[發明專利]一種應用區塊鏈的自動駕駛汽車模型共享方法

有效

• 申請號: 202010074874.7
• 申請日: 2020-01-22
• 公開（公告）號: CN111211893B
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 李長樂;李帆;付宇釧;趙品燦
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04L9/06
• 分類號: H04L9/06;H04L9/08;H04L9/30;H04L67/12;H04W4/44;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 陳宏社;王品華

本發明公開了一種應用區塊鏈的自動駕駛汽車模型共享方法，旨在提高自動駕駛汽車決策的準確率和效率。其實現步驟包括：1)構建移動邊緣計算網絡；2)生成移動邊緣計算網絡中每個節點的密鑰對；3)構建移動邊緣計算網絡中移動節點集合的本地模型集合；4)每個移動節點與距離其最近的移動邊緣計算節點進行通信；5)移動邊緣計算節點集合獲取超級節點序列；6)基于超級節點序列構建區塊鏈；7)對本地模型集合進行更新。本發明與現有的自動駕駛汽車模型訓練的方法相比，在將模型用于自動駕駛汽車行駛過程中的決策時，有效提高了決策的準確率和效率。

技術領域

本發明屬于自動駕駛技術領域，涉及一種應用區塊鏈的自動駕駛汽車模型共享方法，可用于實現更安全可靠的自動駕駛。

背景技術

自動駕駛汽車在行駛過程中遇到障礙物時需要作出減速、加速、轉彎的決策，基于學習的方法是典型的自動駕駛汽車決策方法，決策過程中需要對模型進行訓練，而模型的準確率和訓練模型的效率是決定決策準確率和效率的關鍵因素。

目前對模型進行訓練的方法分為基于單車的模型訓練方法和基于云端的模型訓練方法，其中基于單車的模型訓練方法，是自動駕駛汽車獨立完成數據采集和模型訓練，這種方法由于單個自動駕駛汽車傳感器數量和駕駛場景有限，得到的模型在用于自動駕駛決策時，決策的準確率很難保證，并且由于單車計算能力有限，決策的效率較低。

基于云端的模型訓練方法，是自動駕駛汽車將傳感器采集到的數據上傳到云端中心，在云端中心上訓練模型，然后自動駕駛汽車從云端下載模型，這種方法解決了單個自動駕駛車輛傳感器數量、駕駛場景以及計算能力受限的問題，是目前自動駕駛汽車訓練模型廣泛采用的方法，例如申請公布號為CN110196593A，名稱為“一種自動駕駛多場景環境檢測及決策系統及方法”的專利申請，公開了一種基于云端的模型訓練方法，該方法將自動駕駛汽車通過車載核心傳感器采集的數據壓縮存儲并定期上傳到云端中心，在云端中心上通過機器學習訓練模型，這種訓練方法所獲取的模型應用到自動駕駛汽車決策過程中，具有較高的決策準確率和效率，但其存在的不足之處在于：1、模型只能在云端中心進行訓練，一旦云端中心服務器發生故障，模型訓練就無法完成，自動駕駛汽車就無法從云端中心下載模型實現決策；2、在云端訓練模型無法保證模型訓練過程中數據不被惡意節點篡改，一旦數據被篡改，云端中心訓練的模型就不準確，自動駕駛汽車再從云端中心下載不準確的模型用于決策，決策的準確率就較低；3、自動駕駛汽車向云端上傳數據時，云端沒有對自動駕駛汽車的身份進行驗證，一旦有惡意節點上傳錯誤的數據，云端用錯誤的數據訓練模型，自動駕駛汽車再從云端下載錯誤的模型用于決策，決策的準確率就較低；4、自動駕駛汽車需要上傳大量數據到云端中心，對通信網絡造成很大的負擔，數據上傳速度會較慢，造成模型訓練效率較低，從而自動駕駛決策的效率較低。

發明內容

本發明的目的在于克服上述現有技術存在的缺陷，提出一種應用區塊鏈的自動駕駛汽車模型共享方法，旨在提高自動駕駛汽車決策的準確率和效率。

為實現上述目的，本發明采用的技術方案包括如下步驟：

(1)構建移動邊緣計算網絡：

將安裝有車載傳感器的自動駕駛汽車作為移動節點，將路側單元作為移動邊緣計算節點，并通過m個移動節點組成的移動節點集合V和n個移動邊緣計算節點組成的移動邊緣計算節點集合MECN，構建每個移動節點與每個移動邊緣計算節點之間可以實現無線通信的移動邊緣計算網絡，其中，V＝{v₁,v₂,...,v_j,...,v_m}，MECN＝{MECN₁,MECN₂,...,MECN_i,...,MECN_n}，v_j表示第j個移動節點，m≥2，MECN_i表示第i個移動邊緣計算節點，n≥50；

(2)生成移動邊緣計算網絡中每個節點的密鑰對：