本技术提供一种针对不同路况感知覆盖问题的设备部署优化方法,包括以下步骤:分析不同道路类型,建立栅格地图库和路侧设备模型库;为了保证优化结果的合理性和鲁棒性,采用两阶段的方法,以针对传感器、MEC关键设备开展部署优化;在第一阶段,基于NSGA‑Ⅱ算法对RSU中的传感器进行部署设计,确保传感器在不同道路场景中的最优配置;在第二阶段,运用聚类和模型预测控制MPC的混合专家模型对MEC设备进行部署,并建立路侧设备之间的拓扑关系,以适应实际道路场景的通信需求;基于得到路侧设备部署方案,开展实际场景下的部署。本发明能够基于优化算法可以针对多种不同的场景和传感器需求开展优化部署,具有较高的数据传输的鲁棒性。
背景技术
当前路侧设备部署大多基于人工经验开展。根据已有的设备进行安装,一方面不一定可以贴合实际道路的要求,无法实现对于道路的高效覆盖,另一方面过多的冗余以及经验式的安装会导致高额的部署费用。为了解决这一问题,一种自动且高鲁棒性的部署方法是当前车路协同领域所亟需的。
针对感知覆盖这一问题,学者们分析了不同传感器类型的二维感知模型,并进一步将覆盖重叠被定义为多个视觉传感器视野的交集,如果一个点至少被两个视觉传感器的视野捕捉到,则被视为已被覆盖,例如基于艺术画廊问题的方法选择在避免盲点的同时实现传感器数量的最小化。
路侧单元(Road Side Unit,简称RSU),是当前车路协同开展感知等功能的重要硬件。全局RSU设备部署涉及许多考虑因素。
现有技术诸如(Zhao,Y.,Wang,Z.,Sun,C.(2024).Deployment OptimizationofRoadside Sensing Units Based on NSGA-II for Vehicle InfrastructureCooperated Autonomous Driving.In:Jia,L.,Easa,S.,Qin,Y.(eds)Developments andApplications in SmartRail,Traffic,and Transportation Engineering.ICSTTE2023.Lecture Notes in Electrical Engineering,vol 1209.Springer,Singapore.https://doi.org/10.1007/978-981-97-3682-9_30),在对当前感知设备的调查和研究的基础上,基于自行搭建的传感器性能模型,在以高速公路、十字路口等为代表的典型路面的二维栅格地图上,采用遗传算法、改进的遗传算法(NSGA-Ⅱ),在满足给定的覆盖率和冗余率的同时,进一步开展针对覆盖率、冗余率和费用三个目标值的多目标优化。为了进一步检验模型算法,开展实际道路场景实验,设计输入为感知传感器类型、二维栅格地图和优化算法基础参数,设计输出为感知设备优化部署帕累托解集。该技术存在以下的缺点:
1.只涉及路侧传感器的部署,未考虑针对诸如边缘计算单元(MEC)、信号转发器等计算设备和通讯设备的部署问题,在整体的架构上不够完整,不符合实际场景的情形。
2.路侧传感器算法的应用场景较为贫乏,不能完全覆盖当前高速场景和城市场景的需要。
3.没有进一步考虑优化结果中传感器的位置和信号传输上的拓扑关系。
该论文提(Tong,X.;Li,M.;Cui,Z.A Hybrid Traffic Sensor Deployment Modelwith Communication Consideration for Highways.Appl.Sci.2024,14,536.https://doi.org/10.3390/app14020536)出了一种针对高速公路混合传感器部署的优化模型,旨在提高交通监控的准确率并考虑通信需求。该模型采用0-1规划技术,将传感器部署和服务器放置问题整合在一起,并通过两步搜索算法求解。该技术存在以下的缺点:
1.该算法所研究的工况集中高速公路,缺少了对城市道路的考虑;
2.高速公路部署算法集中于一维坐标的部署,只考虑传感器之间的间距,所形成的算法架构无法适用于城市环境下的二维情境的设备部署;
3.该算法研究的传感器仅局限于摄像机,并未考虑多种传感器感知性能和参数的差异,缺乏对于混合传感器的考虑,针对不同工程需要的鲁棒性较弱。
实现思路