李靜林　袁泉　楊放春

摘要：移動群智感知與協(xié)同計算是車聯(lián)網(wǎng)的核心特征之一。通過對集中式和分布式兩種車聯(lián)網(wǎng)群智感知框架的結(jié)構、工作過程、優(yōu)勢與問題的分析，提出了支持車聯(lián)網(wǎng)群智感知與服務的混合式框架模型?；旌鲜侥Ｐ腿诤霞惺皆诟兄屎头植际皆谛畔⑿в梅矫娴膬?yōu)勢，解決了車聯(lián)網(wǎng)群智感知在高效性與實時性之間的矛盾，為移動智群感知和協(xié)同計算拓展了新的研究領域。

關鍵詞： 車聯(lián)網(wǎng)；群智感知；車載自組織網(wǎng)

車聯(lián)網(wǎng)（IoV）是一種基于多人、多機、多車、環(huán)境協(xié)同的可控、可管、可運營、可信的開放融合網(wǎng)絡系統(tǒng)，其通過先進的信息通信與處理技術，對人、車、網(wǎng)絡通信和道路交通基礎設施等環(huán)境元素的大規(guī)模復雜靜態(tài)/動態(tài)信息進行感知、認知、傳輸和計算，解決泛在異構移動融合網(wǎng)絡環(huán)境中智能管理和信息服務的可計算性、可擴展性和可持續(xù)性問題，最終實現(xiàn)人、車、環(huán)境的深度融合[1-2]。群智感知的核心思想是通過感知個體信息，繼而挖掘群體信息，實現(xiàn)對個體或群體的泛在化服務[3]。從車聯(lián)網(wǎng)和群智感知的內(nèi)涵可見，群智感知是車聯(lián)網(wǎng)服務的核心特征之一。

相比于普通移動設備，車聯(lián)網(wǎng)群智感知會有更多優(yōu)勢。首先，車輛的移動性更強，感知的覆蓋范圍更廣，且車載設備沒有嚴格的能源約束，車輛中可裝載復雜的傳感器及高性能的數(shù)據(jù)處理、存儲和無線通信設備。其次，車聯(lián)網(wǎng)提供的車與車（V2V）、車與路邊基礎設施（V2I）等通信模式，拓展了群智感知的能力和形式。最后，車輛的行駛受道路和交通條件約束，且具有較強的規(guī)律性，使得其軌跡容易預測，有利于感知任務的合理分配。

考慮到車輛作為交通工具的基本屬性，車聯(lián)網(wǎng)群智感知特別適用于交通安全與效率相關要素的感知。相較于傳統(tǒng)的部署于重要路口和斷面的地感線圈、攝像機等交通監(jiān)測手段，車聯(lián)網(wǎng)群智感知使得交通監(jiān)測的覆蓋區(qū)域更完整，時空分辨率靈活可調(diào)，并使重點區(qū)域可以獲得更高精度和分辨率的感知數(shù)據(jù)，使得從交通感知到信息服務的過程更敏捷與實時。因此，車聯(lián)網(wǎng)群智感知與服務是群智感知中感知與服務一體化的具體體現(xiàn)。

1 集中式的車聯(lián)網(wǎng)群智感知

與服務

集中式感知是車聯(lián)網(wǎng)群智感知的基本模式，由裝載傳感器的車輛節(jié)點和數(shù)據(jù)處理中心構成，如圖1所示。其中，參與群智感知的車輛有專業(yè)和普通之分，專業(yè)車輛為感知任務發(fā)布機構（如交管中心、氣象局、環(huán)保局，以及車載導航服務提供商等）所擁有，因此其行駛軌跡可控，且感知數(shù)據(jù)質(zhì)量高，但數(shù)量較少；而更大規(guī)模的是普通車輛（如出租車、公交車，甚至是一些私家車等），其行駛軌跡取決于駕駛?cè)说膶嶋H需求，感知數(shù)據(jù)質(zhì)量也參差不齊。車輛收集的城市大數(shù)據(jù)，將交由數(shù)據(jù)處理中心進行集中管理與分析，并以信息服務的方式反作用于物理世界，具體過程如下：

·數(shù)據(jù)收集。車載傳感器以固定的時空間隔感知物理世界，并對感知數(shù)據(jù)進行初步處理，在車載存儲器暫存。當其進入路側(cè)的無線網(wǎng)絡接入點或公眾移動通信網(wǎng)基站覆蓋范圍時，將數(shù)據(jù)傳輸至數(shù)據(jù)處理中心。

·數(shù)據(jù)處理。數(shù)據(jù)處理中心擁有強大的計算和存儲資源，負責對感知數(shù)據(jù)進行管理、分析及服務提供，即特定領域下的城市計算。其中數(shù)據(jù)管理技術包括流數(shù)據(jù)管理、圖數(shù)據(jù)管理、軌跡管理和時空索引等；數(shù)據(jù)分析即大數(shù)據(jù)背景下的數(shù)據(jù)挖掘、機器學習和可視化等技術，旨在監(jiān)控城市運行狀態(tài)，發(fā)掘潛在異常事件，預測城市要素發(fā)展態(tài)勢；服務提供則涉及服務計算的相關技術。

集中式的車聯(lián)網(wǎng)群智感知是一種眾包機制。在初期的研究中，學者們提出了各種集中式感知的應用場景，如CarTel[4]將車輛作為探針感知交通延誤，并發(fā)現(xiàn)交通擁塞區(qū)域；Pothole Patrol[5]利用安裝在車輛上的三軸加速度傳感器來識別路面凹坑；Hu等人[6]通過向車輛安裝附加傳感器進行城市氣象和空氣質(zhì)量的細粒度監(jiān)測；Zhu等人[7]以及OpenStreetMap利用車輛的全球定位系統(tǒng)（GPS）軌跡來繪制電子地圖，這為自動駕駛所需厘米級高精度地圖的繪制提供了思路。在這些場景中，集中式車聯(lián)網(wǎng)群智感知主要用于城市復雜環(huán)境中長期大規(guī)模非實時或準實時的自然社會環(huán)境監(jiān)測。

感知質(zhì)量與效率是評價一個感知系統(tǒng)的重要指標。雖然參與群智感知的大部分是非專業(yè)車輛，單一車輛感知精度難以保證，然而數(shù)據(jù)處理中心可以利用全體采樣數(shù)據(jù)的關聯(lián)關系進行數(shù)據(jù)驗證與修復，從而去粗取精、去偽存真，在感知資源較為充裕的地區(qū)能夠保證群智感知的感知質(zhì)量，但同時由于依賴大規(guī)模數(shù)據(jù)融合處理，其感知的實時性不高。另外，由于非專業(yè)車輛行駛軌跡取決于駕駛?cè)说膶嶋H需求，會導致感知資源的時空分布不均勻。感知資源過剩的區(qū)域（如商業(yè)區(qū)、居民區(qū)等）存在數(shù)據(jù)冗余，浪費感知、通信和計算資源；而感知資源稀缺的區(qū)域（夜間、城鄉(xiāng)結(jié)合部等）存在數(shù)據(jù)缺失，進而影響感知質(zhì)量。針對數(shù)據(jù)冗余問題，在滿足感知質(zhì)量的前提下可選擇盡量少的車輛參與感知，以有效提高感知效率[8]。針對數(shù)據(jù)缺失問題，插值、主成分分析、矩陣和張量補全[9-10]等方法可以充分利用感知數(shù)據(jù)的時空相關性及潛在演變模式實現(xiàn)缺失數(shù)據(jù)較精準的估計。使用動態(tài)激勵機制[11]來誘導車輛的行駛軌跡與感知行為，實現(xiàn)感知資源的重分配，是一種主動解決數(shù)據(jù)冗余和缺失問題的途徑。

集中式車聯(lián)網(wǎng)群智感知與服務是目前應用最為廣泛的車聯(lián)網(wǎng)服務模式，適用于非實時或準實時的車聯(lián)網(wǎng)群智感知與服務。但由于各感知任務發(fā)布機構擁有獨立的數(shù)據(jù)處理中心，缺少公共感知服務平臺，導致系統(tǒng)與數(shù)據(jù)的復用率低，在多個機構的數(shù)據(jù)需求相似時，存在嚴重的冗余現(xiàn)象，且多源數(shù)據(jù)相互增強的實施成本很高。

2 分布式的車聯(lián)網(wǎng)群智感知

與服務

分布式感知是車聯(lián)網(wǎng)群智感知的一種獨特模式。在這種模式下，車輛既是感知節(jié)點，也是服務節(jié)點，車載計算能力將感知數(shù)據(jù)進行處理，并通過專用短程通信技術（DSRC）、D2D等通信技術，用自組織的方式進行信息傳播，形成感知數(shù)據(jù)收集與利用的局域循環(huán)，強調(diào)感知與服務的準確性與實時性。分布式感知不依賴數(shù)據(jù)處理中心，僅由車輛節(jié)點之間通過有意識地協(xié)作或無意識地協(xié)同來完成，具體包括協(xié)作感知、信息生成、信息傳播、信息作用4個階段，如圖2所示。

·協(xié)作感知。分布式感知中的數(shù)據(jù)采集與處理都由車輛完成，車輛間通過主動組織成“簇”或“社區(qū)”，有意識地交換不同粒度的數(shù)據(jù)及知識，通過分布式數(shù)據(jù)處理，逐步迭代收斂形成對感知內(nèi)容準確、全面、一致的描述。除此之外，車輛間也可以通過無意識地交流或互動來調(diào)整各自的感知結(jié)果，如車輛根據(jù)自己所掌握的感知數(shù)據(jù)進行的行為決策（減速、避讓等），會通過貝葉斯方法逐步形成對自動駕駛的共識。

·信息生成。由合適車輛在滿足觸發(fā)條件時生成用于描述感知內(nèi)容的具有情境的語義化信息，包括時間、位置、事件類型及程度等。根據(jù)自動駕駛和輔助駕駛等應用場景的不同，信息應被分別語義化為車輛可理解的形式和人可理解的形式。

·信息傳播。信息通過V2V及V2I的方式傳播至有信息消費需求的車輛。信息的傳播方法則根據(jù)傳播的范圍、時延，以及自組織網(wǎng)絡的節(jié)點可達性等約束條件有不同選擇，如單播、廣播、地理廣播、利用數(shù)據(jù)騾載運數(shù)據(jù)的延遲容忍傳播等。

·信息作用。信息以提示、通告或警告等形式出現(xiàn)，對駕駛員的行為或者自動駕駛車輛的行為產(chǎn)生反饋。信息作用與信息傳播是密不可分的兩個過程，信息通常是邊傳播邊作用，而信息作用的有效性又為信息傳播范圍的確定提供了依據(jù)。

分布式的車聯(lián)網(wǎng)群智感知依托車載自組網(wǎng)，適用于實時性要求高的局域感知任務，強調(diào)從數(shù)據(jù)采集到信息服務的快速實施，特別關注交通安全與效率相關事件的感知，如急剎車、碰撞告警，障礙、事故告警等。同時一些研究工作也在嘗試擴展應用場景，如TrafficView[12]以逐跳信息聚合的方式傳輸周圍車輛的運動狀態(tài)，從而擴大駕駛員的視野范圍。MobEyes[13]提出了分布式感知、存儲、檢索的典型框架，它使用車載攝像機進行城市中異常事件的監(jiān)控。Caliskan等人[14]提出車輛可從停車場的基礎設施獲取停車位情況，并通過車輛協(xié)作形成某區(qū)域內(nèi)停車位情況的綜合描述。車載信息傳輸協(xié)議（VITP） [15]向下游車輛發(fā)送查詢請求以獲取前方交通狀況，從而實施動態(tài)路徑規(guī)劃。StreetSmart[16]則研究交通擁堵的自動發(fā)現(xiàn)機制，有利于上游來車的分流，緩解交通擁堵等。

在感知質(zhì)量方面，車輛通過協(xié)作可以解決單一車輛感知不精確、不完整、不一致、不及時的問題，但是在多車協(xié)作過程中卻引入新的信息效用問題。信息效用是信息對于其所有接收者有效性的綜合評估，涉及信息的傳播方式、傳播區(qū)域、存活時間等。當信息的冗余量少且針對性強時，分布式車聯(lián)網(wǎng)群智感知的信息效用高。提高信息效用不僅可以增強感知服務效果，也有助于避免信息過載，節(jié)約V2V、V2I的通信資源。在信息傳播過程中，通過對信息的時空有效性實施動態(tài)評估，進而確定信息傳播的時空范圍[17-18]，可以有效提高信息效用。

分布式車聯(lián)網(wǎng)群智感知與服務雖然保證了信息的實時性與針對性，但其對車聯(lián)網(wǎng)的滲透率要求很高，當僅有少量車輛具備感知與通信能力時，無法在車輛間形成有效協(xié)作，感知和服務質(zhì)量難以保證。數(shù)據(jù)采集與服務提供的局域化導致其難以為大規(guī)模的城市感知服務提供支持。

3 混合式的車聯(lián)網(wǎng)群智感知

與服務

為了融合集中式在感知效率和分布式在信息效用方面的優(yōu)勢，可結(jié)合上述兩種框架的特點并加以優(yōu)化，形成混合式的車聯(lián)網(wǎng)群智感知與服務框架，如圖3所示。一方面，它建立了統(tǒng)一的感知中心提供公共感知服務，整合感知資源管理、任務調(diào)度與數(shù)據(jù)收集功能。另一方面，它基于“去中心化”方式組織和執(zhí)行感知任務?；旌鲜杰嚶?lián)網(wǎng)感知與服務打通了從感知到服務的全局循環(huán)與局域循環(huán)，對各種應用場景均有較好的適用性?；旌鲜礁兄木唧w過程如下：

·注冊。車輛通過向感知中心注冊開放其感知能力，并通過周期性地向感知中心上報位置，支持統(tǒng)一的感知任務調(diào)配。

·任務發(fā)布。任務發(fā)布機構根據(jù)監(jiān)測需求，向感知中心提交感知任務，明確任務預算、監(jiān)測時段和區(qū)域、數(shù)據(jù)精度和時空分辨率等指標。感知中心通過任務預算激勵普通車輛貢獻感知能力，并通過控制數(shù)據(jù)精度和時空分辨率達到特殊時段和區(qū)域重點監(jiān)測的目的。

·任務分解。感知中心根據(jù)感知任務需求和感知資源分布情況，將感知任務分解并派發(fā)給相應車輛或車輛“社區(qū)”，以使用盡可能少的感知資源實現(xiàn)符合要求的感知質(zhì)量，提高感知效率。感知中心的頂層調(diào)度有利于解決感知數(shù)據(jù)的冗余和感知效率問題。

·任務執(zhí)行。車輛和車輛“社區(qū)”在感知中心的頂層調(diào)度下完成感知任務，并上傳感知數(shù)據(jù)。車輛“社區(qū)”的加入有利于提高感知數(shù)據(jù)的價值密度，解決感知數(shù)據(jù)信息效用問題，并通過車輛協(xié)作提高信息與服務的實時性。

·數(shù)據(jù)集成。感知中心收集感知數(shù)據(jù)，并進行融合和增強，以保證感知質(zhì)量。

·數(shù)據(jù)報告。感知中心將具有質(zhì)量保證的感知數(shù)據(jù)返回給任務發(fā)布機構，最終完成從感知到服務的全局循環(huán)。

混合式的車聯(lián)網(wǎng)群智感知更符合感知即服務的理念，公共的感知中心避免了感知資源的重復建設，能夠通過多源群智感知數(shù)據(jù)融合，有效降低感知數(shù)據(jù)冗余，提高全局感知數(shù)據(jù)質(zhì)量及重用能力。同時，車輛群智協(xié)同過程中的語義化信息（如交通擁堵情況）既可用于車輛協(xié)同，又可作為高質(zhì)量感知數(shù)據(jù)源，進一步提高感知效率。

混合式的車聯(lián)網(wǎng)群智感知與服務使得感知中心專職完成感知資源的頂層調(diào)度，而感知任務的執(zhí)行細節(jié)則由車輛“社區(qū)”內(nèi)自適應地協(xié)商。這種全局調(diào)度與局部自組織的方式，需要綜合考慮車輛分布、車輛各自的感知與計算能力、車輛歷史聲譽和可獲收益等諸多因素。如何尋求這些因素的平衡，不管是對宏觀車輛協(xié)作關系的建立方法、任務分配方法和資源調(diào)度方法，還是對微觀的車輛間協(xié)作與任務分擔方法，都是極具挑戰(zhàn)的工作。

4 結(jié)束語

車聯(lián)網(wǎng)群智感知與服務是車聯(lián)網(wǎng)與移動群智感知這兩個新興技術碰撞的產(chǎn)物。一方面車聯(lián)網(wǎng)為移動群智感知提供了新的終端類型、網(wǎng)絡載體、應用場景、感知與服務模式，是對其感知、認知、傳輸和計算能力的一次全面升級；另一方面，移動群智感知為車聯(lián)網(wǎng)中人、車和環(huán)境的深度融合提供了感知數(shù)據(jù)計算方法支撐，是車聯(lián)網(wǎng)服務基礎。文章討論了車聯(lián)網(wǎng)群智感知與服務的框架和特點，介紹了典型應用及關鍵問題，為移動智群感知和協(xié)同計算拓展了新的研究領域。

參考文獻

[1] 李靜林， 劉志晗， 楊放春. 車聯(lián)網(wǎng)體系結(jié)構及其關鍵技術 [J]. 北京郵電大學學報， 2014， 37（6）： 95-100

[2] YANG F， WANG S， LI J， et al. An Overview of Internet of Vehicles [J]. Communications， China， 2014， 11（10）： 1-15

[3] 陳薈慧， 郭斌， 於志文. 移動群智感知應用 [J]. 中興通訊技術， 2014， 20（1）： 35-37.doi： 10.3939/j.issn. 1009-6868.2014.01.008

[4] HULL B， BYCHKOVSKY V， ZHANG Y， et al. CarTel： A Distributed Mobile Sensor Computing System[C]//Proceedings of the 4th International Conference on Embedded Networked Sensor Systems， Boulder， Colorado， USA， 2006： 125-138

[5] ERIKSSON J， GIROD L， HULL B， et al. The Pothole Patrol： Using a Mobile Sensor Network for Road Surface Monitoring[C]//Proceedings of the 6th International Conference on Mobile Systems， Applications， and Services， Breckenridge， CO， USA， 2008： 29-39

[6] HU S C， WANG Y C， HUANG C Y， et al. A Vehicular Wireless Sensor Network for CO2 Monitoring[C]//Sensors， 2009 IEEE， 2009： 1498-1501

[7] ZHU Y， LIU X， and WANG Y. Pervasive Urban Sensing with Large-Scale Mobile Probe Vehicles [J]. International Journal of Distributed Sensor Networks， 2013：7-13

[8] HAMID S A， TAKAHARA G， and HASSANEIN H S. On the Recruitment of Smart Vehicles for Urban Sensing[C]//Global Communications Conference （GLOBECOM）， 2013 IEEE， 2013： 36-41

[9] MENDEZ D， LABRADOR M， and RAMACHANDRAN K. Data Interpolation for Participatory Sensing Systems [J]. Pervasive and Mobile Computing， 2013， 9（1）： 132-148

[10] LI Z， ZHU Y， ZHU H， et al. Compressive Sensing Approach to Urban Traffic Sensing[C]// 2011 31st International Conference on Distributed Computing Systems （ICDCS）， 2011： 889-898

[11] JAIMES L G， VERGARA-LAURENS I， and LABRADOR M A. A Location-Based Incentive Mechanism for Participatory Sensing Systems with Budget constraints[C]// 2012 IEEE International Conference on Pervasive Computing and Communications （PerCom）， 2012： 103-108

[12] NADEEM T， DASHTINEZHAD S， LIAO C， et al. TrafficView： A Scalable Traffic Monitoring System[C]// 2004 Proceedings 2004 IEEE International Conference on Mobile Data Management ， 2004： 13-26

[13] LEE U， ZHOU B， GERLA M， et al. Mobeyes： Smart Mobs for Urban Monitoring with a Vehicular Sensor Network [J]. Wireless Communications， IEEE， 2006， 13（5）： 52-57

[14] CALISKAN M， GRAUPNER D， and MAUVE M. Decentralized Discovery of Free Parking Places[C]//Proceedings of the 3rd International Workshop on Vehicular Ad-Hoc Networks， Los Angeles， CA， USA， 2006： 30-39

[15] DIKAIAKOS M D， FLORIDES A， NADEEM T， et al. Location-Aware Services over Vehicular Ad-Hoc Networks Using Car-to-Car Communication [J]. IEEE Journal on Selected Areas in Communications ， 2007， 25（8）： 1590-1602

[16] DORNBUSH S， and JOSHI A. StreetSmart Traffic： Discovering and Disseminating Automobile Congestion Using VANET's[C]//Vehicular Technology Conference， 2007 VTC2007-Spring IEEE 65th， 2007： 11-15

[17] REZAEI F， NAIK K， NAYAK A， et al. Effective Warning Data Dissemination Scheme in Vehicular Networks for Intelligent Transportation System Applications[C]// 2013 16th International IEEE Conference on Intelligent Transportation Systems - （ITSC） ， 2013： 1071-1076

[18] YUAN Q， LIU Z， LI J， et al. A Traffic Congestion Detection and Information Dissemination Scheme for Urban Expressways Using Vehicular Networks [J].Transportation Research Part C： Emerging Technologies， 2014， 47（P2）： 114-127