器；
[0023]
f33：基于步骤f31和步骤f32，构造传感器的安置成本的函数：
[0024]
dict＝{“0”:0，
[0025]“1”:c1+c2，
[0026]“2”:c1+c2，
[0027]“3”:c1+c2*2}
[0028]
其中c1为杆的成本，c2为传感器的成本；
[0029]
f34：基于传感器的安置成本的函数，建立适应度函数：
[0030]
其中η为传感器覆盖率，si为每个传感器的覆盖面积，key(i)为多目标遗传算法目标函数的函数值。
[0031]
进一步的，在步骤f34中，所述η为传感器覆盖率，其中
[0032]
其中or为道路面积，o为传感器总的有效覆盖面积。
[0033]
进一步的，在步骤f4中，所述得到所述目标函数g的最优解的具体步骤包括：
[0034]
f41：基于传感器放置点，生成初始化群体；
[0035]
f42：根据所述适应度函数y，计算个体适应度；
[0036]
f43：通过轮盘赌选择法进行优胜劣汰，适应度高的个体被遗传到下一代的概率更大，适应度低的个体被遗传到下一代的概率变小；
[0037]
f44：采用单点交叉或变异分割，对两个相互配对的染色体按某种方式交换交换其部分基因，形成两个新的个体；
[0038]
f45：选择终止进化代数为q，进化q次后停止运算，q为正整数。
[0039]
进一步的，在步骤f41中，所述初始化群体的步骤包括：基于选定区域内一组传感器的基因编码作为初始值，所述一组传感器的初始值作为初始化群体。
[0040]
为了实现上述目的及其他相关目的，本发明还提供了一种应用于车路协同路侧传感器部署优化系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的步骤。
[0041]
为了实现上述目的及其他相关目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的计算机程序。
[0042]
本发明具有以下积极效果：
[0043]
本发明结合传感器建模、网联传感系统建模及多目标优化等算法实现路侧传感系统的优化部署，以满足路侧感知系统的功能要求、覆盖要求及成本要求，与此同时，基于多目标遗传算法，结合适应度函数的运算，实现了传感器的部署优化。
附图说明
[0044]
图1为本发明流程示意图。
具体实施方式
[0045]
为更加清晰地阐述本发明的目的、技术方案和优点，以下仅结合部分具体实施例，并参照附图，对本发明作进一步的详细说明。
[0046]
如图1所示，一种应用于车路协同路侧传感器部署优化方法，包括以下步骤：
[0047]
f1：建立传感器部署优化问题的数学模型；
[0048]
基于传感器部署优化问题作如下定义，放置点集合j＝{1,2,3，...n}，放置点j的传感器的有效覆盖面积sj，传感器的总成本为pj；道路的总面积为s；待放置传感器集合为m，x
jm
表示决策变量，若工件j在集合m中，则x
jm
＝0，否则x
jm
＝1，根据上述定义，对传感器部署优化问题建立如下数学模型：
[0049]
目标函数：
[0050][0051]
约束条件为：
[0052][0053]
x
jm
∈{0,1},m∈m
[0054][0055]
f2：基于传感器部署优化问题的目标函数g，获取多目标遗传算法的目标函数h；
[0056]
f3：根据所述目标函数h，结合最优化问题的转换规则，获取所述多目标遗传算法的适应度函数y；
[0057]
f4：随机生成所述多目标遗传算法的初始值，并根据所述适应度函数y，利用所述多目标遗传算法得到所述目标函数g的最优解。
[0058]
进一步的，在步骤f2中，获取多目标遗传算法的目标函数h的步骤具体包括：基于道路总面积s设置传感器所需花费最小为目标函数h，公式如下：
[0059]
其中ωi为各个项的权重系数，pj为传感器的成本，x
jm
表示决策变量。
[0060]
进一步的，在步骤f3中，获取所述多目标遗传算法的适应度函数y的具体步骤包括如下：
[0061]
f31：对传感器安装位置和方式进行基因编码，确定所述传感器基因型；
[0062]
f32：所述基因编码包括以下方式：以“0”代表离散点空缺，以“1”代表顺着道路行进方向的单杆安装一个传感器，以“2”代表逆着道路行进方向的单杆安装一个传感器，以“3”代表两个道路方向的单杆各自安装一个传感器；
[0063]
f33：基于步骤f31和步骤f32，构造传感器的安置成本的函数：
[0064]
dict＝{“0”:0，
[0065]“1”:c1+c2，
[0066]“2”:c1+c2，
[0067]“3”:c1+c2*2}
[0068]
其中c1为杆的成本，c2为传感器的成本；
[0069]
f34：基于传感器的安置成本的函数，建立适应度函数：
[0070]
其中η为传感器覆盖率，si为每个传感器的覆盖面积，key(i)为多目标遗传算法目标函数的函数值。
[0071]
进一步的，在步骤f34中，所述η为传感器覆盖率，其中
[0072]
其中or为道路面积，o为传感器总的有效覆盖面积。
[0073]
进一步的，在步骤f4中，所述得到所述目标函数g的最优解的具体步骤包括：
[0074]
f41：基于传感器放置点，生成初始化群体；
[0075]
f42：根据所述适应度函数y，计算个体适应度；
[0076]
f43：通过轮盘赌选择法进行优胜劣汰，适应度高的个体被遗传到下一代的概率更大，适应度低的个体被遗传到下一代的概率变小；
[0077]
f44：采用单点交叉或变异分割，对两个相互配对的染色体按某种方式交换交换其部分基因，形成两个新的个体；
[0078]
f45：选择终止进化代数为q，进化q次后停止运算，q为正整数。
[0079]
具体地，在相同的遗传算子下,初始种群性状和数量以及对算法收敛速度和结果的影响不能忽略，初始种群生成选择不当，将增加迭代次数,甚至直接导致无法产生最优解。未加任何限制前，在随机获得的初始种群中可以看到存在大量重复覆盖区域，虽然覆盖率达到了99％，但大部分位置的传感器其实可以空缺。究其原因，在随机分布过程中，有四种可能形式，即“0”，“1”，“2”“3”，其中安装的概率达到了75％，但实际上离散点上空缺的位置应该更多，这种不平衡的分布导致了初始种群的冗余，影响迭代速率。因此，在初始种群产生时，就控制“非0”编码的概率，在相似覆盖面积下，可以使用更少的传感器和运行时间。
[0080]
进一步的，在步骤f41中，所述初始化群体的步骤包括：基于选定区域内一组传感
器的基因编码作为初始值，所述一组传感器的初始值作为初始化群体。
[0081]
为了实现上述目的及其他相关目的，本发明还提供了一种应用于车路协同路侧传感器部署优化系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的步骤。
[0082]
为了实现上述目的及其他相关目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的计算机程序。
[0083]
具体地，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0084]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0085]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。