本發(fā)明涉及一種車聯(lián)網(wǎng)駕駛狀態(tài)智能監(jiān)控方法及系統(tǒng)，屬于智能網(wǎng)聯(lián)汽車領(lǐng)域。

背景技術(shù)：

1、隨著車聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，實時監(jiān)控駕駛員的行為和生理狀態(tài)以提高道路安全已變得尤為重要。目前，大多數(shù)監(jiān)控系統(tǒng)通過中央服務(wù)器處理來自駕駛員的數(shù)據(jù)，導(dǎo)致在緊急情況下反應(yīng)速度不足。

2、大多數(shù)監(jiān)控系統(tǒng)采用傳統(tǒng)的整數(shù)階微分方程來建模駕駛員狀態(tài)的動態(tài)變化，難以準(zhǔn)確反應(yīng)復(fù)雜系統(tǒng)的長程相關(guān)性和非局部效應(yīng)?，F(xiàn)有方法通常直接處理高維度的原始數(shù)據(jù)，缺乏有效的特征提取和降維步驟，導(dǎo)致計算復(fù)雜度高、模型泛化能力差。當(dāng)前監(jiān)控系統(tǒng)大多依賴中心化的數(shù)據(jù)處理和決策，缺乏分布式協(xié)同優(yōu)化機制，難以適應(yīng)多變的駕駛環(huán)境和個體差異?，F(xiàn)有的駕駛員狀態(tài)輔助方法通?；诤唵蔚拈撝蹬袛嗷蛞?guī)則推理，缺乏對駕駛員、車輛和環(huán)境之間動態(tài)交互的系統(tǒng)考慮。

3、6g網(wǎng)絡(luò)可以提供高速率和低延遲，為解決上述問題提供了基礎(chǔ)，6g網(wǎng)絡(luò)的應(yīng)用現(xiàn)有技術(shù)在進(jìn)行監(jiān)測過程中減少數(shù)據(jù)傳輸延遲、計算資源分配不合理的問題需要進(jìn)一步解決。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是：現(xiàn)有車聯(lián)網(wǎng)系統(tǒng)在實時監(jiān)測駕駛員狀態(tài)時，數(shù)據(jù)處理延遲，需要進(jìn)一步提高交通安全性和駕駛體驗。

2、為解決上述技術(shù)問題，本發(fā)明提供一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，包括以下步驟：

3、步驟一，在車輛中設(shè)置多種傳感器，用于實時采集駕駛狀態(tài)數(shù)據(jù)，所述駕駛狀態(tài)數(shù)據(jù)包括駕駛員的行為數(shù)據(jù)以及環(huán)境數(shù)據(jù)；

4、步驟二，在車載邊緣計算節(jié)點，對采集的多源異構(gòu)數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)歸一化和數(shù)據(jù)融合；

5、步驟三，將融合后的數(shù)據(jù)輸入到變分自編碼器中，所述變分自編碼器在提取駕駛狀態(tài)數(shù)據(jù)的低維隱變量表示時，通過優(yōu)化變分下界，推斷出隱變量分布；

6、步驟四，將推斷出的隱變量輸入到分?jǐn)?shù)階微分方程模型中，所述分?jǐn)?shù)階微分方程模型描述駕駛狀態(tài)的動態(tài)變化規(guī)律，通過求解分?jǐn)?shù)階微分方程，得到駕駛狀態(tài)的預(yù)測值，反映駕駛員的生理和行為狀態(tài)；

7、步驟五，在多個車載邊緣節(jié)點上進(jìn)行聯(lián)邦學(xué)習(xí)，通過加密的梯度聚合和差分隱私算法，在保護(hù)數(shù)據(jù)隱私的同時實現(xiàn)全局模型的協(xié)同優(yōu)化；

8、步驟六，基于博弈模型，構(gòu)建駕駛員-車輛-環(huán)境的動態(tài)交互過程模型，所述駕駛員-車輛-環(huán)境的動態(tài)交互過程模型采用hjb方程，通過求解hjb方程，在動態(tài)環(huán)境中實現(xiàn)參與者之間的協(xié)同優(yōu)化，使參與者獲得在復(fù)雜的駕駛場景中的最優(yōu)決策駕駛數(shù)據(jù)。

9、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，還包括：

10、步驟七，在步驟六獲得的最優(yōu)決策駕駛數(shù)據(jù)基礎(chǔ)上，根據(jù)實時道路和網(wǎng)絡(luò)狀況，利用深度強化學(xué)習(xí)算法動態(tài)調(diào)整車載計算、存儲和通信資源，以實現(xiàn)能耗的最小化和任務(wù)延遲最小化。

11、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟二中，在所述數(shù)據(jù)融合過程中，通過求解如下多目標(biāo)優(yōu)化問題動態(tài)調(diào)整權(quán)重：

12、，

13、，

14、，

15、其中，表示均方誤差，為數(shù)據(jù)的重構(gòu)值，目標(biāo)函數(shù)和分別是最小化重構(gòu)誤差和權(quán)重的?l2?范數(shù)，自適應(yīng)權(quán)重；為數(shù)據(jù)種類。

16、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟三中，變分自編碼器表示為：

17、，

18、其中，?為解碼器的參數(shù)化概率分布，?為先驗分布，?為待學(xué)習(xí)的參數(shù)，?為散度，用于度量兩個概率分布之間的差異；為隱變量；是重構(gòu)誤差。

19、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟四中，所述分?jǐn)?shù)階微分方程為：

20、，，

21、其中，?表示階數(shù)為??的?caputo?分?jǐn)?shù)階導(dǎo)數(shù)，定義為：

22、，，

23、其中，?為gamma函數(shù)，為正整數(shù)，當(dāng)??時，caputo導(dǎo)數(shù)退化為經(jīng)典的一階導(dǎo)數(shù)；是積分變量，表示過去的時間點；

24、?為駕駛狀態(tài)變量,所述駕駛狀態(tài)變量；?為非線性函數(shù)，?為過程噪聲。

25、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟五中，聯(lián)邦學(xué)習(xí)的優(yōu)化過程為：

26、，

27、，

28、，

29、其中，為第個節(jié)點基于本地數(shù)據(jù)計算的損失函數(shù)，為對應(yīng)的梯度，為節(jié)點總數(shù)，在第?次迭代中，各節(jié)點首先計算本地梯度?，然后通過安全的加密通信協(xié)議將梯度發(fā)送到中心節(jié)點；中心節(jié)點對收到的梯度進(jìn)行聚合，并添加滿足?-差分隱私的高斯噪聲?，得到全局梯度?；最后，中心節(jié)點利用全局梯度更新模型參數(shù)?，并將更新后的模型廣播給各節(jié)點，完成一次聯(lián)邦學(xué)習(xí)迭代。

30、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟六中，定義博弈模型為；

31、其中??為博弈參與者的集合，和?分別為博弈參與者??的狀態(tài)空間和動作空間，?為參與者的效用函數(shù)；所述博弈參與者包括駕駛員、車輛、環(huán)境；表示的是博弈參與者之間的動態(tài)交互關(guān)系；

32、將博弈模型描述為如下隨機微分方程，即hjb方程：

33、，

34、其中，為參與者在時刻的狀態(tài)變量，表示駕駛員、車輛或環(huán)境的當(dāng)前狀態(tài)；

35、為參與者在時刻的動作變量，表示該參與者可以采取的行動；

36、?為其他參與者在時刻的動作變量，表示除參與者以外其他所有參與者的行動，會影響參與者的決策和狀態(tài)；

37、表示參與者的狀態(tài)轉(zhuǎn)移函數(shù)，描述在給定當(dāng)前狀態(tài)和動作時，狀態(tài)如何隨時間變化；

38、表示參與者??噪聲影響函數(shù)；

39、為布朗運動，表示隨機擾動。

40、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟六中，求解過程為：

41、，

42、其中，為參與者的值函數(shù)，表示在狀態(tài)和時間下，參與者能獲得的最大預(yù)期收益；

43、為參與者的狀態(tài)變量，表示參與者在時刻的當(dāng)前狀態(tài)；

44、為參與者的動作變量，表示參與者可以采取的行動；

45、為參與者的動作空間，包括參與者所有可能的動作選擇；

46、為其他參與者的最優(yōu)動作，表示在當(dāng)前狀態(tài)下，其他參與者所采取的最佳策略；

47、為狀態(tài)轉(zhuǎn)移函數(shù)，描述在給定狀態(tài)和動作以及其他參與者的最優(yōu)動作??時，參與者的狀態(tài)如何變化；

48、為值函數(shù)對狀態(tài)變量的梯度，表示狀態(tài)變化對預(yù)期收益的影響；

49、為噪聲影響函數(shù)，描述在狀態(tài)轉(zhuǎn)移過程中，隨機因素對參與者??的影響；

50、表示矩陣的跡運算，通常用于計算方差或協(xié)方差的總和；

51、為參與者的效用函數(shù)，表示在狀態(tài)和動作以及其他參與者的最優(yōu)動作下，參與者的即時收益，上標(biāo)t表示轉(zhuǎn)置。

52、前述的一種車聯(lián)網(wǎng)駕駛狀態(tài)監(jiān)控方法，在步驟七中，定義強化學(xué)習(xí)模型為，其中：

53、狀態(tài)?，包括系統(tǒng)的隊列狀態(tài)、網(wǎng)絡(luò)狀態(tài)以及傳感器采集的數(shù)據(jù)，狀態(tài)反映當(dāng)前系統(tǒng)的運行情況和環(huán)境變化；

54、動作?指資源調(diào)度決策，包括分配車載計算、存儲和通信資源；

55、狀態(tài)轉(zhuǎn)移概率?：描述在當(dāng)前狀態(tài)下采取某一動作后，轉(zhuǎn)移到下一個狀態(tài)的概率；

56、獎勵函數(shù)?：用于評估智能體在特定狀態(tài)和動作下的表現(xiàn)；

57、折扣因子?：用于平衡當(dāng)前獎勵與未來獎勵的重要性；

58、目標(biāo)函數(shù)是最大化長期累積獎勵的期望值：

59、，

60、其中，?為調(diào)度策略，?為任務(wù)延遲，?為延遲的最大約束值；

61、獎勵函數(shù)??為：

62、，

63、其中，?和??為權(quán)重系數(shù)一和權(quán)重系數(shù)二，用于平衡能耗和延遲的影響。

64、一種計算機裝置/設(shè)備/系統(tǒng)，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述方法的步驟。

65、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序/指令，該計算機程序/指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。

66、一種計算機程序產(chǎn)品，包括計算機程序/指令，該計算機程序/指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。

67、本發(fā)明達(dá)到的有益效果：本發(fā)明的車聯(lián)網(wǎng)駕駛員狀態(tài)監(jiān)控方法，采用變分自編碼器實現(xiàn)駕駛員狀態(tài)數(shù)據(jù)的降維和特征提取，通過優(yōu)化變分下界自適應(yīng)地學(xué)習(xí)隱空間表示，減小模型復(fù)雜度，進(jìn)而減少了數(shù)據(jù)傳輸延遲；本發(fā)明基于隨機微分博弈的多智能體協(xié)同優(yōu)化框架，通過求解納什均衡實現(xiàn)多智能體的分布式協(xié)同決策，提高了系統(tǒng)的適應(yīng)性和魯棒性，可顯著提高交通安全性和駕駛體驗。

68、同時，引入分?jǐn)?shù)階微分方程對駕駛員狀態(tài)的動態(tài)變化進(jìn)行建模，通過分?jǐn)?shù)階導(dǎo)數(shù)更準(zhǔn)確地描述復(fù)雜系統(tǒng)的記憶效應(yīng)和非局部相關(guān)性，提高狀態(tài)估計精度；提出自適應(yīng)駕駛員狀態(tài)輔助方法，綜合考慮駕駛員狀態(tài)、環(huán)境風(fēng)險，動態(tài)調(diào)整車輛控制參數(shù)和人機交互方式，提高輔助決策的實時性和有效性。