论文部分内容阅读
近年来,随着智能网联汽车(Intelligent Connected Vehicles,ICV)的飞速发展,ICV正大量涌入人工驾驶车(Manual Vehicle,MV)车流之中,交通流混行态势逐渐成形。混行环境下异构车辆之间的交互意图识别已成为当前智能交通领域的研究热点。ICV如何准确、快捷识别MV的鸣笛成为混行交通流中异构车辆交互意图识别的难点,目前学者对于异构车辆交互意图的研究尚未形成完整有效的方法论,往往都忽略了驾驶环境中的听觉信息,论文针对ICV严苛的准确性、时效安全性要求,建立了ICV鸣笛意图“感知-定位-识别”模型(Perception-Location-Recognition model,PLR),与雾计算的混行车辆雾模型(Mixed Vehicle Fog,MVF)。论文主要研究工作如下:(1)针对ICV混行环境下对MV的鸣笛意图感知需求,从“感知-定位-识别”三个角度分析鸣笛特征,通过结合深度卷积循环神经网络算法、到达时差声源定位法和基于运动时窗的支持向量机算法,建立ICV鸣笛意图PLR模型。实验可得鸣笛声感知平均准确率达90.4%、定位角度估计误差小于5°、识别率达82.5%,基本满足ICV鸣笛意图识别需求。(2)针对PLR模型定向数据采集与传输的底层通讯能力不足,建立MVF模型并提出分簇组雾算法(Clustering Fog Algorithm,CF),将响应鸣笛的相关ICV整合成一个车辆雾,为实现雾内任务卸载与资源互补提供可靠的局部通讯网络。实验可得在70%~90%渗透率下,MVF模型效果明显,能够保持各簇4个左右的簇内成员,并在路网内保持数量相对固定但分布灵活的雾群,有效覆盖全部鸣笛事件,实现路网信息整合。(3)针对MVF模型如何完成鸣笛事件计算任务卸载和资源合理分配,提出基于容错节点分簇的资源调度算法(Fault-tolerant Node Clustering Resource Scheduling Algorithm,FNCRSA),通过研判任务量与周边空闲资源的大小,合理划分相关节点的功能职责,约束传输跳数。实验可得FNC-RSA算法比低能耗自适应分簇路由算法降低55.17%的平均跳数,缩短45.40%的平均任务完成时间,且在时延干扰下,仍保持较高混行交通流稳定性与行车时效安全性,为PLR模型的资源分配与计算负载均衡提供底层计算架构支持。综上,本文针对MV鸣笛意图识别从微观层面提出PLR模型,通过“感知-定位-识别”实现鸣笛意图精准识别;从中宏观层面提出MVF模型作为PLR模型底层通讯计算架构,通过建立响应鸣笛事件的协同计算雾群,弥补PLR模型在复杂计算过程中的时效性;形成了“微-中-宏”观的ICV鸣笛意图识别解决方案,进一步丰富了混行交通流下异构车辆交互理论与方法。