[發明專利]車輛協作動態追蹤中基于殘差均值的惡意用戶檢測方法

有效

• 申請號: 202010082730.6
• 申請日: 2020-02-07
• 公開（公告）號: CN111292538B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 程翔;皮旺
• 申請（專利權）人: 北京大學
• 主分類號: G08G1/017
• 分類號: G08G1/017
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

本發明公布了一種車輛協作動態追蹤中基于殘差均值的惡意用戶檢測方法，稱為殘差均值檢測MRED，該檢測方法充分利用一段時間內車輛的所有歷史動態信息觀測值，通過選取參考序列將各車輛的歷史觀測值序列轉換為殘差和殘差平方序列，進而得到各車輛的觀測序列對應的殘差和殘差平方均值，并進一步檢測識別出車輛協作動態追蹤中的惡意用戶。采用本發明提供的技術方案，能夠有效提升協作動態追蹤的安全性能，提高惡意車輛用戶檢測的準確性。

技術領域

本發明屬于信號處理技術和智能交通技術領域，具體涉及一種應用于車聯網中車輛協作動態追蹤場景下對發送虛假信息的惡意用戶的序列檢測方法，可以通過對所有協作車輛發送的歷史信息序列進行時序信號殘差均值處理和聚類來檢測得出惡意用戶，從而有效提升協作動態追蹤的安全性能，提高檢測的準確性。

背景技術

車聯網(Vehicular Network)，自動駕駛系統(Autonomous Driving Systems)和智能交通系統(Intelligent Transportation Systems)等智能系統將在未來十年內極大地提高交通系統的效率并減小交通事故發生的可能性。車輛的動態信息：即車輛的位置，速度和加速度，在上述智能系統中的路線規劃、車輛調度和緊急避險等絕大多數控制任務中都起到了極為重要的作用，是上述系統正常運轉所必需的基本信息。為了確保系統中車輛及乘客的安全，各個車輛必須持續獲取自身和周邊車輛的實時動態信息，并且對動態信息的可靠性、精準度和穩定性有著極高的要求。

就獲取可靠且準確的實時自身動態信息而言，目前大規模應用的僅基于全球定位系統(Global Positioning Systems,GPS)的動態追蹤方式遠遠達不到自動駕駛系統和智能交通系統的可靠性和準確性要求。因此現有研究提出了許多獨立和協作動態追蹤框架來可靠且準確地獲取自身的動態信息。相比與僅依賴本車自身裝載的傳感器(如GPS、IMU、相機和雷達等)來進行動態信息獲取的獨立動態追蹤，基于V2V(Vehicle to Vehicle)通信的協作動態追蹤通過融合周邊協作車輛和車輛自身車載設備對本車的觀測信息，能夠實現更可靠、準確和穩定的自身動態信息追蹤。

但是現有普通的協作動態追蹤框架相比于獨立動態追蹤也具有一個固有的缺點，那就是沒有考慮到協作車輛中可能存在的發布虛假動態信息的惡意用戶。因此如果存在相當比例的惡意用戶向本車發送虛假的動態信息，那么通過普通協作動態追蹤框架得到的車輛動態信息將會出現極大的偏移，進而嚴重威脅到該車乃至整個系統的安全性。

絕大多數現有的協作動態追蹤中的惡意車輛用戶檢測工作僅將無線傳感器網絡中安全協作定位問題的檢測方案移植到動態協作車輛追蹤場景中來。這些移植過來的檢測方案將協作車輛動態追蹤中的惡意車輛用戶檢測建模為一個個獨立的準靜態檢測過程，進而沿用了安全協作定位問題中僅利用單次觀測來進行檢測的做法。但是，這種獨立準靜態檢測在協作車輛動態追蹤場景下受協作車輛傳感器誤差的影響較大，使得在惡意車輛用戶發送的虛假信息相對真實信息偏移較小時檢測的準確率不高，進而影響到協作動態追蹤的可靠性。

發明內容

為了克服上述現有技術的不足，本發明提出了一種車輛協作動態追蹤中的惡意用戶檢測方法，可在車輛協作動態追蹤中存在惡意車輛用戶的場景下，通過分析和處理各個協作車輛提供的歷史動態信息序列，檢測出那些發布虛假信息的惡意用戶。本發明能夠和現有的普通協作動態算法進行整合，剔除那些惡意用戶及其發送的虛假信息，進而提高車輛協作動態追蹤的可靠性。

本發明提供的車輛協作動態追蹤中的惡意用戶檢測方法被命名為殘差均值檢測(Mean Residual Error Detection，MRED)，該檢測方法充分利用一段時間內的車輛的所有歷史動態信息觀測值，通過選取參考序列將各個車輛的歷史觀測值序列轉換為殘差和殘差平方序列，進而得到各個車輛的觀測序列對應的殘差和殘差平方均值并進行進一步檢測。該方法能夠顯著地減小協作車輛的傳感器誤差的影響，有效地檢測出那些小偏移的虛假動態信息；包含以下步驟：