计算机工程

作者：高家豪, 胡创业, 丁男, 刘战东

单位：1. 新疆师范大学计算机科学技术学院, 新疆 乌鲁木齐 830054;2. 大连理工大学工业装备智能控制与优化教育部重点实验室, 辽宁 大连 116024

关键词：智能网联汽车,驾驶风格,交通流理论,粒子群优化算法,强化学习,有效性分析

基金：新疆维吾尔自治区自然科学基金(2021D01E20);国家自然科学基金(62072071,62262066)。

在智能网联汽车(ICV)中,提高驾驶数据的有效性是提升车辆安全性的基石。只有准确的、可靠的驾驶数据才能为车辆的安全性提供可靠的依据和支持。与传统的异常分析相比,ICV数据有效性分析面临数据异常的多样性(传感器异常、驾驶行为、恶意篡改等)。如何将车辆自身数据特征、驾驶风格和交通流特征相结合,提供有效的数据异常检测方法,已成为智能网联汽车中新的问题。针对ICV系统,采用结合驾驶风格和交通流理论的方法,设计基于粒子群优化的TE-PSO-SVM数据有效性检测算法,实现驾驶数据的有效检测。首先定义驾驶风格识别系数Rad,设计驾驶风格量化模型;其次建立交通流模型,将车辆状态数据与驾驶风格和交通流理论相结合,通过长短期记忆(LSTM)网络对车辆速度预测;最后通过TE-PSO-SVM算法进行数据有效性检测。由于ICV数据的多样性,单一模型在多类型异常混合并存的场景中检测精度仍有局限,利用多个模型的优势构建模型池,并提出基于强化学习的模型选择(RLBMS)算法。在真实数据集highD上的实验结果表明,在不同噪声环境下,TE-PSO-SVM算法模型的F1值相比于传统SVM模型平均提升约8.1个百分点;RLBMS算法模型在不同噪声环境下的F1值相比于模型池中检测率最高的算法平均提高约1.7个百分点,明显提高了数据有效性检测的准确率。

来源：2024年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第6期