一种基于k-means算法的V2X消息聚类方法及系统

一种基于k-means算法的v2x消息聚类方法及系统
技术领域
1.本发明属于v2x接收消息预处理领域，尤其涉及一种基于k-means算法的 v2x消息聚类方法及系统。


背景技术：

2.v2x车联网三大应用之一的辅助安全类消息对实时性和可靠性的要求非常高。因此，为了提高obu车载终端的消息处理能力，对v2x消息进行预处理研究非常有必要。在消息处理的优先级问题上，现有的消息关联性聚类效果不能满足复杂交通环境，降低了紧要消息的处理及时性。为了增强obu接收v2x 消息的处理能力，提高安全类消息处理的可靠性和实时性，obu的v2x消息预处理成为一个关键环节。
3.在c-v2x中，v2x消息可分为安全类消息和服务类消息两大消息类型。因为obu计算能力有限，高关联度的安全类消息应当比其他消息更优先处理，但在预处理方法中存在聚类效果差和聚类时效性不佳的问题。裴玉等人针对消息处理优先级提出了一种基于信号强度k-means聚类算法，根据rui m等人的研究，两车之间接收消息的信号强度与车间距离成反比，假定两车之间接收消息的信号强度与车间距离成线性反比的关系，再根据车辆间距离划分消息关联度，这种方案能实现在简单场景下的消息关联性聚类，但在实际交通环境下，首先两车间的信号强度与车间距离不成线性关系，并且远处车辆的消息关联度不一定比近处车辆的消息关联度低，因此应用效果较差。hamida e b等人也是对来自近邻的bsm消息进行优先级排序，但消息聚类时对不同类型的消息做同样的聚类处理是有缺陷的，因为车联网领域中如果将娱乐类消息和安全警示类消息一并处理，那么就很可能错过安全警示类的消息威胁系统安全。lin,x,li等人采用了批处理的方式虽然保障了预处理的时效性，但这个方案在车联网的应用中仍存在一定的局限性，批处理的方式同时处理一批消息集合，但是当一批消息集合中含有非法消息时，就会丢失整个数据包。
4.在上述方法中，虽然能基本实现消息聚类，但是消息的优先级分配不合理，可能存在低优先级消息反而优先认证的情况。


技术实现要素：

5.为解决以上现有技术存在的问题，本发明提出了一种基于k-means算法的 v2x消息聚类方法，该方法包括：构建v2x车联网；第一车辆用户的v2x通信模块周期性广播本车辆的bsm基本安全信息，并接收其他车辆用户广播的 bsm基本安全信息，其中bsm基本安全信息包括车辆用户的车辆经度、纬度、航向角以及时间戳数据；对接收到的bsm基本安全信息进行解析，并删除非法失效的消息，得到解析信息；对解析信息进行分类处理，若解析信息为非安全类信息，则将该信息划分为最低优先等级队列，若解析信息为安全类信息，则对解析信息进行轨迹交叉计算；将轨迹交叉计算结果与接收到到的bsm基本安全信息进行组合，得到新的消息集合；采用k-means算法对新的消息进行聚类处理，得到聚类结果；根据聚类结果对消息进行优先级排序。
6.优选的，获取bsm基本安全信息包括采用自主式传感器采集车辆用户的信息，根据采集的信息采用融合算法将障碍物的类型、相对本车的纵向距离和横向距离、经纬度值和航向角信息填充到协同感知消息中，同时填充的信息还包括目标临时id、本车id、速度、数据来源、和时间戳信息，并在消息填充完毕后以固定的周期t2通过v2x通信模块将其广播。
7.优选的，对接收到的bsm基本安全信息进行解析包括：obu/rsu接收到 v2x通信模块广播的基本安全信息后对该信息进行签名验证，确认发送端的身份；获取发送端的身份信息，该信息包括签名者信息、密文以及签名；对获取的信息进行验证，包括验证证书是否有效、消息是否为自签，证书是否包含签名者公钥以及v2x消息是否有效，若任何一项验证失败，则丢弃该消息；若验证通过，则对签名者消息进行编码摘要计算，得到签名者摘要，进一步进行v2x 消息摘要值计算，对两个摘要值进行整合，利用证书上的公钥和摘要值对签名进行验签，返回签名验证结果，最终得到原始明文消息。
8.优选的，对解析信息进行轨迹交叉计算的过程包括：
9.步骤1：获取自身车辆的位置信息和目标状态信息；
10.步骤2：根据自身车辆的位置信息和目标状态信息构建以自身车为坐标中心的三维坐标；根据建立的三维坐标获取目标相对于本车的位置信息，并得到目标相对于本车的纵向距离和横向距离；
11.步骤3：根据自身车辆的位置信息结合横向、纵向距离计算出自身车辆和目标车辆的相对距离di、目标经纬度信息以及航向角信息；
12.步骤4：根据相对距离di、目标经纬度信息以及航向角信息计算目标车辆与自身车辆的轨迹交叉可能性，得到轨迹交叉可能性结果。
13.优选的，采用k-means算法对新的消息进行聚类处理的过程包括：
14.步骤1：获取新的消息集合pi＝{p1,p2,...,pn}，其中1≤i≤n；
15.步骤2：根据优先级队列数目k，从数据集pi中随机选取k个样本作为聚类初始中心点cj＝{c1,c2,...,ck}，其中1≤j≤k；
16.步骤3：分别计算数据集中每个样本xi到cj点的欧式距离d(xi,cj)，并把每个样本划分到离它最近的中心点的簇中；
17.步骤4：对于每个簇，重新计算该簇的聚类中心；
18.步骤5：复步骤3和步骤4，循环迭代更新簇心位置，直到任意一次迭代中每个簇心位置变化小于阈值或者算法最大迭代次数达到上限，停止算法，得到聚类结果；
19.步骤6：根据聚类结果得到簇的优先级权重。
20.进一步的，重新计算该簇的聚类中心的公式为：
[0021][0022]
其中cj为聚类消息簇，|cj|为簇的个数，x为样本数据点。
[0023]
进一步的，簇的优先级权重的计算公式为：
[0024][0025]
其中，γ为簇的权重值；βi为簇心；β
ix
，β
iy
分别为簇心在坐标系中的x,y坐标；ε1和
ε2均为距离权重的系数；ε3为轨迹交叉可能性的权重系数。
[0026]
一种基于k-means算法的v2x消息聚类系统，该系统包括：车载传感器、 v2x通信模块、高精度定位模块和消息聚类模块；
[0027]
所述车载传感器用于感知周围环境中有效范围内的障碍物信息，并通过数据融合算法将障碍物的类型、相对本车的纵向距离和横向距离、经纬度值和航向角信息填充到协同感知消息中，同时填充的信息还包括目标临时id、本车id、速度、数据来源、和时间戳信息；
[0028]
所述v2x通信模块包含发送子模块和接收子模块；
[0029]
所述发送子模块用于向周围车载终端进行广播由车载传感器感知到的障碍物的类型、状态信息，并且以周期t1广播本车bsm基本安全消息；
[0030]
所述接收子模块用于确保接收到的消息的真实性和及时性，主要任务为接收广播的v2x消息并对其进行消息解析、安全类消息筛选并过滤非法、过时的消息；
[0031]
所述高精度定位模块用于获取自身车辆的经纬度信息、航向角度信息以建立车辆为中心的三维坐标系，以便在坐标系中将附近目标位置信息进行标定和计算；
[0032]
所述消息聚类模块用于对接收到的v2x消息进行关联性聚类和优先级划分。
[0033]
为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述基于k-means算法的 v2x消息聚类方法。
[0034]
为实现上述目的，本发明还提供一种基于k-means算法的v2x消息聚类装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于k-means算法的v2x消息聚类装置执行任一上述基于k-means算法的v2x消息聚类方法。
[0035]
本发明的有益效果：
[0036]
1)本发明能有效的反映车道资源存在争抢冲突的概率，从而加大高关联度紧要消息的处理优先级。
[0037]
2)本发明可加强车载单元对紧要消息的处理及时性并且减少计算复杂度，提高紧要消息的处理及时性。
附图说明
[0038]
图1为本发明的一种基于k-means算法的v2x消息聚类系统架构图；
[0039]
图2为本发明的轨迹交叉可能性示意图；
[0040]
图3为本发明的消息聚类流程图；
[0041]
图4为本发明的角度和与轨迹交叉可能性曲线图；
[0042]
图5为本发明的k-means算法流程图。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
一种基于k-means算法的v2x消息聚类方法，该方法包括：构建v2x车联网；第一车辆用户的v2x通信模块周期性广播本车辆的bsm基本安全信息，并接收其他车辆用户广播的bsm基本安全信息，其中bsm基本安全信息包括车辆用户的车辆经度、纬度、航向角以及时间戳数据；对接收到的bsm基本安全信息进行解析，并删除非法失效的消息，得到解析信息；对解析信息进行分类处理，若解析信息为非安全类信息，则将该信息划分为最低优先等级队列，若解析信息为安全类信息，则对解析信息进行轨迹交叉计算；将轨迹交叉计算结果与接收到到的bsm基本安全信息进行组合，得到新的消息集合；采用k-means算法对新的消息进行聚类处理，得到聚类结果；根据聚类结果对消息进行优先级排序。
[0045]
一种基于k-means算法的v2x消息聚类方法的具体实施方式，该方法包括：
[0046]
s1：v2x通信模块以周期t1广播本车bsm基本安全消息，同时以周期t2广播协同感知信息。协同感知信息由车载传感器感知到障碍物并采用数据融合算法将障碍物的类型、相对本车的纵向距离和横向距离、经纬度值和航向角信息填充到协同感知消息中。同时填充的信息还包括目标临时id、本车id、速度、数据来源、和时间戳信息。
[0047]
s2：v2x通信消息接收子模块接收到v2x消息，对其进行解析并过滤非法、过时的消息，并将消息进行分类。在接收到的v2x安全类消息中提取车辆经度、纬度、航向角、时间戳数据，将消息时间戳与本地时间相比较，过滤掉超时消息。δt＝t
hv-t
rv
，其中δt是可容忍的最大传输时延，t
hv
是本地时间，t
rv
是目标消息的发送时间戳，若δt＞1(s)则丢弃该超时消息。最后根据消息类型判定该条消息是否参与聚类，如果为非安全类消息则安全参数r＜1，该消息不参与聚类，直接将消息划分为最低优先等级队列；反之对消息进行轨迹交叉可能性计算。
[0048]
s3：计算目标与本车之间的轨迹交叉可能性。
[0049]
计算目标与本车之间的轨迹交叉可能性的具体步骤包括：
[0050]
第一步：通过高精度定位模块获取到的自身车辆位置信息和步骤s2获取到的目标状态信息，建立以本车为坐标中心的三维坐标来标定附近目标相对于本车的位置信息并得到目标相对于本车的纵向距离和横向距离；基于本车高精度定位模块获取的经纬度信息结合横向、纵向距离计算得出相对距离di和目标经纬度信息；若是障碍物信息，可根据上一时刻的目标位置对比计算得出目标航向角信息。若是包含航向角信息的bsm消息，则可直接提取航向角数据。
[0051]
第二步：基于位置信息和航向角信息分别对每个目标与本车之间的轨道交叉可能性进行计算。轨迹交叉可能性计算方法如下：
[0052]
本发明结合相对方位夹角与相对航向角之和作为轨迹交叉可能性的依据，示意图如图3所示。当两角之和越大则轨迹交叉的可能性就越小，其中相对航向角的计算公式和相对方位夹角的计算公式如下：
[0053]
θ＝θ
rv-θ
hv
[0054][0055]
其中，θ
hv
为本车航向角，θ
rv
为目标车辆航向角。θ
p
为相对方位夹角，α
hv
和β
hv
分别为本车的经度和纬度，α
rv
和β
rv
分别为目标车辆的经度和纬度。当β
rv
≥β
hv
时需要判断θ是否小于零，如果小于0，则θ＝θ 360，反之θ＝θ 180。
[0056]
相对方位夹角和相对航向角的角度和越大则两轨迹越平行越安全，其特征式如下：
[0057][0058]
其中k＝0.00028，α＝2，角度和的单位是度，角度和与轨迹交叉可能性关系曲线如图4所示，其中横坐标为角度和，纵坐标为轨迹交叉可能性。
[0059]
一种计算方位角的具体实施方式，根据地球模型，自北经线起，依顺时针方向到目标方向线之间的水平夹角(可以将其看成是指南针所指示的角度)，也即是opn平面与opq平面的所构成的二面角大小。以北极点n为顶点， n-pqo构成了一个三面角。二面角n-op-q的大小为θ，其平面角为二面角p-on-q的大小为λ
2-λ1，其平面角为δ，可得求解两点间的距离时得到的结果，其表达式为：
[0060][0061][0062]
根据cos(δ)的计算公式得到方位角：
[0063][0064]
第三步：将源消息与计算结果(轨道交叉可能性、相对距离)组成新的消息集合pi＝{p1,p2,...,pn}，其中1≤i≤n。
[0065]
s4：采用k-means算法对新的消息进行聚类处理。
[0066]
如图5所示，采用k-means算法对新的消息进行聚类处理的具体步骤包括：
[0067]
s41：根据优先级队列数目k，从数据集pi中随机选取k个样本作为聚类初始中心点cj＝{c1,c2,...,ck}，其中1≤j≤k。
[0068]
s42：分别计算数据集中每个样本xi到cj点的欧式距离d(xi,cj)，并把每个样本划分到离它最近的中心点的簇中。
[0069][0070]
s43：对于每个簇，重新计算该簇的聚类中心。簇的聚类中心点计算方法为其中cj为聚类消息簇，|cj|为簇的个数，x为样本数据点。
[0071]
s44：重复s42，s43两步，循环迭代更新簇心位置，直到任意一次迭代中每个簇心位
置变化小于阈值或者算法最大迭代次数达到上限，停止算法。
[0072]
s45：聚类完毕的消息集合pi'(1＜i＜k)划分成为k个簇，即消息簇1，消息簇 2，
…
，消息簇k。然后把pi'(1＜i＜k)根据簇的优先级权重将簇内消息映射到相应的优先级队列中。每个簇的优先级权重根据如下特征式由大到小排序，对应每个簇的优先级由高到低。
[0073][0074]
其中γ为簇的权重值；βi为簇心；β
ix
，β
iy
分别为簇心在坐标系中的x,y坐标；距离权重的系数ε1＝0.5；根据v2x通信最大距离300米，ε2＝300；轨迹交叉可能性的权重系数ε3＝0.5。
[0075]
s5：最后将安全系数r＜1的消息加入最低优先级队列，组成聚类完毕的优先级队列priority(l1)》priority(l2)》...》priority(lk)。系统按照优先级的先后顺序对消息进行处理。如果队列为空，则在次高优先级队列中寻找消息并进行处理，直到队列为空。
[0076]
一种基于k-means算法的v2x消息聚类系统，如图1所示，该系统包括：车载传感器、v2x通信模块、高精度定位模块和消息聚类模块；
[0077]
所述车载传感器用于感知周围环境中有效范围内的障碍物信息，并通过数据融合算法将障碍物的类型、相对本车的纵向距离和横向距离、经纬度值和航向角信息填充到协同感知消息中，同时填充的信息还包括目标临时id、本车id、速度、数据来源、和时间戳信息；
[0078]
所述v2x通信模块包含发送子模块和接收子模块；
[0079]
所述发送子模块用于向周围车载终端进行广播由车载传感器感知到的障碍物的类型、状态信息，并且以周期t1广播本车bsm基本安全消息；
[0080]
所述接收子模块用于确保接收到的消息的真实性和及时性，主要任务为接收广播的v2x消息并对其进行消息解析、安全类消息筛选并过滤非法、过时的消息；
[0081]
所述高精度定位模块用于获取自身车辆的经纬度信息、航向角度信息以建立车辆为中心的三维坐标系，以便在坐标系中将附近目标位置信息进行标定和计算；
[0082]
所述消息聚类模块用于对接收到的v2x消息进行关联性聚类和优先级划分。
[0083]
所述车载传感包括多种自主式传感器(比如：毫米波雷达、摄像头和激光雷达)，且每种传感器的数量为一个或多个。所述自主式传感器是指无需与目标进行通信也能获取目标的距离、类型以及速度的传感器。车载传感器模块用于感知周围环境中有效范围内的障碍物信息(包括落石、坑洼、行人、动物等)，并通过数据融合算法将障碍物的类型、相对本车的纵向距离和横向距离、经纬度值和航向角信息填充到协同感知消息中，同时填充的信息还包括目标临时id、本车id、速度、数据来源、和时间戳信息，并在消息填充完毕后以固定的周期t2通过v2x通信模块将其广播。其中障碍物经纬度信息可根据本车高精度定位模块获取的经纬度信息和障碍物相对于本车的纵向距离和横向距离计算得出；障碍物航向角信息可以根据与上一时刻的目标进行位置对比计算得出。
[0084]
1.筛选安全类消息并过滤非法、过时消息的方法如下：引入安全参数r，根据接收到的v2x消息的消息类型进行判定，若是基本安全消息和协同感知消息则 r＞1，继续进行下一步处理；反之r＜1，则直接进入到最低优先级队列中。提取接收到的v2x消息数字签名
和时间戳信息，以消息验证算法过滤掉非法消息；并将消息时间戳与本地时间相比较δt＝t
hv-t
rv
过滤掉过时消息，其中δt是可容忍的最大传输时延，t
hv
是本地时间，t
rv
是目标消息的发送时间戳，若δt＞1(单位：秒)则丢弃该消息。
[0085]
通过高精度定位模块和v2x通信模块获取到自身车辆和目标的位置信息，通过建立以本车为坐标中心的三维坐标来标定附近目标相对于本车的位置信息，并基于方位信息和航向角信息根据轨迹交叉可能性算法估计下一时刻发生道路资源争抢和碰撞的可能性，示意图如图2所示。
[0086]
所述k-means聚类算法包括：首先根据消息安全参数r判定是否参与聚类。若r＜1则不参与聚类，直接进入最低优先等级队列；反之则进行轨迹交叉可能性计算，并进入到消息聚类模块中继续处理。具体的，从消息集合pi中选取k个消息样本作为聚类初始中心点cj＝{c1,c2,...,ck}，其中1≤j≤k。聚类中心初始化选取策略为均等分v2x消息时间片(单位：ms)的第一条消息，然后分别计算数据集中每个样本xi到cj点的欧式距离，并把每个样本划分到离它最近的中心点的簇中。循环更替每个簇的质心位置的结束条件为所有质心的本次位置与其上一次簇心位置相对比，变化幅度小于阈值或者达到最大迭代次数μ2时算法停止。常数μ1和μ2应根据实际交通流中最大车辆数量和消息聚类数目来决定，如果阈值系数μ1设置过小，可能导致算法收敛程度高，但收敛速度慢。最大迭代次数μ2设置过小，可能导致在算法并未收敛的情况下程序已经结束。
[0087]
本发明通过轨迹交叉可能性和距离作为k-means聚类算法的输入参数，能有效的反映车道资源存在争抢冲突并且距离较近的紧急情况下的场景，从而提高紧要消息的处理优先级。该方法首先通过消息类型判断将消息分为安全类消息和非安全类消息，将对于实时性要求更高的安全类消息进行k-means算法的聚类，同时根据簇心权重排序方法将聚类结果映射为优先级队列，根据排序结果将簇内消息分配到相应的优先级队列中。该方法可加强车载单元对紧要消息的处理及时性并且减少计算复杂度，提高紧要消息的处理及时性。
[0088]
于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述基于k-means算法的 v2x消息聚类方法。
[0089]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0090]
一种基于k-means算法的v2x消息聚类装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于k-means算法的v2x消息聚类装置执行任一上述基于k-means算法的v2x消息聚类方法。
[0091]
具体地，所述存储器包括：rom、ram、磁碟、u盘、存储卡或者光盘等各种可以存储程序代码的介质。
[0092]
优选地，所述处理器可以是通用处理器，包括中央处理器(central processing
unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(applicationspecific integrated circuit，简称asic)、现场可编程门阵列(field programmablegate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0093]
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。