论文部分内容阅读
目前搭载高级驾驶辅助系统和车联网(Vehicular Ad Hoc Network,VANET)技术的智能网联车(Intelligent Connected Vehicles,ICV)正大量涌入人工驾驶车(Manual Vehicle,MV)流之中,ICV与MV共存的异构车辆混行交通态势逐步形成,异构车辆之间的交互产生壁垒.混行之下单个ICV虽可依托单车硬件传感与单车计算单元实现与MV的交互意图识别,但其受有限算力与有限传感的影响,资源负载增大,时效性与安全性方面存在一定的误差与风险,而混行之下的VANET技术也不能够提供全局性车路资源用以高度匹配ICV与MV的交互场景,而且越来越多的ICV计算需求也在激增VANET的负载压力.对此,结合边缘计算概念中的雾计算理论,提出混行车辆雾模型(Mixed Vehicle Fog,MVF),充分发挥车联网络边缘节点能力,通过合理整合调度ICV资源的方法,解决对MV正常交互意图计算的时效性与安全性问题.该模型首先通过各感知单元响应混行交通环境下ICV与MV的正常交互事件,然后利用基于容错节点分簇的资源调度算法(Fault-tolerant Node Clustering Resource Scheduling Algorithm,FNC-RSA),动态划分局部路段内对交互事件具有相关意图感知与计算需求的ICV为一组“协同雾群”,再评估雾内ICV节点自身资源与路由代价,定向定量调度资源,最终实现雾群内部MV交互信息共享与驾驶意图协同计算.试验借助Prescan和MATLAB搭建联合仿真平台,与低能耗自适应分簇型路由算法(Low Energy Adaptive Clustering Hierarchy,LEACH)模型对比,验证MVF模型的运行效率与模型鲁棒性.研究结果表明:MVF模型通过交互事件细分协同雾群,保证了计算负载均衡,提高了 ICV定向资源计算与传输效率,比LEACH模型降低了 55.17％的平均跳数,缩短了 45.40％的平均任务完成时间,抗时延干扰能力强,鲁棒性能优异.该模型对于打破混行环境异构车辆交互壁垒,提高混行道路交通行车安全,创造车联网络良性发展空间具有积极作用.