本发明涉及基于TPZN的智能网联汽车系统协同控制方法,属于无人驾驶、预测和控制策略领域,通过将Z语言形式化描述和TPN模型融合成为新的TPZN模型来实现功能,能够有效的解决时间Petri网因节点设备众多而带来的状态爆炸问题和Z框架动态能力和实时性不足的问题,建立的智能网联汽车系统协同控制的TPZN形式化模型,能够实现多源异构复杂环境下的智能网联汽车系统信息安全传输的协同控制,提升智能网联汽车行驶的安全性和可靠性。
1.基于TPZN的智能网联汽车系统协同控制方法,通过智能联网汽车系统进行实现;所述的智能联网汽车系统由多辆智能网络汽车的车载自组织网络和分别与之相连的汽车电子控制单元和智能控制系统构成;所述的车载自组织网络由多个车载短程通信装置联网实现,可实现车与车之间的通信及车与路之间的通信;所述的汽车电子控制单元为汽车上安装的传感器、控制器和执行机构;智能控制系统为带有TPZN控制算法的中央处理器;其特征在于,该方法包含以下步骤:S1:智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则,进行车辆控制信息流传输相关约束规则制定;S2:基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特点,利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述;S3:根据车辆控制信息流传输相关约束规则中状态和变迁的前置条件和后置条件,建立智能网联汽车系统的时间Petri网模型;S4:融合Z语言形式化描述和TPN模型,建立智能网联汽车系统协同控制的TPZN形式化模型;S5:利用智能网联汽车系统协同控制的TPZN形式化模型,预测出对应不同路况的汽车变迁策略;S6:针对步骤S5中预测汽车发生事故的情形,对车辆控制信息流传输相关约束规则进行修改;单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id-name、时间Time和汽车电子控制单元属性At;所述的时间包括汽车电子控制单元的响应时间tp和系统全局时间tg;所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存在的状态P={pi|i=1,2,…,m}和所有的汽车电子控制单元对应的所有存在的操作T={τj|j=1,2,…,n};其中,m、n为所有汽车电子控制单元对应的状态和操作的总数;所述的含所有的汽车电子控制单元状态P可以按照理论推导、人为经验或者深度学习分类器训练将其分为正常驾驶状态和非正常驾驶状态;所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系;所述的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、输出O;所述的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间的前置条件(P,T)和后置条件(T,P);步骤S3所述的智能网联汽车系统的时间Petri网模型为(P,T,F,M0,SI)五组元的时间Petri网模型;其中:(1)为各个汽车电子控制单元操作变迁的前置条件和后置条件的集合,等价于有向弧集合;(2)Mi=(vol(p1),vol(p2),…,vol(pm))为智能网联汽车系统操作变迁前的状态向量,其中,初始时刻i=0,vol(pj)为当前状态pj的汽车电子控制单元数量;(3)SI为当前状态操作变迁时相对于初始时刻的最长时间区间,其中,初始时刻SI=[0,0],对任意操作集合SI(τ)=[max(eft(τ)),min(lft(τ))],(eft≤lft),eft表示操作最早的变迁时刻,lft表示操作最晚的变迁时刻;步骤S4所述的智能网联汽车系统协同控制的TPZN形式化模型为融合Z语言形式化描述和TPN模型的(P,T,F,ZP,ZT,S,C,M0,SI)九组元的形式化描述的模型;其中:(1)ZP,ZT分别为采用Z语言框架抽象描述的汽车电子控制设备状态P和汽车电子控制设备对应的所有存在的操作T;(2)S是P→ZP的一一映射关系,C是T→ZT的一一映射关系;步骤S5的预测结果通过当前状态Mi可能到达的状态,通过可达树分析得到,即从当前状态Mi到另一状态Mj的所有可能变迁序列为可达树上从节点到节点的可能路径;其中,Mi为智能网联汽车系统第i次的操作变迁前的状态向量;在操作的过程tg∈[t0i,tfi]完成后,Mj为变迁后达到的状态,D(tfi)为变迁的响应时间的集合,SIi=SI(τi);如果Mj为目标状态,则此时D(tfi)为空集;步骤S5所述的汽车变迁策略具体为:(一)根据矩阵方程:Mj=Mi
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311188.html,转载请声明来源钻瓜专利网。