Abstract:提出一种基于车-边-云的用于评估驾驶行为的方案。当车辆在道路行驶时,会将反映驾驶员行为的数据通过T-BOX传到边缘网络,边缘网络会通过在云服务器训练的驾驶行为评估模型(driving behavior evaluation model),然后将评估后的排名发送给车辆。此外,云服务器也会继续利用车辆的数据不断训练优化model,并定期将model传到边缘网络进行升级。
Motivation:随着5G、AI技术的飞速发展,自动驾驶、ITS等技术也在不断升级,给人们的出行生活带来了便利。自动驾驶仪或驾驶员的驾驶行为对于驾驶安全至关重要,不同的自动驾驶仪/驾驶员以不同的方式控制汽车,需要找到不良的驾驶行为对自动驾驶技术进行改善。已经有许多研究人员对于自动驾驶的系统优化和目标检测展开工作,大多数是基于模拟器进行研究,对于实际的应用价值尚不清楚。
Knowledge: 车-边-云架构:一般来说,车辆应用程序产生的数据会传送到云服务器,由云端处理车辆传来的各种数据然后再将结果反馈给车辆,这对于带宽和时延要求很高!随着车辆和应用程序爆炸式增长,传统的车辆云已经无法满足现在的需求,而边缘网络靠近车辆,可以快速处理车辆上传的任务并反馈给车辆,边缘网络通过接受来自车辆的任务、计算、存储它们并将无法解决的问题上传到云端来扩展内存,解决了数据处理的时延和车辆计算能力不足的问题。
Main ideal:在模型训练阶段,为驾驶员的驾驶行为按照5个评价指标进行评分,然后将驾驶得分与驾驶行为的相关特征(车速、偏航率、加速度、发动机转速、转向信号、安全带和当前位置)一起发送到云端进行训练。训练完成后,model会通过边缘网络被下载,当汽车在路上行驶时,车辆系统将数据发送到边缘网络并以低延迟接收反馈。不仅如此,评估模型通过新的公共数据和标签定期在云端升级,以达到更高的识别精度,形成评估模型与驾驶员/自动驾驶驾驶行为改善之间的正循环。当汽车在路上行驶时,车辆将数据发送到边缘网络并以低延迟接收反馈。此外,评估模型通过新的公共数据和标签定期在云端升级,以达到更高的识别精度,形成评估模型与驾驶员/自动驾驶驾驶行为改善之间的正循环。
Main contributions:(1)通过校园网建立了车边云环境下对车辆驾驶行为的评估方案;(2)使用了真实的车辆实验数据;(3)采用了两种不同的深度学习算法来验证了该评估模型的可行性;(4)该方案未来可以应用于评估 AV 系统,让 AV 制造商更好地优化自动驾驶仪。
Algorithm:CNN 和 LSTM 网络