王仁生，吳天昊，張琳，朱孔林

基于區(qū)塊鏈的智能網(wǎng)聯(lián)車(chē)隊(duì)協(xié)同軌跡預(yù)測(cè)系統(tǒng)

王仁生，吳天昊，張琳，朱孔林

（北京郵電大學(xué)信息與通信工程學(xué)院，北京 100876）

自動(dòng)駕駛汽車(chē)技術(shù)近年來(lái)得到了廣泛研究與快速發(fā)展，但在復(fù)雜的交通場(chǎng)景下，自動(dòng)駕駛汽車(chē)面對(duì)突然出現(xiàn)的行駛車(chē)輛并不能及時(shí)避讓。針對(duì)此問(wèn)題，基于區(qū)塊鏈技術(shù)提出智能網(wǎng)聯(lián)車(chē)隊(duì)的協(xié)同軌跡預(yù)測(cè)系統(tǒng)，智能網(wǎng)聯(lián)車(chē)隊(duì)中的各個(gè)節(jié)點(diǎn)與路邊基礎(chǔ)設(shè)施通過(guò)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）模型對(duì)周邊車(chē)輛的運(yùn)動(dòng)軌跡進(jìn)行預(yù)判，并將得到的結(jié)果進(jìn)行分享，利用區(qū)塊鏈技術(shù)，智能網(wǎng)聯(lián)車(chē)隊(duì)與路邊基礎(chǔ)設(shè)施可以對(duì)其接收到的信息進(jìn)行評(píng)分，并將匯總后的評(píng)分以區(qū)塊的形式加入存儲(chǔ)信譽(yù)評(píng)分的區(qū)塊鏈中。通過(guò)該評(píng)分，智能網(wǎng)聯(lián)車(chē)隊(duì)中的車(chē)輛可以根據(jù)車(chē)隊(duì)中其他節(jié)點(diǎn)的信譽(yù)值來(lái)判斷其是否可信，低信譽(yù)值節(jié)點(diǎn)傳來(lái)的信息將不予理睬，從而實(shí)現(xiàn)了協(xié)同駕駛。實(shí)驗(yàn)分析表明，所提LSTM模型能夠較為準(zhǔn)確地預(yù)測(cè)周邊車(chē)輛5 s內(nèi)的行駛軌跡，而所提的系統(tǒng)在提升智能網(wǎng)聯(lián)車(chē)隊(duì)的行駛安全上起到了明顯的效果。

智能網(wǎng)聯(lián)車(chē)隊(duì)；軌跡預(yù)測(cè)；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；信任管理機(jī)制；區(qū)塊鏈

1 引言

自動(dòng)駕駛汽車(chē)技術(shù)在過(guò)去10年取得了長(zhǎng)足進(jìn)步，部分自動(dòng)駕駛汽車(chē)已經(jīng)進(jìn)入測(cè)試階段。目前，自動(dòng)駕駛汽車(chē)的避撞系統(tǒng)主要依賴(lài)于攝像頭配合毫米波雷達(dá)，從而對(duì)汽車(chē)行駛路徑上的障礙物進(jìn)行識(shí)別和避撞。然而，由于真實(shí)的交通環(huán)境往往比較復(fù)雜，自動(dòng)駕駛汽車(chē)在行駛過(guò)程中時(shí)常會(huì)與其他行駛車(chē)輛產(chǎn)生交互，因?yàn)檎趽鹾兔^(qū)等，這些車(chē)輛的行駛軌跡有時(shí)并不能被提前觀察到，交通事故往往是在這種復(fù)雜的交通環(huán)境中發(fā)生的。因此，如何規(guī)避行駛的車(chē)輛是自動(dòng)駕駛汽車(chē)必須解決的問(wèn)題。

為了能夠安全有效地駕馭復(fù)雜的交通環(huán)境，自動(dòng)駕駛汽車(chē)需要有預(yù)判周?chē)?chē)輛未來(lái)行駛軌跡的能力。然而，在真實(shí)的交通場(chǎng)景中，不同的駕駛員有著不同的駕駛風(fēng)格，且車(chē)輛軌跡在較長(zhǎng)時(shí)間范圍內(nèi)往往是高度非線性的，這使自動(dòng)駕駛汽車(chē)識(shí)別行駛意圖具有很大的挑戰(zhàn)性。

車(chē)輛軌跡預(yù)測(cè)的方法有很多種，如卡爾曼濾波、高斯混合模型、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)等，最近，一些學(xué)者將長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM，long short term memory network）應(yīng)用到了車(chē)輛的軌跡預(yù)測(cè)中，并取得了較好的效果。LSTM是一種特殊的循環(huán)體結(jié)構(gòu)，它靠一些“門(mén)”的結(jié)構(gòu)讓信息有選擇性地影響循環(huán)神經(jīng)網(wǎng)絡(luò)中每個(gè)時(shí)刻的狀態(tài)，適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長(zhǎng)的重要事件。目前，LSTM已經(jīng)在科技領(lǐng)域有了多種應(yīng)用，包括翻譯語(yǔ)言、控制機(jī)器人、圖像分析、語(yǔ)音識(shí)別、圖像識(shí)別、手寫(xiě)識(shí)別、合成音樂(lè)等任務(wù)，將LTSM應(yīng)用于車(chē)輛軌跡預(yù)測(cè)，可以有效地根據(jù)車(chē)輛之前的行駛軌跡預(yù)判其行駛意圖。

對(duì)于單車(chē)而言，其意圖識(shí)別系統(tǒng)可以提前感知周?chē)赡芤l(fā)生的車(chē)輛路徑?jīng)_突問(wèn)題。然而，受限于遮擋和盲區(qū)，其能夠進(jìn)行意圖識(shí)別的視野區(qū)域并不夠?qū)拸V，這也為自動(dòng)駕駛汽車(chē)的安全問(wèn)題埋下了隱患。借助車(chē)載網(wǎng)絡(luò)，自動(dòng)駕駛汽車(chē)可以獲得附近車(chē)輛的視野，也可以從路邊的基礎(chǔ)設(shè)施中得到路況信息，這在極大程度上解決了以上問(wèn)題。但由于網(wǎng)絡(luò)的高移動(dòng)性和可變性，鄰近的車(chē)輛往往是陌生人，并不能完全信任，尤其當(dāng)網(wǎng)絡(luò)中存在惡意車(chē)輛時(shí)，自動(dòng)駕駛汽車(chē)可能收到惡意的欺騙信息，路邊的基礎(chǔ)設(shè)施也有受到攻擊的可能，這使問(wèn)題變得更加嚴(yán)重。研究出一套智能網(wǎng)聯(lián)車(chē)隊(duì)的安全交互機(jī)制將大大改善車(chē)聯(lián)網(wǎng)中的安全隱患，這也是本文的重點(diǎn)。

隨著未來(lái)越來(lái)越多的網(wǎng)聯(lián)汽車(chē)上路，網(wǎng)聯(lián)汽車(chē)節(jié)點(diǎn)數(shù)量呈現(xiàn)出較快的增長(zhǎng)趨勢(shì)，這將給中心化的安全系統(tǒng)帶來(lái)許多問(wèn)題。首先，中心化的安全系統(tǒng)需要在車(chē)的維護(hù)上付出高昂的成本；其次，海量的接入將會(huì)給網(wǎng)絡(luò)帶來(lái)較大的擴(kuò)容壓力，使中心化平臺(tái)存在性能瓶頸；此外，一旦中心節(jié)點(diǎn)被攻破，整個(gè)中心化安全系統(tǒng)將遭到無(wú)法估量的打擊。

近年來(lái)，由于區(qū)塊鏈具有去中心化、公開(kāi)透明等特點(diǎn)，受到了人們廣泛的關(guān)注。區(qū)塊鏈技術(shù)又被稱(chēng)為分布式賬本技術(shù)，是一種去中心化、去信任化、集體維護(hù)分布式賬本的技術(shù)方案，其利用塊鏈?zhǔn)綌?shù)據(jù)結(jié)構(gòu)來(lái)驗(yàn)證與存儲(chǔ)數(shù)據(jù)，其本質(zhì)是由多個(gè)節(jié)點(diǎn)集體參與，通過(guò)多方存儲(chǔ)、多方計(jì)算的方式來(lái)實(shí)現(xiàn)數(shù)據(jù)不可篡改、計(jì)算結(jié)果可信的分布式數(shù)據(jù)庫(kù)系統(tǒng)。借助區(qū)塊鏈，本文可以在智能網(wǎng)聯(lián)車(chē)隊(duì)中建立一個(gè)分布式的信任管理機(jī)制，從而解決參與各方的互信問(wèn)題。

本文提出了一種智能網(wǎng)聯(lián)車(chē)隊(duì)中安全協(xié)同的意圖識(shí)別系統(tǒng)，其模型如圖1所示。利用車(chē)對(duì)外界的信息交換（V2X，vehicle to everything）技術(shù)在距離較近的車(chē)輛間形成智能網(wǎng)聯(lián)車(chē)隊(duì)，車(chē)隊(duì)中的各個(gè)節(jié)點(diǎn)與路邊基礎(chǔ)設(shè)施通過(guò)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型對(duì)周邊車(chē)輛的運(yùn)動(dòng)軌跡進(jìn)行預(yù)判，并將得到的結(jié)果進(jìn)行分享。利用區(qū)塊鏈，智能網(wǎng)聯(lián)車(chē)隊(duì)與路邊基礎(chǔ)設(shè)施可以對(duì)其接收到的信息進(jìn)行評(píng)分，并將匯總后的評(píng)分以區(qū)塊的形式加入存儲(chǔ)信譽(yù)評(píng)分的區(qū)塊鏈中。通過(guò)這種去中心化的方式，有效解決了參與各方的互信問(wèn)題，實(shí)現(xiàn)了智能網(wǎng)聯(lián)車(chē)隊(duì)的協(xié)同駕駛。實(shí)驗(yàn)表明，本文的智能網(wǎng)聯(lián)車(chē)隊(duì)中安全協(xié)同的意圖識(shí)別系統(tǒng)可以大大降低自動(dòng)駕駛汽車(chē)在行駛過(guò)程中的安全隱患。

圖1 智能網(wǎng)聯(lián)車(chē)隊(duì)協(xié)同意圖識(shí)別模型

Figure 1 Model of the collaborative intent identification by intelligent and automated connected convoy

2 相關(guān)工作

2.1 車(chē)輛軌跡預(yù)測(cè)

為了達(dá)到車(chē)輛軌跡預(yù)測(cè)的目的，學(xué)者提出了很多方法。傳統(tǒng)的方法有卡爾曼濾波以及擴(kuò)展卡爾曼濾波[1]，然而這種方式的模型過(guò)于簡(jiǎn)單，當(dāng)車(chē)輛在較為復(fù)雜的環(huán)境下運(yùn)動(dòng)時(shí)，它們對(duì)于車(chē)輛較長(zhǎng)一段時(shí)間內(nèi)的軌跡預(yù)測(cè)并不夠準(zhǔn)確。為了改進(jìn)這種缺陷，一些更為復(fù)雜的模型被提出，如高斯混合模型、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）等[2]。使用高斯混合模型學(xué)習(xí)動(dòng)態(tài)車(chē)輛的駕駛行為模式并用于駕駛行為意圖檢測(cè)，最后將動(dòng)態(tài)車(chē)輛駕駛行為意圖與運(yùn)動(dòng)模型結(jié)合進(jìn)行軌跡預(yù)測(cè)。而動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[3]則使用圖形模型來(lái)描述各種影響車(chē)輛行駛軌跡的潛在因素，并以此為基礎(chǔ)為軌跡預(yù)測(cè)提供了較為靈活的模型。這兩種方法雖然有著較高的復(fù)雜度，但它們的模型忽略了周邊環(huán)境對(duì)于車(chē)輛運(yùn)動(dòng)軌跡的影響，在復(fù)雜的交通環(huán)境下，僅僅考慮車(chē)輛自身的運(yùn)動(dòng)狀態(tài)是不夠的。

由于運(yùn)動(dòng)任務(wù)可以被視為序列分類(lèi)或序列生成任務(wù)，因此近年來(lái)，研究人員提出了許多基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的方法，用于機(jī)動(dòng)分類(lèi)和軌跡預(yù)測(cè)。Lee在文獻(xiàn)[4]中利用遞歸神經(jīng)網(wǎng)絡(luò)提出了可以預(yù)測(cè)出車(chē)輛行駛意圖的方法，其模型在預(yù)測(cè)時(shí)不僅參考車(chē)輛自身的行駛軌跡，還考慮車(chē)輛周邊物體對(duì)其運(yùn)動(dòng)的影響，使其可以較為準(zhǔn)確地預(yù)測(cè)出車(chē)輛在較短時(shí)間內(nèi)的行駛意圖。Kim[5]則基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提出了可以預(yù)測(cè)出在接下來(lái)0.5 s、1 s以及2 s內(nèi)車(chē)輛位置的模型。然而，僅預(yù)測(cè)出車(chē)輛在短時(shí)間內(nèi)的行駛意圖并不能規(guī)避車(chē)輛之間碰撞的危險(xiǎn)，本文基于LSTM模型提出了可以預(yù)測(cè)出行駛車(chē)輛5 s內(nèi)行駛意圖的模型。

2.2 車(chē)聯(lián)網(wǎng)中的信任管理機(jī)制

中心化的網(wǎng)聯(lián)車(chē)隊(duì)信任管理機(jī)制在業(yè)內(nèi)已經(jīng)被廣泛提出，文獻(xiàn)[6]提出了中心服務(wù)器的概念，利用中心服務(wù)器，系統(tǒng)可以收集并處理數(shù)據(jù)，從而得到所有車(chē)輛的信任值，而這些信任值也被存儲(chǔ)在中心服務(wù)器中。然而，這一類(lèi)系統(tǒng)都是建立在中心服務(wù)器足夠可靠的基礎(chǔ)上，如果服務(wù)器受到攻擊，整個(gè)信任管理機(jī)制都將癱瘓。為了解決此類(lèi)問(wèn)題，一些去中心化的智能網(wǎng)聯(lián)車(chē)隊(duì)信任管理機(jī)制被提出。文獻(xiàn)[7]中每個(gè)節(jié)點(diǎn)首先分析信息的關(guān)鍵詞，并將信息據(jù)此進(jìn)行分類(lèi)，然后根據(jù)信息內(nèi)容的相似度和內(nèi)容之間的沖突對(duì)信息進(jìn)行評(píng)分。這種方法在很大程度上擺脫了對(duì)中心服務(wù)器的依賴(lài)，然而，每個(gè)車(chē)輛節(jié)點(diǎn)都需要自己計(jì)算并存儲(chǔ)信任值，由于單個(gè)節(jié)點(diǎn)的計(jì)算能力以及觀察條件有限，其打分的精確度可能受到較大的限制。

針對(duì)此種情況，一些研究者提出了將區(qū)塊鏈應(yīng)用于智能網(wǎng)聯(lián)車(chē)隊(duì)的想法[8-9]，文獻(xiàn)[8]基于區(qū)塊鏈技術(shù)為車(chē)載網(wǎng)絡(luò)提出了一種新的分散式信任管理方案。借助該系統(tǒng)，車(chē)輛可以從自己的鄰近車(chē)輛獲得路況信息，并能夠?qū)λ邮艿降男畔⑦M(jìn)行評(píng)級(jí)，該評(píng)級(jí)會(huì)在路邊的基礎(chǔ)設(shè)施匯總并生成一個(gè)最終的得分。這種方法既避免了中心化帶來(lái)的限制，也解決了單個(gè)節(jié)點(diǎn)計(jì)算能力和觀察條件有限的問(wèn)題。然而，對(duì)于每一車(chē)輛的信任值更新，路邊基礎(chǔ)設(shè)施間都需要進(jìn)行“礦工”選舉，在車(chē)輛數(shù)量較大的情況下，對(duì)于路邊基礎(chǔ)設(shè)施的運(yùn)算能力是不小的挑戰(zhàn)。

3 系統(tǒng)結(jié)構(gòu)

3.1 軌跡預(yù)測(cè)

3.1.1 問(wèn)題定義

本文將軌跡預(yù)測(cè)問(wèn)題定義為根據(jù)車(chē)輛之前的行駛軌跡及其周?chē)沫h(huán)境來(lái)預(yù)測(cè)車(chē)輛接下來(lái)每個(gè)時(shí)刻行駛位置的概率分布。模型的輸入為車(chē)輛的歷史軌跡。

其中，(t)為被預(yù)測(cè)車(chē)輛在時(shí)刻的坐標(biāo)，而模型的輸出則為一段概率分布。

其中，(t)為被預(yù)測(cè)車(chē)輛在時(shí)刻的坐標(biāo)。

本文的模型估計(jì)條件分布（|），為了讓模型產(chǎn)生多重模態(tài)分布，本文在動(dòng)機(jī)m上進(jìn)行擴(kuò)展。

3.1.2 模型架構(gòu)

本文的LSTM模型包括LSTM編碼器、卷積交互池化層、LSTM解碼器。

首先，本文使用LSTM編碼器來(lái)學(xué)習(xí)車(chē)輛運(yùn)動(dòng)狀態(tài)，對(duì)于每個(gè)瞬間，最近幀的歷史軌跡片段傳遞給LSTM編碼器以預(yù)測(cè)車(chē)輛及其周?chē)?chē)輛的運(yùn)動(dòng)軌跡。每個(gè)車(chē)輛的LSTM狀態(tài)會(huì)逐幀更新，該狀態(tài)可以用來(lái)預(yù)測(cè)每輛車(chē)的運(yùn)動(dòng)狀態(tài)，而用于每輛車(chē)的LSTM相互分享彼此的權(quán)重，這使所有車(chē)輛的LSTM狀態(tài)之間存在直接相關(guān)性。

當(dāng)LSTM編碼器捕獲車(chē)輛運(yùn)動(dòng)狀態(tài)時(shí)，它無(wú)法捕捉場(chǎng)景中所有車(chē)輛運(yùn)動(dòng)的相互依賴(lài)性。文獻(xiàn)[10]中提出的交互池化（social pooling）通過(guò)將預(yù)測(cè)目標(biāo)周?chē)乃形矬w的LSTM狀態(tài)匯集到交互張量中來(lái)解決這個(gè)問(wèn)題。這是通過(guò)在預(yù)測(cè)目標(biāo)周?chē)x空間網(wǎng)格并基于場(chǎng)景中代理的空間配置用LSTM狀態(tài)填充網(wǎng)格來(lái)完成的，除了預(yù)測(cè)目標(biāo)的LSTM狀態(tài)之外，還使用交互張量作為模型的輸入，已經(jīng)證明此方法可以提高未來(lái)軌跡預(yù)測(cè)的準(zhǔn)確性[10]。

然而，所有之前的交互池化文獻(xiàn)[10-11]實(shí)例都將全連接層應(yīng)用于交互張量，但這種做法破壞了交互張量的空間結(jié)構(gòu)。由于全連接層的存在，在空間中彼此相鄰單元之間的相互作用等同于完全連接層中彼此遠(yuǎn)離的單元，這可能導(dǎo)致對(duì)測(cè)試集的泛化問(wèn)題，特別是物體可以處于各種不同的空間配置中。例如，假設(shè)訓(xùn)練集在交互張量的空間位置(,)沒(méi)有LSTM狀態(tài)的單個(gè)實(shí)例，當(dāng)在測(cè)試集中遇到這樣的實(shí)例時(shí)，模型將無(wú)法泛化。特別地，即使在空間網(wǎng)格位置(+1,)和(,+ 1)處存在LSTM狀態(tài)的訓(xùn)練實(shí)例，這仍將成立。

為了解決這種問(wèn)題，本文在交互張量上使用卷積層和池化層，簡(jiǎn)稱(chēng)卷積交互池化，其模型如圖2所示。卷積層的等效性有助于學(xué)習(xí)交互張量的空間網(wǎng)格內(nèi)的局部有用特征，并且最大池化層可以添加局部平移不變性，這兩者都有助于解決上述問(wèn)題。

本文通過(guò)定義基于車(chē)道的網(wǎng)格來(lái)建立交互張量。首先，在被預(yù)測(cè)的車(chē)輛周?chē)x13×3空間網(wǎng)格，其中每列對(duì)應(yīng)于單個(gè)車(chē)道，每行保持4.7 m的距離，其大約等于一個(gè)車(chē)輛長(zhǎng)度，而交互張量是通過(guò)將該網(wǎng)格與周?chē)钠?chē)位置一起填充而形成的。然后，本文將兩個(gè)卷積層和一個(gè)池化層應(yīng)用于交互張量，如圖2所示，以獲得上下文編碼。此外，為了獲得車(chē)輛動(dòng)力學(xué)編碼，預(yù)測(cè)車(chē)輛的LSTM狀態(tài)會(huì)交給全連接層處理。這兩種編碼連接在一起形成完整的軌跡編碼，然后傳遞給解碼器。

為了提升訓(xùn)練模型時(shí)的速度，加快收斂過(guò)程，本文在每一層卷積層后加入了批標(biāo)準(zhǔn)化（batch normalization），即對(duì)網(wǎng)絡(luò)每一層的輸出都做了歸一化處理。有了Batch Normalization，本文不需要考慮為每一層加入隨機(jī)失活（dropout），因?yàn)锽atch Normalization本身就是一種防止過(guò)擬合的正則化表達(dá)式。通過(guò)這種方法，對(duì)模型參數(shù)的初始化要求有所降低，學(xué)習(xí)率相比之前有所增大，這大大簡(jiǎn)化了調(diào)參的過(guò)程。

本文使用基于LSTM的解碼器為接下來(lái)幀的運(yùn)動(dòng)軌跡生成預(yù)測(cè)分布。本文通過(guò)之前描述的每一個(gè)動(dòng)機(jī)類(lèi)分布以及每個(gè)動(dòng)機(jī)類(lèi)的概率來(lái)解決駕駛員行為的固有多模態(tài)。解碼器具有兩個(gè)softmax層，其輸出橫向和縱向操縱概率，而把這些概率相乘就可以得到(m|)的值。此外，LSTM可以用于生成超過(guò)幀的雙變量高斯分布參數(shù)，以給出車(chē)輛運(yùn)動(dòng)的預(yù)測(cè)分布。

圖2 卷積交互池化模型

Figure 2 Convolutional social pooling model

3.1.3 訓(xùn)練及參數(shù)細(xì)節(jié)

本文采用端到端的方式訓(xùn)練模型，首先，將損失值定義為

其中，每一個(gè)點(diǎn)的概率分布由式(3)給出。由于每個(gè)訓(xùn)練例只提供一個(gè)行駛動(dòng)機(jī)的實(shí)例，本文將所有訓(xùn)練例中的總損失值定義為

其中，true表示每一個(gè)訓(xùn)練實(shí)例對(duì)應(yīng)的結(jié)果，包括向左變道、直行、向右變道。

本文采用Adam[12]的方法來(lái)訓(xùn)練所提模型，起始的學(xué)習(xí)率為0.001，訓(xùn)練到20 000步后，學(xué)習(xí)率會(huì)降低到0.000 1。本文的LSTM編碼器是64維的，而LSTM解碼器為128維。而接受車(chē)輛動(dòng)態(tài)編碼的全連接層有32個(gè)輸入。本文使用leaky-ReLU作為每一層的激活函數(shù)，將其激活函數(shù)參數(shù)α值設(shè)置為0.01。

3.2 基于區(qū)塊鏈的信任管理機(jī)制

借助車(chē)載網(wǎng)絡(luò)，自動(dòng)駕駛汽車(chē)可以獲得附近車(chē)輛的視野，也可以從路邊的基礎(chǔ)設(shè)施中得到路況信息。然而，周?chē)木W(wǎng)絡(luò)并不一定是安全的，當(dāng)網(wǎng)絡(luò)中存在惡意車(chē)輛時(shí)，自動(dòng)駕駛汽車(chē)可能收到惡意的欺騙信息，路邊的基礎(chǔ)設(shè)施也有受到攻擊的可能。針對(duì)該問(wèn)題，本文提出了基于區(qū)塊鏈的信任管理機(jī)制，利用區(qū)塊鏈去中心化和不可篡改的特性，能夠在一定程度上抵御上述惡意攻擊。

3.2.1 相關(guān)技術(shù)介紹

分布式賬本技術(shù)（DLT，distributed ledger technology）作為去中心化自治交易的底層技術(shù), 使對(duì)某一節(jié)點(diǎn)或機(jī)構(gòu)的信任轉(zhuǎn)化為對(duì)計(jì)算機(jī)協(xié)議的信任，這加快了去信任化（trust-free）對(duì)等網(wǎng)絡(luò)的發(fā)展[3]。區(qū)塊鏈?zhǔn)欠植际劫~本技術(shù)的一個(gè)子集，其工作機(jī)制符合分布式賬本技術(shù)的共性，而分布式賬本的數(shù)據(jù)結(jié)構(gòu)會(huì)形成區(qū)塊鏈的架構(gòu)基礎(chǔ)。因此，區(qū)塊鏈?zhǔn)且环N單鏈數(shù)據(jù)結(jié)構(gòu)。在區(qū)塊鏈上，除去創(chuàng)世區(qū)塊（genesis block），其他每一區(qū)塊都包含塊頭和塊身。區(qū)塊頭含有對(duì)前一區(qū)塊的哈希值（hash function, 又稱(chēng)散哈希數(shù)，是一種從任何數(shù)據(jù)中創(chuàng)建“指紋”的方法），將其作為身份證明（identification），從而實(shí)現(xiàn)對(duì)前一區(qū)塊的鏈接。區(qū)塊中的交易記錄以默克爾樹(shù)（Merkle tree）的結(jié)構(gòu)進(jìn)行排列[5]，而前后區(qū)塊則按照時(shí)間順序進(jìn)行排列，否則前一區(qū)塊的哈希值是未知的，這一技術(shù)設(shè)置在很大程度上解決了重復(fù)支付的問(wèn)題[6]，并能通過(guò)對(duì)連續(xù)區(qū)塊的ID追蹤實(shí)現(xiàn)對(duì)區(qū)塊鏈上的交易按時(shí)間回溯的功能。

3.2.2 系統(tǒng)架構(gòu)

本文去中心化的智能網(wǎng)聯(lián)車(chē)隊(duì)信任管理模型主要包括路邊基礎(chǔ)設(shè)施（RSU）以及智能網(wǎng)聯(lián)汽車(chē)兩部分。

（1）路邊基礎(chǔ)設(shè)施

在本文的信任管理機(jī)制中，路邊基礎(chǔ)設(shè)施不會(huì)成為系統(tǒng)的中心服務(wù)器，它會(huì)以一個(gè)普通參與者的身份將自己捕獲到的交通信息分享給智能網(wǎng)聯(lián)車(chē)隊(duì)中的車(chē)輛。通過(guò)這種去中心化的方式，系統(tǒng)不會(huì)過(guò)度依賴(lài)于路邊基礎(chǔ)設(shè)施，不僅減小了通信時(shí)延，也保證了數(shù)據(jù)的安全性和可靠性，因?yàn)榧词孤愤吇A(chǔ)設(shè)施受到了惡意攻擊，也不會(huì)對(duì)整個(gè)系統(tǒng)的運(yùn)營(yíng)造成太大影響。

（2）智能網(wǎng)聯(lián)汽車(chē)

每一輛智能網(wǎng)聯(lián)汽車(chē)都配備有車(chē)載傳感器、計(jì)算機(jī)和通信設(shè)備，用于進(jìn)行數(shù)據(jù)的收集、處理和共享。

借助車(chē)載設(shè)備，車(chē)輛可以自動(dòng)檢測(cè)與交通相關(guān)的事件，并使用車(chē)輛間通信標(biāo)準(zhǔn)向其他人發(fā)送警告信息，如LTE-V2V、DSRC等。然而，并非所有消息都有用。例如，如果車(chē)輛已經(jīng)通過(guò)了特定事件的位置，則有關(guān)此事件的報(bào)告將不再具有價(jià)值。因此，每個(gè)車(chē)輛需要保持參考集，其參考集與目標(biāo)車(chē)輛的交通安全性高度相關(guān)。在本文系統(tǒng)中，每個(gè)車(chē)輛的參考集由在一定距離內(nèi)前行的相鄰車(chē)輛組成。使用從參考集發(fā)送的消息，車(chē)輛可以及時(shí)了解交通狀況并響應(yīng)可能的事件。

3.2.3 攻擊模型

在本文的模型中，路邊基礎(chǔ)設(shè)施與智能網(wǎng)聯(lián)汽車(chē)都被視為容易受到攻擊的對(duì)象，而這兩者中的任一個(gè)受到惡意攻擊者操控都將對(duì)本文智能網(wǎng)聯(lián)車(chē)隊(duì)的行駛安全造成巨大的影響。因此，本文的攻擊模型主要包括惡意車(chē)輛以及受到攻擊的路邊基礎(chǔ)設(shè)施。

（1）惡意車(chē)輛

智能網(wǎng)聯(lián)車(chē)隊(duì)中可能存在許多惡意車(chē)輛，它們通常有特定的動(dòng)機(jī)，會(huì)在特定的時(shí)間對(duì)周?chē)能?chē)輛和路邊基礎(chǔ)設(shè)施發(fā)動(dòng)信息安全攻擊，而這種行為可能會(huì)嚴(yán)重危害交通的安全和效率。本文主要考慮消息欺騙攻擊以及選票攻擊。

在消息欺騙攻擊中，攻擊者可能故意播放虛假消息，從而達(dá)到危害交通安全或降低交通效率的目的。例如，惡意車(chē)輛檢測(cè)到前方一輛汽車(chē)要進(jìn)行向左變道的操作，但它向周?chē)?chē)輛廣播向右變道的信息，從而對(duì)后面車(chē)輛的行駛進(jìn)行干擾。

在投票攻擊中，惡意車(chē)輛對(duì)上傳了可靠消息的車(chē)輛進(jìn)行低分評(píng)價(jià)，使本應(yīng)該受其他車(chē)輛信任的信息分享者沒(méi)有得到應(yīng)有的評(píng)分，從而破壞了智能網(wǎng)聯(lián)車(chē)隊(duì)的信息分享。

（2）受到攻擊的路邊基礎(chǔ)設(shè)施

路邊基礎(chǔ)設(shè)施沿著道路分布，有時(shí)也會(huì)受到一些攻擊者的攻擊，而一旦路邊基礎(chǔ)設(shè)施被入侵，攻擊者就能夠更改其數(shù)據(jù)，使其發(fā)送惡意欺騙信息給附近的車(chē)輛，因此，路邊基礎(chǔ)設(shè)施也是不能完全信任的。由于網(wǎng)絡(luò)運(yùn)營(yíng)商的定期安全檢查，受到攻擊的路邊基礎(chǔ)設(shè)施不可能長(zhǎng)時(shí)間地被控制，因此本文假定攻擊者只能在較短時(shí)間內(nèi)破壞路邊基礎(chǔ)設(shè)施。

3.2.4 設(shè)計(jì)目標(biāo)

本文重點(diǎn)評(píng)估智能網(wǎng)聯(lián)車(chē)隊(duì)中信息的可靠性，并致力于解決以上幾種攻擊。本文的信任管理機(jī)制的主要目標(biāo)如下。

（1）去中心化

隨著智能網(wǎng)聯(lián)汽車(chē)的快速增長(zhǎng)，中心化的信任管理機(jī)制越來(lái)越不切實(shí)際，此外，中心化管理系統(tǒng)對(duì)中心服務(wù)器的過(guò)度依賴(lài)也使信息的安全性和可靠性受到了威脅。因此，信任管理機(jī)制需要充分利用分布式節(jié)點(diǎn)，即路邊基礎(chǔ)設(shè)施和智能網(wǎng)聯(lián)汽車(chē)。通過(guò)去中心化的管理方式，確保任一節(jié)點(diǎn)在受到攻擊時(shí)都不會(huì)對(duì)本文的信任管理機(jī)制造成致命的危害。

（2）可用性

在本文的方法中，所有的信任信息存儲(chǔ)在每一輛智能網(wǎng)聯(lián)汽車(chē)中，當(dāng)需要查詢某一輛車(chē)的信譽(yù)信息時(shí)，智能網(wǎng)聯(lián)汽車(chē)只需查詢自身的存儲(chǔ)信息即可，因此不存在信譽(yù)信息被篡改的可能性，但存儲(chǔ)在每一輛智能網(wǎng)聯(lián)汽車(chē)中的信任值需要保證可靠有效。

（3）及時(shí)性

信任值表示基于其歷史行為的特定車(chē)輛的總體評(píng)價(jià)。由于該車(chē)輛發(fā)送的消息的可信度可能隨時(shí)間而變化，因此存儲(chǔ)在智能網(wǎng)聯(lián)汽車(chē)中的信任值需要及時(shí)更新。

3.2.5 主要步驟

本文的信任管理機(jī)制主要由以下幾個(gè)步驟實(shí)施：信息分享、處理及評(píng)分、“礦工”選舉、生成新的區(qū)塊，如圖3所示。

圖3 基于區(qū)塊鏈的信任管理機(jī)制系統(tǒng)設(shè)計(jì)

Figure 3 System design of trust management mechanism based on blockchain

（1）信息分享

在本文的系統(tǒng)中，距離較近的智能網(wǎng)聯(lián)汽車(chē)?yán)肰2X技術(shù)組成智能網(wǎng)聯(lián)車(chē)隊(duì)，該車(chē)隊(duì)與路邊基礎(chǔ)設(shè)施形成區(qū)塊鏈網(wǎng)絡(luò)，該網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的初始信譽(yù)度為0。區(qū)塊鏈網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)通過(guò)攝像頭采集路面交通狀況的圖像，并對(duì)圖像中的車(chē)輛進(jìn)行物體檢測(cè)。檢測(cè)到的車(chē)輛將被進(jìn)行持續(xù)的圖像跟蹤，并由其過(guò)往的行駛軌跡預(yù)測(cè)出該車(chē)輛的下一步行駛意圖。本文采用YOLO[13]的方法對(duì)道路上的車(chē)輛進(jìn)行物體檢測(cè)，采用deepSort[14]的方法對(duì)檢測(cè)到的車(chē)輛進(jìn)行目標(biāo)跟蹤。當(dāng)智能網(wǎng)聯(lián)汽車(chē)或者路邊基礎(chǔ)設(shè)施預(yù)測(cè)到交通事件時(shí)，會(huì)將自己拍攝到的圖像以及自己的預(yù)測(cè)結(jié)果在區(qū)塊鏈網(wǎng)絡(luò)中廣播。本文中的交通事件包括左右變道、左轉(zhuǎn)、右轉(zhuǎn)、變道、加速、制動(dòng)。

（2）處理及評(píng)分

智能網(wǎng)聯(lián)汽車(chē)接收到事件信息后，結(jié)合信息發(fā)送者的位置以及信譽(yù)值對(duì)事件進(jìn)行處理。智能網(wǎng)聯(lián)汽車(chē)首先判斷該發(fā)送者是否在自己的參考集內(nèi)，如果不在，則針對(duì)此次時(shí)間信息不予理睬。反之，智能網(wǎng)聯(lián)汽車(chē)會(huì)參考信息發(fā)送者的信譽(yù)值，當(dāng)發(fā)送者的信譽(yù)值大于或等于0時(shí)，智能網(wǎng)聯(lián)汽車(chē)根據(jù)其提供的事件信息，提前做出減速或變道等避讓行為；當(dāng)發(fā)送者的信譽(yù)值小于0時(shí)，智能網(wǎng)聯(lián)汽車(chē)將不采取避讓措施。不論信息發(fā)送者的信譽(yù)值是多少，只要其在智能網(wǎng)聯(lián)汽車(chē)的參考集內(nèi)，智能網(wǎng)聯(lián)汽車(chē)都將對(duì)時(shí)間信息中車(chē)輛與自身攝像頭捕獲車(chē)輛進(jìn)行比對(duì)。這里，本文采用RA-CNN[15]方法對(duì)車(chē)輛進(jìn)行細(xì)粒度分類(lèi)，如果得到的細(xì)粒度分類(lèi)結(jié)果相同，則認(rèn)為事件信息中的車(chē)輛與自身攝像頭中的車(chē)輛一致。進(jìn)一步地，本文將事件信息進(jìn)行評(píng)分。這里，本文借鑒文獻(xiàn)[1]中的評(píng)分方式，當(dāng)信息中的事件與實(shí)際事件相符合時(shí)，給信息評(píng)分為1；反之，評(píng)分為?1。此外，本文給予信息發(fā)送者一些容錯(cuò)空間，當(dāng)錯(cuò)誤信息中的交通事件方向與真實(shí)的交通事件方向一致時(shí)，本文給錯(cuò)誤信息的評(píng)分為0。例如，信息中的交通事件為左轉(zhuǎn)，而真實(shí)的交通事件為向左變道或掉頭，本文則認(rèn)為信息的發(fā)送者只是預(yù)判出現(xiàn)了偏差，但同樣起到了給車(chē)輛良性的警示作用，所以不會(huì)給其過(guò)低的評(píng)分。

（3）“礦工”選舉

由于去中心化的網(wǎng)絡(luò)結(jié)構(gòu)，區(qū)塊鏈網(wǎng)絡(luò)中并沒(méi)有恒定的中心，因此，需要定期選出一個(gè)“礦工”節(jié)點(diǎn)來(lái)生成新的區(qū)塊。在本文的系統(tǒng)中，每當(dāng)有智能網(wǎng)聯(lián)汽車(chē)對(duì)某一車(chē)輛進(jìn)行連續(xù)3次的評(píng)分后，區(qū)塊鏈網(wǎng)絡(luò)就會(huì)發(fā)起對(duì)于該車(chē)輛評(píng)分的“礦工”選舉。選舉發(fā)起后，區(qū)塊鏈網(wǎng)絡(luò)中每一個(gè)對(duì)于該車(chē)輛有過(guò)評(píng)分的節(jié)點(diǎn)會(huì)將自己對(duì)其的評(píng)分求平均值，而該網(wǎng)絡(luò)中的所有節(jié)點(diǎn)都將申請(qǐng)選舉“礦工”。每一個(gè)進(jìn)行“礦工”選舉的節(jié)點(diǎn)會(huì)將自己計(jì)算的評(píng)分、自己在區(qū)塊鏈中記錄的信譽(yù)值以及自己的實(shí)時(shí)位置打包成數(shù)據(jù)包進(jìn)行廣播。其他節(jié)點(diǎn)在收到該數(shù)據(jù)包后比對(duì)數(shù)據(jù)包中的信譽(yù)值與區(qū)塊鏈中記錄的該車(chē)輛信譽(yù)值是否一致，如果不相符，則丟棄該數(shù)據(jù)包。最終，“礦工”選舉者中評(píng)分最高的節(jié)點(diǎn)會(huì)成功當(dāng)選。

當(dāng)“礦工”選舉者中出現(xiàn)信譽(yù)度相同的節(jié)點(diǎn)時(shí)，附近車(chē)輛更多的節(jié)點(diǎn)會(huì)當(dāng)選“礦工”。具體地，每輛收到數(shù)據(jù)包的智能網(wǎng)聯(lián)汽車(chē)會(huì)計(jì)算信譽(yù)度最高的評(píng)分節(jié)點(diǎn)到其余各節(jié)點(diǎn)距離的平方和，評(píng)分節(jié)點(diǎn)中值更小的一方會(huì)當(dāng)選“礦工”。該平方和的距離定義如下。

其中，表示該區(qū)塊鏈網(wǎng)絡(luò)中節(jié)點(diǎn)的數(shù)量，x表示第個(gè)節(jié)點(diǎn)的經(jīng)度值，x表示平分節(jié)點(diǎn)的經(jīng)度值，y表示第個(gè)節(jié)點(diǎn)的緯度值，y表示平分節(jié)點(diǎn)的緯度值。

通過(guò)這種方式，信譽(yù)值最高的節(jié)點(diǎn)會(huì)當(dāng)選“礦工”，這在較大程度上保證了“礦工”節(jié)點(diǎn)的可靠性。如果出現(xiàn)并列的信譽(yù)值最高節(jié)點(diǎn)，則從評(píng)分節(jié)點(diǎn)中選出值最小的當(dāng)選“礦工”，這樣選出的“礦工”節(jié)點(diǎn)在智能網(wǎng)聯(lián)車(chē)隊(duì)中車(chē)輛更為密集的區(qū)域，從而保證“礦工”節(jié)點(diǎn)在生成新的區(qū)塊后能夠以較小的時(shí)延廣播給其他節(jié)點(diǎn)。

（4）生成新的區(qū)塊

在區(qū)塊鏈網(wǎng)絡(luò)中，針對(duì)某一節(jié)點(diǎn)，“礦工”節(jié)點(diǎn)會(huì)收到若干個(gè)關(guān)于它的評(píng)分，“礦工”節(jié)點(diǎn)通過(guò)計(jì)算可以得到一個(gè)關(guān)于該節(jié)點(diǎn)的最終信任值，其計(jì)算方法如下。

其中，表示對(duì)該事件進(jìn)行評(píng)分的節(jié)點(diǎn)數(shù)量，c表示評(píng)分節(jié)點(diǎn)自身的信譽(yù)值，r表示該節(jié)點(diǎn)對(duì)事件的評(píng)分，block表示被評(píng)分的節(jié)點(diǎn)在存儲(chǔ)信譽(yù)信息的區(qū)塊鏈中最近一次存儲(chǔ)的評(píng)分。為調(diào)節(jié)因子，的大小代表區(qū)塊鏈之前存儲(chǔ)的信譽(yù)值在新一輪評(píng)分中所占的權(quán)重，其默認(rèn)值為1。計(jì)算完成后，節(jié)點(diǎn)會(huì)將自己更新的信譽(yù)信息添加到存儲(chǔ)信任值的區(qū)塊鏈中，并將添加的區(qū)塊廣播到區(qū)塊鏈網(wǎng)絡(luò)的其他節(jié)點(diǎn)中。

一旦從“礦工”節(jié)點(diǎn)接收到塊，智能網(wǎng)聯(lián)汽車(chē)需要檢查其有效性，然后將其添加到區(qū)塊鏈中。有時(shí)，智能網(wǎng)聯(lián)汽車(chē)可能同時(shí)接收多個(gè)塊，在這種情況下，區(qū)塊鏈開(kāi)始分叉。本文采用分布式共識(shí)方案解決此問(wèn)題，每個(gè)智能網(wǎng)聯(lián)車(chē)隊(duì)選擇一個(gè)block并繼續(xù)在其后添加新塊。隨著時(shí)間的推移，由最大數(shù)量的智能網(wǎng)聯(lián)車(chē)隊(duì)承認(rèn)的分支增長(zhǎng)速度快于其他分支，最后，最長(zhǎng)的一個(gè)鏈成為網(wǎng)絡(luò)的分布式共識(shí)，而其他鏈被丟棄。此外，每個(gè)區(qū)塊鏈節(jié)點(diǎn)需要收集自己在丟棄的分叉中生成的塊，并嘗試將其添加到區(qū)塊鏈中。通過(guò)這種方式，所有智能網(wǎng)聯(lián)汽車(chē)都存儲(chǔ)相同版本的區(qū)塊鏈，從而確保網(wǎng)絡(luò)的一致性。

4 實(shí)驗(yàn)與評(píng)估

4.1 軌跡預(yù)測(cè)效果

本文在PyTorch上使用公開(kāi)的NGSIM US-10和I-80數(shù)據(jù)集[16]進(jìn)行實(shí)驗(yàn)。每個(gè)數(shù)據(jù)集包含45 min時(shí)間跨度內(nèi)以10 Hz捕獲的實(shí)際高速公路交通的軌跡，每個(gè)數(shù)據(jù)集由15 min的輕度擁擠、中度擁擠和擁擠交通狀況組成。本文將完整的數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集，測(cè)試集包括來(lái)自US-101和I-80數(shù)據(jù)集的3個(gè)子集。

本文將能通過(guò)5 s內(nèi)預(yù)測(cè)軌跡與真實(shí)軌跡的均方誤差（RMSE）用來(lái)衡量模型的準(zhǔn)確性，同時(shí)，將本文的模型與以下幾個(gè)模型進(jìn)行對(duì)比。

（1）卡爾曼濾波（KF）模型

通過(guò)對(duì)輸入輸出數(shù)據(jù)進(jìn)行觀測(cè)，排出噪聲和干擾，輸出較為線性的結(jié)果。

（2）高斯混合模型（VGMM）

學(xué)習(xí)動(dòng)態(tài)車(chē)輛的駕駛行為模式并用于駕駛行為意圖檢測(cè)，最后將動(dòng)態(tài)車(chē)輛駕駛行為意圖與運(yùn)動(dòng)模型結(jié)合進(jìn)行軌跡預(yù)測(cè)。

（3）遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

利用遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出車(chē)輛行駛意圖，在預(yù)測(cè)時(shí)不僅參考車(chē)輛自身的行駛軌跡，還考慮車(chē)輛周邊物體對(duì)其運(yùn)動(dòng)的影響。

表1展示了本文的LSTM模型與以上幾個(gè)參考模型的效果對(duì)比。相比于其他幾種模型，由于本文的LSTM能夠更多地考慮周邊環(huán)境對(duì)于車(chē)輛運(yùn)動(dòng)狀態(tài)的影響，所以能夠更加準(zhǔn)確地預(yù)測(cè)5 s內(nèi)車(chē)輛的行駛軌跡，且具有更低的RMSE值，尤其隨著預(yù)測(cè)時(shí)間越來(lái)越久，LSTM的優(yōu)勢(shì)變得越來(lái)越明顯。

表1 不同模型的均方根誤差

4.2 安全性能分析

4.2.1 對(duì)抗惡意車(chē)輛

惡意車(chē)輛可能會(huì)向附近的鄰居車(chē)輛廣播虛假的消息，這會(huì)導(dǎo)致嚴(yán)重的交通事故或擁堵。在本文的系統(tǒng)中，每輛智能網(wǎng)聯(lián)汽車(chē)中都存有其他車(chē)輛的信譽(yù)值，智能網(wǎng)聯(lián)汽車(chē)可以根據(jù)該信譽(yù)值選擇性地對(duì)接收到的信息采取相應(yīng)的措施。如果信息發(fā)送者的信譽(yù)值過(guò)低，那么智能網(wǎng)聯(lián)汽車(chē)的駕駛行為將不會(huì)做出任何改變，這大大保證了所用信息的可靠性。此外，一些惡意車(chē)輛可能會(huì)對(duì)一些信息進(jìn)行不公平的評(píng)分，如對(duì)良好的信息發(fā)送者給予過(guò)低的評(píng)價(jià)。在本文的體系中，每個(gè)評(píng)分者在最終的信譽(yù)值生成中都享有一個(gè)權(quán)重，而該權(quán)重與評(píng)分者自身的信譽(yù)值直接相關(guān)，由于惡意車(chē)輛數(shù)量較少，且評(píng)分往往較低，所以其惡意評(píng)分很難影響到本文的信任管理機(jī)制。

4.2.2 對(duì)抗受損RSU

如果以路邊基礎(chǔ)設(shè)施為中心服務(wù)器，那么一些惡意用戶將很有可能對(duì)其發(fā)動(dòng)攻擊，而一旦路邊基礎(chǔ)設(shè)施被攻陷，整個(gè)系統(tǒng)都將癱瘓。在本文的信任管理機(jī)制中，路邊基礎(chǔ)設(shè)施不會(huì)成為系統(tǒng)的中心服務(wù)器，它會(huì)以一個(gè)普通參與者的身份將自己捕獲到的交通信息分享給智能網(wǎng)聯(lián)車(chē)隊(duì)中的車(chē)輛。通過(guò)區(qū)塊鏈技術(shù)，系統(tǒng)不會(huì)過(guò)度依賴(lài)路邊基礎(chǔ)設(shè)施，不僅減小了通信時(shí)延，也保證了數(shù)據(jù)的安全性和可靠性，因?yàn)榧词孤愤吇A(chǔ)設(shè)施受到惡意攻擊，也不會(huì)對(duì)整個(gè)系統(tǒng)的運(yùn)營(yíng)造成太大影響。

4.3 系統(tǒng)效率

為了驗(yàn)證本文系統(tǒng)的效率和及時(shí)性，本文基于Matlab搭建了車(chē)聯(lián)網(wǎng)及區(qū)塊鏈仿真平臺(tái)，并對(duì)系統(tǒng)中區(qū)塊的生成時(shí)間及信息利用率進(jìn)行了相應(yīng)的仿真。

4.3.1 區(qū)塊生成

評(píng)分完成后，區(qū)塊鏈網(wǎng)絡(luò)會(huì)進(jìn)行“礦工”節(jié)點(diǎn)的選舉，而當(dāng)選的“礦工”節(jié)點(diǎn)需要匯總各個(gè)節(jié)點(diǎn)的評(píng)分，并最終以此生成新的區(qū)塊。本文對(duì)這一過(guò)程進(jìn)行了仿真實(shí)驗(yàn)，并與文獻(xiàn)[1]中的方法進(jìn)行了對(duì)比，得到了在不同數(shù)量的智能網(wǎng)聯(lián)汽車(chē)環(huán)境下，兩種方法從“礦工”選舉到生成區(qū)塊所用的時(shí)間，如圖4所示。

可以看出，由于文獻(xiàn)[1]中的區(qū)塊鏈網(wǎng)絡(luò)由所有的路邊基礎(chǔ)設(shè)施組成，該方法將大部分的計(jì)算任務(wù)以及區(qū)塊生成任務(wù)交由路邊基礎(chǔ)設(shè)施完成，路邊基礎(chǔ)設(shè)施需要計(jì)算每一輛車(chē)的信譽(yù)評(píng)分并為其生成區(qū)塊。因此，隨著該區(qū)域內(nèi)汽車(chē)數(shù)量的增加，路邊基礎(chǔ)設(shè)施會(huì)處于超負(fù)荷的狀態(tài)，其區(qū)塊生成所需時(shí)間較大。相比于文獻(xiàn)[1]中的方法，本文中的區(qū)塊鏈由路邊基礎(chǔ)設(shè)施與智能網(wǎng)聯(lián)車(chē)隊(duì)所有的節(jié)點(diǎn)組成，路邊基礎(chǔ)設(shè)施與智能網(wǎng)聯(lián)車(chē)隊(duì)中任一車(chē)輛一樣，只是區(qū)塊鏈網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)，大量任務(wù)被下放到了各個(gè)智能網(wǎng)聯(lián)汽車(chē)中。因此，相較于文獻(xiàn)[1]中提出的方法，隨著交通環(huán)境中車(chē)輛數(shù)量的增長(zhǎng)，本文方法生成區(qū)塊所用的時(shí)間增加較少，這使生成區(qū)塊具有較好的及時(shí)性，也保障了系統(tǒng)的工作效率。

圖4 不同方法生成區(qū)塊的時(shí)間

Figure 4 Time to generate blocks by different methods

4.3.2 信息利用率

同樣地，當(dāng)智能網(wǎng)聯(lián)車(chē)隊(duì)中車(chē)輛的節(jié)點(diǎn)數(shù)量不同，其接收信息的利用率也會(huì)有所不同，本文針對(duì)這一特點(diǎn)進(jìn)行了仿真，結(jié)果如圖5所示。

圖5 不同節(jié)點(diǎn)數(shù)量下的信息利用率

Figure 5 Information utilization ratio under different number of nodes

可以看出，隨著智能網(wǎng)聯(lián)車(chē)隊(duì)中節(jié)點(diǎn)數(shù)量的增加，每輛車(chē)接收到信息的利用率會(huì)降低。這一結(jié)果與邏輯相吻合，當(dāng)車(chē)隊(duì)過(guò)于龐大時(shí)，距離相隔較遠(yuǎn)的車(chē)輛增多，每輛車(chē)接收到信息所描述的交通事件與自身關(guān)系不大。然而，現(xiàn)實(shí)中距離較近車(chē)輛的數(shù)量往往沒(méi)有那么龐大，因此，本文所建立車(chē)隊(duì)的節(jié)點(diǎn)數(shù)量一般在5~30，從圖中可以看出，在該范圍內(nèi)，信息利用率相當(dāng)可觀。

5 結(jié)束語(yǔ)

本文提出了智能網(wǎng)聯(lián)車(chē)隊(duì)中安全協(xié)同的意圖識(shí)別系統(tǒng)，利用LSTM模型，路邊基礎(chǔ)設(shè)施與智能網(wǎng)聯(lián)車(chē)隊(duì)中的每一個(gè)節(jié)點(diǎn)都可以對(duì)周?chē)?chē)輛的行駛軌跡進(jìn)行預(yù)判，并將預(yù)測(cè)結(jié)果進(jìn)行分享。借助區(qū)塊鏈技術(shù)，智能網(wǎng)聯(lián)汽車(chē)可以對(duì)接收到的信息進(jìn)行評(píng)分，而這些評(píng)分被匯總后存儲(chǔ)到區(qū)塊鏈中。通過(guò)這種方式，智能網(wǎng)聯(lián)汽車(chē)既能通過(guò)自己的軌跡預(yù)測(cè)模型進(jìn)行車(chē)輛避讓?zhuān)挚梢赃x擇性地利用其他節(jié)點(diǎn)分享的信息，從而實(shí)現(xiàn)協(xié)同駕駛。

[1] BARRIOS C, MOTAI. Improving estimation of vehicle’s trajectory using the latest Y global positioning system with Kalman filtering[J]. IEEE Trans on Instru and Meas, 2011, 6(12): 3747-3755.

[2] 黃如林. 無(wú)人駕駛汽車(chē)動(dòng)態(tài)障礙物避撞關(guān)鍵技術(shù)研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2017.

HUANG R L. Research on key technologies of dynamic obstacle avoidance for autonomous vehicle[D]. Hefei: University of Science and Technology of China, 2017.

[3] GINDELE T, BRECHTEL S, DILLMANN R. Learning driver behavior models from traffic observations for decision making and planning[J]. IEEE Intelligent Transportation System Magazine, 2015, 7(1): 69-79.

[4] LEE N, CHOI W, VERNAZA P, et al. DESIRE: distant future prediction in dynamic scenes with interacting agents[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017: 2165-2174.

[5] KIM B, KANG C M S. LEE H, et al. Probabilistic vehicle trajectory prediction over occupancy grid map via recurrent neural network. arXiv preprint [J]. arXiv:1704.07049, 2017.

[6] LI Q, MALI A, MARTIN K M, et al. A reputation-based announcement scheme for VANETs[J]. IEEE Transactions on Vehicular Technology, 2012,61(9): 4095-4108.

[7] LI W, SONG H. Information-oriented trustworthiness evaluation in vehicular ad-hoc networks[C]//International Conference on Network and System Security. 2013: 94-108.

[8] YANG Z, YANG K, LEI L, et al. Blockchain based decentralized trust management in vehicular networks[J]. IEEE Internet of Things Journal, 2018.

[9] 戴婕. 基于密鑰管理和無(wú)中心化加密的網(wǎng)聯(lián)汽車(chē)信息安全的設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京: 北京郵電大學(xué), 2018.

DAI J. Design and implementation of vehicular information security based on key management and decentralized encryption[D]. Beijing: Beijing University of Posts and Telecommunication, 2018.

[10] ALAHI A, GOEL K, RAMANATHAN V, et al. Social LSTM: human trajectory prediction in crowded spaces[C]//IEEE Conference on Computer Vision and Pattern Recognition. 2016: 961-971.

[11] DEO N, TRIVEDI M M. Multi-modal trajectory prediction of surrounding vehicles with Maneuver based LSTMs[C]//2018 IEEE Intelligent Vehicles Symposium (IV). 2018: 1179-1184.

[12] KINGMA D P, BA J. Adam: a method for stochastic optimization[J]. arXiv preprint arXiv:1412.6980, 2014.

[13] REDMON J, FARHADI A. YOLO9000: better, faster, stronger[J]. arXiv preprint arXiv:1612.08242, 2016.

[14] WOJKE N, BEWLEY A, PAULUS D. Simple online and realtime tracking with a deep association metric[C]//2017 IEEE International Conference on Image Processing (ICIP). 2017.

[15] FU J, ZHENG H, MEI T. Look closer to see better: recurrent attention convolutional neural network for fine-grained image recognition[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017: 4476-4484.

[16] COLYAR J, HALKIAS J. US highway 101 dataset. Federal highway Administration (FHWA)[R]. 2007.

Cooperative trajectory prediction system for intelligent and automated connected convoy based on blockchain

WANG Rensheng, WU Tianhao, ZHANG Lin, ZHU Konglin

School of Information and Communication Engineering, Beijing University of Posts and Telecommunication, Beijing 100876, China

Autonomous vehicles have been extensively researched and developed rapidly in recent years. However, these vehicles may be not able to avoid collision with vehicles that appear suddenly. To solve this problem, a cooperative trajectory prediction system for intelligent and automated connected convoy based on blockchain was proposed. In the proposed system, each node in the intelligent and automated connected convoy and roadside infrastructure predict the trajectory of vehicles around them with the LSTM model, and they share the information they get. Using blockchain, the intelligent and automated connected convoy and roadside infrastructure rate the received messages. The summarized rating will be stored as a block in the blockchain that stores the trust values. Vehicles in the intelligent and automated connected convoy are able to judge whether the other nodes in the Conroy are credible according to their trust value, and messages from the low trust value sender will be ignored, thus achieving cooperative driving. Experiment shows that the proposed system plays a significant role in improving driving safety of the intelligent connected platoon.

intelligent and automated connected convoy, trajectory prediction, LSTM, trust management, blockchain

TP393

A

10.11959/j.issn.2096?109x.2020015

2019?05?20；

2019?07?08

王仁生，wangrensheng@bupt.edu.cn

國(guó)家重點(diǎn)研發(fā)計(jì)劃基金（2016YFB0100902）

The National Key R&D Program of China (2016YFB0100902)

論文引用格式：王仁生, 吳天昊, 張琳, 等. 基于區(qū)塊鏈的智能網(wǎng)聯(lián)車(chē)隊(duì)協(xié)同軌跡預(yù)測(cè)系統(tǒng)[J]. 網(wǎng)絡(luò)與信息安全學(xué)報(bào), 2020, 6(3): 78-87.

WANG R S, WU T H, ZHANG L, et al. Cooperative trajectory prediction system for intelligent and automated connected convoy based on blockchain[J]. Chinese Journal of Network and Information Security, 2020, 6(3): 78-87.

王仁生（1994?），男，山東煙臺(tái)人，北京郵電大學(xué)碩士生，主要研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車(chē)。

吳天昊（1992?），男，山東濟(jì)南人，北京郵電大學(xué)博士生，主要研究方向?yàn)镃-V2X通信技術(shù)及應(yīng)用。

張琳（1974?），男，上海人，博士，北京郵電大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)槌瑢拵锢走_(dá)成像及生命信號(hào)檢測(cè)、網(wǎng)絡(luò)信息處理、車(chē)聯(lián)網(wǎng)。

朱孔林（1985?），男，山東臨沂人，博士，北京郵電大學(xué)副教授，主要研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車(chē)。