高 翔，李志浩，楊 惠

（蘭州文理學院電子信息工程學院，蘭州730000）

1 概述

隨著近年來汽車數量的增加，國內因交通事故導致的傷亡人數超過3×105，已經嚴重威脅人們生命安全［1］。無人自動駕駛系統通過車載傳感器獲取環(huán)境及車輛狀態(tài)信息，并做出合理判斷。汽車智能化自動駕駛技術將為解決交通擁堵，提高行駛安全提供解決方案。無人駕駛車輛已經成為國內外研究的熱點之一。

無人駕駛系統的目的是將汽車通過一種經濟安全的方式從A點駕駛到B點。為了實現該目標，系統通過搭載在汽車上的傳感器實時獲取汽車周圍的路況信息，在獲取這些信息后，通過路徑規(guī)劃算法得到相關行車路線，然后汽車在控制器的控制下按預訂路線行進。國內外學者和企業(yè)在無人駕駛方面做了大量研究和實踐。20世紀70年代，美國自主地面車輛（Autonomous Ground Vehicles，ALV）計劃已經實現低速自動駕駛［2］。2012年，Google公司宣布其自動駕駛汽車已經安全行駛30萬英里，且無任何意外事故發(fā)生［3］。文獻［4］提出一種基于差分GPS傳感器的車輛自動轉向技術。文獻［5］采用改進PID算法實現自動駕駛轉向控制。雖然上述方法能夠解決汽車的自動駕駛問題，然而這些解決方案只面向單一無人駕駛汽車，并沒有考慮多個無人駕駛汽車同時運行的情況，而且這些方案更加注重無人駕駛汽車的控制，未從整個交通系統層面考慮問題。并且單個無人駕駛汽車獲取的路況信息通常存在很大盲區(qū)，這無可避免地增加了交通事故的風險，無法達到安全自動駕駛的目的。綜上，本文提出一種基于內容中心網絡的無人自動駕駛方法，介紹無人駕駛汽車的整體結構以及路況信息的表現形式，闡述無人駕駛汽車通過使用內容中心網絡（Contentcentric Network，CCN）訂閱或者發(fā)布實時路況信息的具體過程。

2 所需解決的問題

本文若只從單個無人駕駛汽車的層面考慮問題是不夠的，無人駕駛汽車應該面向整個道路交通系統，不僅包括無人駕駛汽車，還包括交通系統中的基礎設施，如十字路口的傳感器、交通管理部門的公告信息等，只有在綜合考慮各方面提供的路況信息，才能夠有效安全快速地實現汽車的無人駕駛。而面向整個道路交通系統的無人自動駕駛方法需要面臨如下問題：

（1）如何實現無人駕駛汽車之間以及無人駕駛汽車與道路基礎設施之間的信息快速交換。無人駕駛汽車及道路基礎設施對路況信息的獲取大部分是通過視頻攝像頭、雷達、激光測距儀等無線傳感器得到的，這些信息通常是以每秒千兆比特的速度獲取，這顯然超出了現有IP網絡的傳輸能力。同時如何在不同的通信雙方合理分配網絡帶寬以便使所有的無人駕駛汽車獲取到整個路況信息也決定著該方法的使用效果。

（2）在獲取到整個路況信息后，如何通過有效合理的路徑規(guī)劃算法使得無人駕駛汽車在滿足用戶需求的前提下安全快速地從A點行駛到B點。無人駕駛汽車在選定行駛路徑后需要和其他車輛進行交互，同時通過不斷獲取實時路況信息更新其路徑，以避開障礙物實現安全駕駛，并在安全駕駛的前提下選定最短路徑，實現降低能源消耗的目的。

針對上述問題，本文提出基于內容中心網絡的無人自動駕駛方法，無人駕駛汽車和道路基礎設施獲取到的海量實時路況信息定期向外發(fā)布，任何對該路況信息感興趣的無人駕駛汽車可以訂閱該信息，忽略與其無關的信息。在獲取了相關路段的實時路況信息之后，根據用戶定制的需求，制定相關行車路線。在前往目的地的行車過程中，及時與其他無人駕駛汽車和道路基礎設施交換行車路線，并根據突發(fā)狀況和交通管理部分發(fā)布的道路交通信息實時調整路線，從而實現安全自動駕駛，并滿足用戶制定的需求。

3 無人駕駛汽車整體結構

無人駕駛汽車在本質上是使用無人駕駛系統代替駕駛員操控汽車，因此在整體結構上與普通汽車相同。無人駕駛汽車整體結構如圖1所示。

圖1 無人駕駛汽車整體結構

在上述系統結構中，無人駕駛汽車通過GPS傳感器獲取其當前的位置信息。交通管理部門作為整個道路交通系統的管理部門，主要負責提供相關交通管理信息，比如基本的道路擁堵情況、交通事故通報、道路限行等。當前車輛的位置信息和交通管理部門提供的交管信息，配合系統的地圖，可以得到車輛行駛的基本路線。作為與用戶相關的汽車，必須滿足用戶的需求，這些需求可能并不是以最快的速度，最短的路徑到達目的地等，因此，系統在制定行車路線時，需要把用戶需求作為路徑規(guī)劃的一個重要參數。

上述信息用于規(guī)劃汽車的行車路線，然后無人駕駛汽車在具體的形式過程中，需要根據具體的路況信息對車輛發(fā)出具體的控制信息。比如加速行駛、減速剎車、方向轉彎等。路況信息主要來自車載傳感器主動獲取，以及無人駕駛汽車和道路基礎設施發(fā)布。無人駕駛汽車獲取的本車周邊的實時路況信息，不僅需要提交給路徑規(guī)劃器，還需要提交給通信器發(fā)送給其他無人駕駛汽車，在獲取整個路段的路況信息之后，系統就可以為無人駕駛汽車制定詳細的行車路線，并發(fā)出相關控制命令。

在本文中，無人駕駛系統將周邊環(huán)境劃分為眾多小立方體，每個小立方體代表一片區(qū)域。為了有效表示無人駕駛汽車周邊區(qū)域的路況信息，本文系統采用八叉樹。八叉樹中的節(jié)點表示一個區(qū)域，同時該節(jié)點也是該區(qū)域中八叉樹［6］的根節(jié)點，如圖2所示。

圖2 無人駕駛系統中的區(qū)域表示方法

在某個區(qū)域中，即某個小立方體中，如果存在障礙物，則八叉樹中對應的節(jié)點的值為1。通過上述區(qū)域表示方法，無人駕駛車輛很容易定位到障礙物的位置，然后發(fā)出相關命令，避開障礙物。

上述路況信息通過無人駕駛汽車上的通信器發(fā)送或者接收，然而汽車所在的空間非常大，同時由于傳感器獲取周邊路況信息的頻率很高，因此每個車輛獲取的路況信息通常有每秒千兆比特，如果單純地通過現有的無線通信協議，與周邊汽車進行路況信息的交換，幾乎是不可能的，為此需要一種有效快速的路況信息交換方式，以滿足無人駕駛汽車的需要。

4 基于內容中心網絡的路況信息交換網絡

整個無人駕駛系統需要多方交互，發(fā)送或者獲取大量路況信息，同時為了保證無人駕駛汽車的安全駕駛，必須保證路況信息的準確，防止偽造或者錯誤的路況信息進入系統中?；谏鲜隹紤]，本文系統采用內容中心網絡作為信息交換網絡。

4．1 內容中心網絡

內容中心網絡［7］是施樂公司的帕洛阿托研究中心（PARC）提出的一種信息中心網絡（Informationcentric Network，ICN）［8］。所謂的信息中心網絡，就是網絡中的一切都可以看作是信息。信息中心網絡是信息互聯的網絡，而非主機互聯，其核心對象是信息。網絡上的每個信息都有名字，網絡的作用就是管理所有信息的流動和緩存，并用正確的信息快速響應信息的接收者，用戶或應用只直接關注信息本身，而與該信息塊的其他屬性沒有關系。CCN的主要設計目標就是更好的支持以內容存取為目的的應用，以滿足無人駕駛汽車的需求。

數據消費者驅動著整個CCN的通信，數據以塊級傳輸。這些數據可以分為2個包類型：Interest包和Data包，如圖3所示。消費者通過廣播自己的Interest包請求其感興趣的數據，監(jiān)聽節(jié)點如果接收到請求或者有相應的數據，則以Data包響應。其他消費者如果對該消費者發(fā)布的Interest包有需求，也可以共享接收該Data包。

圖3 Interest包和Data包

在圖3中，如果Interest包的Content Name是Data包的Content Name前綴，則該Data包是對Interest包的響應。當一個Interest包到達，信息生產者首先匹配其內容緩存。如果有相關內容，則丟棄Interest包，并以Data包響應信息消費者。信息生產者的內容緩存能夠以盡可能長的時間緩存轉發(fā)的Data包，以供其他消費者使用。當信息消費者收到Data包之后，先對數據包的Content Name字段進行最長前綴匹配，如果不匹配，則丟棄這個Data包，否則接收。

4．2 CCN在路況信息交換網絡中的應用

汽車在具體行駛過程中，為了保證行駛安全，只需要獲知該車輛一定范圍內的路況，并根據路況做出相關判斷。由于路況信息的時效性，因此各個車輛需要按一定的頻率向其他車輛或者道路基礎設施請求其獲取到的路況信息。無人駕駛汽車的Interest包結構如圖4所示。

圖4 無人駕駛汽車的Interest包結構

Interest包結構各字段含義如下：

（1）Content Name：Interest包的標識，如 CCN的標準Interest包，該字段主要有數據消費者的ID（32位）加上一個32位長的隨機字符串組成，表示需要請求的數據。

（2）Requester ID：數據消費者ID，標識請求數據的汽車。

（3）Region ID：數據消費者希望獲取路況信息區(qū)域的標識。所有交通道路都被劃分為固定大小的區(qū)域，作為一個立體的空間，數據消費者需要獲取該區(qū)域內所有的障礙物信息，包括其位置、大小等。在該區(qū)域內所有的其他無人駕駛汽車和道路基礎設施都會響應該請求。

（4）Timestamp：數據消費者發(fā)起數據請求的時間。由于整個路況信息在不停改變，因此路況信息有一定的時效性，當獲取的路況信息的時間點早于或者晚于該時間戳都是非法的數據，因此可以不予響應或者直接忽略。

（5）Request frequency：數據消費者請求數據的頻率。為了節(jié)省CCN中的網絡流量，同時為了節(jié)省有效的網絡帶寬，從Timestamp點起的一段時間內，數據請求者希望獲取路況信息的頻率，在該時間段內，數據生產者可以以該頻率發(fā)布路況信息，從而減少不必要的信息請求。

當其他數據消費者接收到該Interest包，如果該消費者對該區(qū)域的路況信息同樣感興趣，就可以將該Interest包保留，以便接收Data包時匹配相關數據。無人駕駛汽車的Data包結構如圖5所示。

圖5 無人駕駛汽車的Data包結構

Data包結構各字段含義如下：

（1）Content Name：Data包的標識，該字段主要有數據消費的ID（32位）加上一個32位長的隨機字符串組成。數據消費者通過最長匹配其ID（最短為32位），就可以得知該Data包是否為自己感興趣的數據包，如果不匹配，直接丟棄該數據包。

（2）Responser ID：信息生產者的ID，標識該Data包的信息生產者。

（3）Region ID：標識該路況信息所在的道路區(qū)域。

（4）Timestamp：獲取路況信息的時間戳，數據消費者在收到該數據包后，對時間戳進行匹配，如果超時，則直接丟棄該數據包。

（5）Data：數據生產者獲取的實時路況信息。

在這些通信過程中，Region ID是通過GPS傳感器獲取，并且經過道路基礎設施校準，只有獲取了準確的位置信息，車輛根據路況信息做出的控制才是安全的。

由于CCN的特點，對于每個Interest包，可能會出現多個Data包響應，這些Data包中包含的路況信息有很多是重復的，且對于3D空間的信息有很多是冗余的。因此為了減少CCN上的網絡流量，需要對這些路況信息進行壓縮。

4．3 路況信息編碼

標準的八叉樹編碼格式如下：八叉樹的每個節(jié)點用一個8元組表示，每個元組表示一個小區(qū)域內部的空間信息，自上而下地對該樹進行寬度遍歷獲取相關區(qū)域的數據。根節(jié)點一般認為不為空，對于根節(jié)點的有數據或者未知信息的元組（每個小空間）進行遞歸編碼，如圖6所示。

圖6 標準八叉樹編碼結果

在圖6中，當元組為1是表示該區(qū)域內有障礙物，當元組為0是表示該區(qū)域為空，當元組為問號是表示該區(qū)域可以分為更小的區(qū)域。上述編碼方法能快速有效地對路況信息進行編碼，然而也存在以下不足：（1）如果一個元組在傳輸中丟失，則該元組對應的整個空間信息將丟失；（2）由于不是從同一個根節(jié)點出發(fā)，因此無法判斷這些元組表示的路況信息是否有重復；（3）由于八叉樹是一個稀疏的樹形結構，因此上述編碼方法存在大量的無用編碼，增加了通信成本。

為了解決上述問題，本文提出如下編碼方法：設r為待編碼區(qū)域，Or為該區(qū)域中對應的八叉樹的根節(jié)點，v0，v1，…，vk－1是該八叉樹的葉子節(jié)點，設變量j是介于0～（k-1）之間的任意數，變量T為空樹，對于每個葉子節(jié)點執(zhí)行如下操作：

（1）將節(jié)點vj及其所有繼承于根節(jié)點Or的路徑添加到樹T中。

（2）令j＝j＋1，重復步驟（1），直到對樹T的編碼達到CCN最大的包容量。

由于上述編碼方法只對不為空的節(jié)點進行編碼，因此能有效地減少對同一個區(qū)域的編碼量。由于每棵樹都是從葉子節(jié)點開始編碼，因此丟失了一個數據包之后，也不會丟失對整個區(qū)域的編碼。對于相同的區(qū)域編碼，具有相同的葉子節(jié)點，因此，很容易分辨出相同區(qū)域的數據包，從而避免重復數據的傳輸。

對于一個3層的八叉樹而言，完整的八叉樹長度為8＋82＋83，而對于本文中的編碼方法無需對為空的區(qū)域進行編碼，同時為了方便無人駕駛系統快速查找某區(qū)域內部的障礙情況，示例八叉樹（其中全部為空的節(jié)點并未畫出）及其編碼結果如圖7、圖8所示。

經過上述編碼之后，系統可以很容易通過節(jié)點的層數判斷障礙物對汽車的距離，同時通過考察同一層節(jié)點得到某范圍內汽車周圍的障礙物，由于采用倒排樹結構，不會因為某一個數據包的丟失，導致整個區(qū)域的路況信息無法重構。

當無人駕駛汽車發(fā)出Interest包請求之后，通過該汽車搭載的無線傳感器以及其他汽車多次發(fā)送過來的Data包之后就可以獲取請求區(qū)域內的完整路況信息，無人駕駛汽車的控制系統就可以根據這些實時的路況信息對汽車進行相關控制。

5 實驗結果與分析

5．1 基于CCN的無人駕駛方法模擬實現

本文在機器人操作系統（Robot Operating System，ROS）［9］上實現了基于CCN的無人駕駛方法，CCN的實現是基于清華大學網絡與信息安全實驗室的CCN網絡原型［10］，模擬實現中的地圖場景采用Google 3D地圖［11］。

在本文實驗中，空間八叉樹采用3層結構，空間最小尺度設為10cm。在Google 3D地圖中選取美國邁阿密市中約40km2的區(qū)域，模擬的無人駕駛汽車數量為563，無人駕駛汽車實時獲取周圍的500m內的路況信息，獲取周圍路況信息的頻率為10次／s，獲取全局路況信息的頻率為10次／min，測試場景如圖9所示。

圖9 系統模擬測試場景

在CCN層面，無人駕駛汽車在交流由傳感器獲取的路況信息時采用了ROS的PointCloud格式［12］，基于用戶數據報協議（User Datagram Protocol，UDP）發(fā)布Interest數據包和接收Data包。實現CCN有2個關鍵因素：（1）調整CCN中Interest包和Data包的能力。在汽車行駛過程中，可能會遇到多種復雜的情況，如在堵車的情況下，無人駕駛汽車從其他車輛和道路基礎交通設施獲取的路況信息會大幅度增加，此時為了有效提高CCN的傳輸效率，需要調整Data包的大小，同時提高通信頻率。（2）數據傳輸時的排隊延時。為了保證無人駕駛汽車避免因排隊延時而導致獲取不到最新的路況信息，本文實驗在通信過程中模擬了萬兆網卡的通信能力。

5．2 結果分析

由于基于CCN的無人駕駛方法的目的是為了在汽車駕駛過程中保證駕駛安全性的前提下，有效降低通信的數據量，并滿足用戶的需求?；谏鲜隹紤]，本文實驗設置的用戶需求是用最短的時間到達目的地。對比實驗采用了基于802．11通信的無人駕駛汽車，在對比實驗中，汽車通過UDP＋廣播的形式發(fā)送或者接收路況信息，路況信息的編碼采用原始的3D編碼格式［13］。測試隨著一個區(qū)域內車輛數的增加，獲取該區(qū)域內路況信息所消耗的時間對比，實驗結果如圖10所示。

圖10 區(qū)域路況信息獲取時間對比

在圖10中，當只有一輛汽車時，由于無需從其他汽車獲取路況信息，而只需通過本車搭載的傳感器獲取，因此獲取路況信息的時間為0。隨著車輛的數量增加，可以發(fā)現基于CCN的汽車獲取路況信息的時間并沒有出現大幅度增加，基本保持線性增加，這是因為在使用CCN的過程中，需要發(fā)布Interest包，消耗一定的網絡帶寬，同時需要其他車輛對Interest包進行校驗、報錯等操作。而對于基于802．11通信的無人駕駛車輛，獲取到整個區(qū)域的路況信息需要每個車輛廣播各自獲取到的路況信息，因此獲取路況信息的時間隨著車輛數量的增加會出現大幅增長。

下面驗證系統的丟包率，模擬實驗區(qū)域中有100輛無人駕駛汽車相互通信。丟包率是通過一輛汽車發(fā)送數據包的數量和其他車輛接收到的數據包的數量的比值。對比實驗為標準八叉樹的數據包以及原始的3D空間數據包，實驗結果如圖11所示。具體實驗結果如表1所示。

圖11 丟包率對比

表1 標準八叉樹和CCN編碼丟包率比較

當通信數據包數量為104個左右時，網絡中的數據量維持在較低水平，因此3種方法的丟包率都比較低。隨著數據包數量的增加，CCN采用新型編碼格式，使得在相同的路況信息下，每個數據包丟包率相對較小。由于標準八叉樹的數據包存在大量冗余，數據包相對較大，因此丟包率會隨著數據包數量的增加呈線性增加。對于原始數據而言，因為數據沒有壓縮，隨著數據包的增加，整體數據的傳輸量呈指數倍增加，所以丟包率會隨著數據包的增加出現大幅增加。然而從表1可以看出，雖然CCN采用的編碼方式能有效降低數據傳輸的丟包率，但是隨著數據包數量的增加，其提升比例一直在90%以上，說明相比標準八叉樹編碼方法，CCN編碼方式的丟包率提升上限為90%左右。測試系統安全性的測試場景為一個十字路口，如圖12所示。

圖12 系統安全性測試場景

對比實驗采用802．11通信的無人駕駛汽車，比較的結果為探測到視覺上看不到的車輛的概率。實驗結果如圖13所示。

圖13 探測成功率對比

在十字路口進行探測時，由于本文方法采用CCN通信模式，隨著車輛數量的增加，車輛獲取十字路口信息的數據包并沒有隨著車輛的增加而增加，基本上在一輛無人駕駛汽車獲取到相關信息后其他車輛也有同樣的路況信息，因此成功率基本保持不變，而對于采用802．11標準通信的無人駕駛車輛而言，在廣播時需要增加大量通信，直接導致大幅增加數據傳輸延時，因此在快速通過十字路口時，探測到其他車輛的成功率呈指數倍下降。

本文驗證無人駕駛汽車的成本，由于本文實驗設定的用戶需求是最短時間到達目的地，實驗場景為晚高峰18：00，以無權重的Dijkstra算法求出兩點間的最短距離作為基準，在每種場景下，模擬30輛汽車隨機時間出發(fā)從起點到達目的地，取實驗結果平均值，如表2所示。

表2 無人駕駛汽車使用成本對比

在表2中，基準方法使用無權重的Dijkstra算法，距離相對較短，而本文方法和基于802．11的方法采用有權重的Dijkstra算法，計算距離相同，僅在行車過程中因為交換數據使用的時間稍長導致行車所需時間略有增加，因此，相對于基準方法的距離有所增加。但是基準方法獲取路徑經過的路口多且擁堵嚴重，雖然距離短，但使用時間更長。

6 結束語

本文提出一種基于內容中心網絡的無人駕駛方法。闡述基于CCN的無人駕駛汽車的整體結構，并在此基礎上介紹立體路況信息采用的八叉樹格式以及編碼格式。通過分析無人駕駛汽車的通信模式，設計基于CCN的通信模型，并給出Interest包和Data包的數據結構。由對比實驗得出，與基于傳統的無線網絡的方法相比，本文方法的實時路況信息獲取時間大幅降低，并且隨著通信數據量的增加，不可視汽車的探測成功率有大幅提升。并且通過無人駕駛汽車的成本對比，證明雖然本文方法提供的路徑不是最短，但是使用時間較少。然而由于本文實驗均是在模擬環(huán)境中測試得出，為了驗證本文方法的有效性，今后將在實際生活中進行更真實的測試，提高無人駕駛系統的實用性。

［1］中國統計年鑒2013［EB／OL］．［2014－11－16］．http：／／www．stats．gov．cn／tjsj／ndsj／2013／indexch．htm．

［2］修彩靖，陳 慧．無人駕駛車路徑跟蹤控制研究［J］．計算機工程，2012，38（10）：128－130．

［3］Wikipedia．Google Driverless Car［EB／OL］．［2014－11－16］．http：／／en．wikipedia．org／wiki／Google＿driverless＿car．

［4］Hedgecock W，Maroti M，Ledeczi A，et al．Accurate Real－time Relative Localization Using Single－frequency GPS［C］／／Proceedings of the 12th ACM Conference on Embedded Network Sensor Systems．New York，USA：ACM Press，2014：206－220．

［5］王明軍，張 毅，宋靖雁，等．基于VC的AHS車輛自動駕駛仿真實現［J］．計算機工程與應用，2004，40（34）：202－205．

［6］Lacoste J，Boubekeur T，Jobard B，et al．Appearance Preserving Octree－textures［C］／／Proceedings of the 5th International Conference on Computer Graphics and Interactive Techniques in Australia and Southeast Asia．New York，USA：ACM Press，2007：87－93．

［7］Benjamin E，Barakat C．CEDO：Content－centric Dissemination Algorithm for Delay－tolerant Networks ［C］／／Proceedings of the 16th ACM International Conference on Modeling，Analysis ＆ Simulation of Wireless and Mobile Systems．New York，USA：ACM Press，2013：377－386．

［8］Mohaisen A，Zhang Xinwen，Schuchard M，et al．Protecting Access Privacy of Cached Contents in Information Centric Networks［C］／／Proceedings of the 8th ACM SIGSAC Symposium on Information，Computer and Communications Security．New York，USA：ACM Press，2013：173－178．

［9］Muecke K，Powell B．A Distributed，Heterogeneous，Target－optimized Operating System for a Multi－robot Search and Rescue Application［M］／／Mehrotra K G，Mohan C K，Oh J C，et al．Modern Approaches in Applied Intelligence．Berlin，Germany：Springer－Verlag，2011：266－275．

［10］Recent Research on NDN（Name Data Networking）and New Identifier［EB／OL］．［2014－11－16］．http：／／netarchlab．tsinghua．edu．cn／～junbi／NDN．htm．

［11］Google Inc．．Google Earth［EB／OL］．［2014－11－16］．https：／／www．google．com／earth／．

［12］Evans A，Agenjo J，Blat J．Web－based Visualisation of Onset Point Cloud Data［C］／／Proceedings of the 11th European Conference on Visual Media Production．New York，USA：ACM Press，2014：345－363．

［13］吉云松，史勝輝，張 弛，等．基于CityGML和 W3DS的分布式三維空間數據共享案例研究［J］．煤炭技術，2009，28（11）：109－111．