基于協作反饋控制算法的車聯網行車安全動態強化模型

黃 辰 ，曹建農 ，王時繪 ，張 龑

（1. 湖北大學 計算機與信息工程學院，武漢 430062； 2. 香港理工大學 工程學院，香港）

（? 通信作者電子郵箱:szo094@qq. com）

0 引言

車聯網（Internet of Vehicles，IoV）是物聯網（Internet of Things，IoT）與智能交通系統（Intelligent Traffic System，ITS）的結合。美國交通部研究與創新技術管理局預測:到2030年，IoV 將減少全球90%的交通事故［1］。專用短距無線通信（Dedicated Short-Range Communication，DSRC）是IoV 的標準無線通信協議。IEEE802.11p 承載IoV 的物理層和數據鏈路層［2］。為支持行車安全應用，IoV 需要滿足高密度、高動態、高實時性的要求［3］。IoV 的主要問題在于:大部分參與交通狀態感知的社會車輛的行車軌跡是隨機的，缺乏車間協作；車載感知設備只能覆蓋視距范圍，難以準確描述行車安全態勢；交通拓撲變化頻繁，導致車載感知設備的時空分布不均勻；如果網絡直接擴散感知消息，會極大消耗通信資源［4］；信道爭用加劇消息碰撞，造成廣播風暴和信息過載［5］。

在面向車輛協作通信的研究中，Zhang 等［6］將車載無線信道的接入控制問題轉換為非協同博弈模型，避免其他大量車輛為接入信道而排隊時間過長；Cao等［7］提出在車聯網無線信號的覆蓋范圍內，分配合適的無線通信信道；Ciuonzo等［8］在云端建立數據融合中心，探測沒有參與到協作過程的車輛；Zhu等［9］提出通過協作式中繼算法將中間節點聯通起來，擴展車聯網的覆蓋范圍；Wang等［10］提出由相鄰多車形成計算能力更強的車輛集合，在車輛集合之間進行移動計算負載的分擔轉移，更有利于聚合整個車聯網的計算資源。上述研究中，有以下關鍵問題尚未完全解決:1）如何快速建立車輛協作關系，降低車載感知設備的時空分布不均勻對信息采集的影響；2）如何感知和描述行車安全態勢，如何將直接觀測數據轉換為對行車安全態勢的量化描述。

在交通信息采集和行駛數據分析的研究中，Pu 等［11］提出混合邊緣計算框架，利用邊緣計算獲得路邊設施的數據和計算支持；Ni 等［12］面向道路數據采集和通信設施的分布問題，構建了效用最大化模型；Sun 等［13］提出在道路交叉口動態形成臨時的車輛集合，擴展車輛之間的通信距離；Li等［14］使用神經網絡模型檢測道路場景信息，在決策系統中控制車輛的行駛策略；Lin 等［15］設計了基于社會關系的車輛路徑選擇算法，用以決定最優路徑，提高交通效率；Quan 等［16］在軟件定義車聯網中，聚合具備協同能力的車輛，實現車輛集合之間協同；Gao 等［17］基于行車安全信息廣播的頻率和周期性特征，對信道沖突進行預測。上述研究中，有以下關鍵問題尚未完全解決:1）在車隊內部，如何通過協商得出一致性的感知結果，提高感知精度和感知范圍，減少信息冗余；2）如何將信息融合的結果分發給相關車輛，優化駕駛行為和信息傳輸行為。

針對上述研究存在的問題，本文通過車間協作輔助駕駛控制，全面采集來自駕駛員、車輛、交通基礎設施的信息，并在云端建立信息融合中心，處理分析原始感知數據，再依據信息融合的結果，為參與協作感知的車輛提供智能駕駛輔助控制支持。

基于上述思路，本文提出面向車聯網行車安全的協作反饋控制（Cooperative Feedback Control，CFC）算法。CFC 建立了車輛間的動態協作關系，組建了具有穩定性的虛擬車隊，擴展了車輛的感知視野，并利用交通信息的時空相關性，建立了優化及反饋控制模型，使虛擬車隊能夠自適應調整行車規劃。在保證行車安全的前提下，利用車輛協同，CFC能優化消息傳輸，控制消息傳播規模，降低無線信道資源的消耗。

1 系統整體模型

在IoV 中，車與車、車與人、車與基礎設施之間頻繁交換消息，如圖1 所示。IoV 長時間承載高傳輸負載，容易導致傳輸時延、錯誤和冗余，影響行車的穩定性和安全性。

圖1 系統模型Fig.1 System model

本文采用的基礎行車軌跡數據集，來自美國的長途車輛軌跡采集計劃計劃［18］。該計劃大規模采集并重建車輛軌跡數據和相應的道路環境信息，重建數據在保留原始數據變化趨勢的同時衰減了噪聲，并提供給研究人員分析駕駛行為。

2 虛擬車隊協作組隊模型

2.1 速度協同模型

速度協同模型的核心是面向分布式協作的平滑速度推薦算法。首先，計算虛擬車隊的平均速度；然后，獲得平滑推薦速度的初始值；最后，進行算法敏感度分析。

1）平均速度。

車輛在啟動階段，采樣數量不足，無法進行周期性采樣。平滑速度推薦算法采用服從指數分布的權重系數，對相鄰車輛的平滑速度取均值，形成推薦速度。在基于離散時間的算法迭代過程中，實時推送推薦速度。推送推薦速度可以減小速度的波動，從而使車輛能夠以虛擬編隊的形式平穩行駛。

2）平滑推薦速度。

首先，設置車輛改變運動狀態的平均周期，即速度波動周期τc；CDes是目標車輛；CFront是前車；vˉFront(t)是CFront的平均速度。然后，引入離散時間域上的指數分布函數f(αx)。最后，設定速度波動周期τc的權重分配因子之和為w，求解得到α的近似值。w 越大，模型對動態速度增量的變化越敏感，速度的平滑效果下降。α確定后可計算平滑推薦速度vˉDes(t):

3）敏感度分析。

圖2為交通流量的波動圖。從圖2（a）可看出，由于參數α的取值不滿足敏感度條件，在小擾動的作用下，車流將進入高敏感度狀態，導致交通擁塞向車流的上游傳播；從圖2（b）可看出，在參數的取值滿足敏感度條件的情況下，小擾動導致的車流波動現象將會完全消失，從而使得虛擬車隊恢復到低敏感度狀態。

圖2 車流敏感度Fig.2 Sensitivity of traffic flow

2.2 加速度協同模型

虛擬車隊協作組隊模型的目標是使得區域車輛的行車狀態趨于一致。首先，根據期望加速度實時調節車輛的實際加速度，形成具備短期抗干擾性的虛擬車隊；然后，根據外界的擾動情況，設置動態加速度增量，維護虛擬車隊抗干擾性。

加速度協同模型，是在上述速度協同模型的基礎上，結合期望速度信息，描述區域車流的抗干擾狀態。目標車輛的加速度aDes(t)表示為:

其中:vˉ0為虛擬車隊的平均速度；vmax為最高行駛速度；vˉDes(t)是目標車輛的平均速度。加速度協同模型分為三個部分:fα(?)為速度調節函數，fβ(?)為速度差調節函數，fλ(?)為平均速度調節函數。Sα為速度敏感度系數，Sβ為速度差敏感度系數，Sλ為平均速度敏感度系數。

在最近的k 個采樣周期內，如果CDes追得上CFront，則ΔvDes(t) ≤0；如果始終未能追上CFront，則ΔvDes(t) ＞0。區域車輛集合通過車間協作，交換各自的加速度增量，保持虛擬車隊的短期抗干擾性。同時，為了保證行車安全，需要實時檢查vˉDes(t)是否超過了安全速度上限vsafe(t)，得到期望速度。輸出CDes期望速度v?Des(t)，進入下一輪迭代。

3 行車安全消息傳輸模型

消息協同傳輸模型從行車安全應用消息中提取消息參數，歸類為安全效用消息，量化評估IoV 的行車安全狀態，計算整體安全效用，為后續的信息融合打下基礎。

1）行車安全分析。

消息協同傳輸模型首先計算關鍵的消息參數與vDes(t)、aDes(t)的影響度［19］；然后，分析哪些消息參數是影響行車安全的關鍵因素；最后，將這些參數納入安全效用計算框架。影響度絕對值越高，變量的影響程度越高。影響度表征兩個變量的相關方向:當一個變量增加，另一個變量是增加的趨勢，影響度為正；另一個變量是減少的趨勢，影響度為負。當兩個變量接近完全的單調相關時，影響度絕對值增加。

分別計算安全間距（參數1）、重傳次數（參數2）、處理時延（參數3）、反應時間（參數4）、追蹤精度（參數5）和潮濕程度（參數6）共6 類消息參數的影響度，以及相對概率分布。圖3顯示，參數1、參數3、參數5呈現顯著的正影響度，并且影響度最大值的相對概率明顯高于其他參數。

2）行車安全間距效用。

車輛安全間距Ddis是避免碰撞最重要的約束條件，受到初始速度、加速度等行車狀態參數的影響。Ddis表示為:

其中:Dmin為最小停車間距；tR為駕駛員操作反應時間。為了判斷駕駛傾向性，心理安全間距可表示為:

（2）止水片的安裝必須將止水片預先敲打至貼合后再涂刷底膠后固定，止水片的兩端埋入砼槽內，并妥善按照圖示處理好細節，固定完畢后再其面上澆筑鋼筋細石砼。

其中:kim?tR和kim?Dmin為不同駕駛傾向性對應的操作反應時間和最小停車間距。安全間距效用U(Ddis)可表示為:

其中:As為U(Ddis)幅度系數；α 是駕駛傾向性影響系數；ρr是隨機數。

3）數據處理時延消息及效用。

消息傳輸時延表示車輛產生消息，到鄰居車輛成功接收到消息所需的時間可表示為:

其中:M 是無線信道上傳輸的平均信息量；Rne為消息產生速率；Rtran為消息分發速率。數據處理時延效用U(Dses)在不同采樣時間段，需要考慮信號發射功率的累加消耗成本。信號發射功率越大，分配的時隙數量越多，數據處理時延效用的累加消耗成本就越大。U(Dses)可表示為:

其中:wi是特定時延類型的信號發射功率；Wmin是系統所能提供的最小功率；xi是特定時延類型的實際分配時隙數量；Xi是特定時延類型請求的時延數量；αi是特定時延類型的比例調節因子。

4）車輛追蹤精度消息。

其中:Ao(t)和vo(t)分別為消息發送車輛的實際位置和速度。車輛追蹤精度需求和IoV 網絡性能的關系，可以作為消息發射功率控制的參考模型。

5）安全效用消息協同傳輸。

安全效用消息傳輸受到Rtran(t)的影響，與Rtran(t)鄰居節點數量、消息生成速率和車流密度等因素相關，可表示為:

其中:Rne(t)是數據鏈路層的消息生成速率。調節Rtran(t)的上限和下限，可以優化安全效用消息的協同傳輸效率。

圖3 影響度的概率分布Fig.3 Probability distribution of impact degree

4 雙層聯合優化模型

雙層聯合優化模型同時對消息傳輸控制和車輛駕駛控制進行優化。云端的數據融合中心引入面向多源異構信息的稀疏表示框架，在虛擬車隊的內部更新優化結果。

1）相對安全效用。

相對安全效用模型是在信道容量有限的情況下，保障安全效用消息的傳輸可靠性。考慮車輛的相對安全關系，相對安全效用模型與安全間距效用U(Ddis)、數據處理時延效用U(Dses)、追蹤精度效用U(Es)相關聯。依據網絡效用最大化理論［20］，定義相鄰車輛之間的相對安全效用函數Uair(S)為:

2）碰撞損傷預測。

碰撞損傷預測模型是車輛駕駛策略的核心，通過合理利用安全間距，優化車流密度以及制動速度，降低碰撞風險，目標是確保潛在的碰撞損傷最小化。相對碰撞損傷密度是能夠量化潛在的碰撞損失程度的指標。定義車輛組合的相對碰撞損傷密度Kair(t)，可表示為:

其中:mi是虛擬車隊第i 輛車的質量。車輛變道會引起車流密度ρ(x，t)變化，Kair(t) 也會變化。

3）雙層聯合優化模型。

通過實現相對安全效用的最大化，獲得數據鏈路層的最優消息分發速率Rtran，并獲得最優消息生成速率。設置ΔR 是應用層的消息生成速率和數據鏈路層的消息分發速率的差值。如果ΔR ＞0，則消息發送隊列溢出，丟包率上升。可以調整數據緩沖區的消息發送隊列長度，確保沒有隊列溢出，降低通信延遲。雙層聯合優化模型的下層是面向碰撞損傷預測的物理控制層，上層是面向相對安全效用的信息傳輸層，兩層擁有獨立的數學模型和決策變量。雙層聯合優化模型需要取得相對安全效用的最大值max Uall(S)，以及碰撞損失的最小值min Sall(t)。將下層的目標函數作為上層目標函數的自變量，最終決策結果以上層目標為主。

相對安全效用目標函數的上層模型可表示為:

其中:CLink(air)是車輛的鏈路信道容量。碰撞損傷預測目標函數下層模型可表示為:

其中:ai，min和ai，max分別為虛擬車隊最小和最大加速度。

4）多源消息的融合算法。

本文引入動態貝葉斯框架，將位置跟蹤感知看作概率密度分布的迭代更新。圖4 為核密度估計目標車輛位置的概率密度分布。目標車輛狀態后驗概率密度函數的步驟如下:

Step1 時刻t - 1，粒子{Wn(t - 1)，Yn(t - 1)}表示感知車輛Yn的置信度。

Step2 時刻t，基于感知車輛Yn在t - 1時刻的粒子，得到感知車輛Yn傳向目標車輛X的消息。

Step3 時刻t，抽取Np個粒子，給每個粒子賦予權重值。更新目標車輛X的置信度粒子權重W(t)，歸一化得到W′(t)。

Step4 利用最小均方位置誤差，對目標車輛和感知車輛的置信度粒子進行信息融合。

圖4 目標車輛位置的概率密度分布Fig.4 Probability density distribution of target vehicle position

5 自適應反饋控制模型

虛擬車隊自適應反饋控制模型預測車流密度的時空狀態變化趨勢，將經過優化的消息分發策略反饋給車載通信系統，并將車輛駕駛策略反饋給駕駛控制系統。自適應反饋控制模型修正消息傳輸行為和車輛駕駛行為，實時調整行車規劃，輔助駕駛控制系統適應復雜多變的交通環境。

車流密度時變性要求根據車流密度自適應調整消息發射功率，避免信道擁塞。多車行駛的場景下，區域車輛密度并不均衡，會影響車輛追蹤精度。建立車輛密度與平均速度的關系，分析車流密度的動態演變特征。建立車輛行駛狀態的離散時間表達式，可表示為:

Step2 將消息接收車輛的真實速度（加速度）狀態信息Sreal(t)，與SI(t)比較，得到偏差值；

Step3 基于Sreal(t)和SI(t)的偏差值產生實時控制序列，使Sreal(t)趨近SI(t)；

Step4 基于拉普拉斯變換以及反饋器在各個環節的傳遞函數，建立反饋器的系統模型。

6 仿真與結果分析

在仿真中，首先選定符合穩定行駛特征的評估數據集；然后，針對擁塞的交通環境，對比采用了協同機制和沒有采用協同機制的兩種駕駛策略對于車流波動平滑能力的影響，分析不同策略下的行車安全程度；最后，分析不同的消息傳輸范圍以及傳輸時間間隔對于消息接收成功率的影響。

1）實驗評估數據集。

統計一段時間內的速度［18］，得到如圖5 所示的相對概率分布的直方圖。數值的分布范圍較大，近似于正態分布，滿足仿真需求:車輛行駛過程中的急加速和急減速比較少；大部分車輛的行駛狀態穩定，有助于本文研究正常的駕駛行為。本文選取該車道行車軌跡數據集作為仿真研究對象。

圖5 車速概率分布Fig.5 Probability distribution of speed

2）車流波動平滑能力（行車安全程度）。

降低車流的波動性，減少追尾風險，提升行車安全程度，需要速度（加速度）不發生持續、劇烈的突變。本文檢驗CFC對車輛制動以及平滑駕駛的影響。從圖6 所示的虛擬車隊相鄰車輛的加速度和速度曲線可看出:相對于無協同的普通車輛駕駛策略，本文提出的基于協同方式的駕駛策略充分考慮到車速和加速度的協同，使得虛擬車隊內部的速度和加速度的波動范圍明顯收窄了，車輛駕駛不會再出現緊急制動的情況。

圖6 加速度和速度曲線Fig.6 Acceleration and velocity curves

3）消息成功接收概率。

在IoV 通信環境中，數據丟包導致交通狀態信息傳輸的錯誤和時延，影響行車安全的感知精度。消息接收成功率與消息傳輸范圍以及傳輸時間間隔相關。經過雙層聯合優化模型優化過的消息傳輸策略，能夠根據車輛間距的大小動態調整數據包重傳次數。圖7 為優化前后的消息傳輸接收成功率的對比。從圖7 可看出:優化傳輸策略可以將消息接收成功率提高至90%以上，達到預期效果；而傳統傳輸策略的消息接收成功率普遍低于90%。

圖7 優化前后的消息傳輸接收成功率的對比Fig. 7 Comparison of receiving success rate of information transmission before and after optimization

7 結語

本文提出基于協作反饋控制算法的行車安全動態強化模型CFC。在CFC的基礎上，我們設計了協作感知算法，實時調節車輛的速度（加速度），使車輛行車狀態趨于一致，從而形成具備抗車流擾動的虛擬車隊。虛擬車隊通過自適應反饋控制，將經過優化的消息分發策略反饋給車載通信系統，并將車輛駕駛策略反饋給駕駛控制系統，實時調整行車規劃。仿真結果說明，CFC 在保障行車安全、提升傳輸性能上均有良好表現。