面向智能汽车的SOA架构及服务调度机制研究

doi:10.19562/j.chinasae.qcgc.2023.09.006

摘要/Abstract

摘要：

面向服务的架构（service-oriented architecture， SOA）是软件定义智能汽车的核心设计理念。本文对智能汽车SOA软硬件层级进行了分析和归纳，并对影响SOA调度的关键环境因素进行了分类。基于此，本文提出了可拓展功能域的SOA架构，建立了SOA服务层级和服务响应参数模型，设计了SOA服务调度机制。该SOA服务调度机制以服务置信度为核心，综合考虑SOA子服务的服务能力、预计运行时间、负载能耗和运行稳定性等影响因素，实现了当前环境系统约束下的子服务最优选择。在高速路、拥堵道路、低光照隧道场景下，本文采用简化的双层SOA模型进行了模拟仿真验证，结果表明：与不进行服务调度方法相比，本文所提出的SOA架构及调度方法能够在保持相近的服务能力下，降低计算资源及能耗负载约36%，并降低约30%的软件预计服务时间。

关键词: 面向服务的架构（SOA）, 智能汽车, 服务调度, 服务置信度, 服务质量

Abstract:

Service-Oriented Architecture （SOA） stands as the core design concept for software-defined intelligent vehicles. This paper presents an analysis and synthesis of the software and hardware layers of SOA in intelligent vehicles， along with a categorization of key environmental factors influencing SOA scheduling. Building upon this analysis， this paper proposes an extended-domain SOA architecture tailored for vehicles， establishes a model for SOA service layers and service response parameters， and devise a service scheduling mechanism for this architecture. The service scheduling mechanism centers around the concept of service confidence， and takes into account multiple factors such as service capability， estimated runtime， resource consumption， and performance stability of sub-services， to make optimal sub-service selections under the current environmental constraints. Simulation tests are performed using a simplified double-layer SOA model in scenarios including highways， congested roadways， and low-light tunnels. Results indicate that compared to scenarios without service scheduling， the proposed SOA architecture with the scheduling mechanism significantly reduces computing load and energy consumption by approximately 36% and decreases the predicted service time by around 30%， all while maintaining comparable service capacity.

Key words: SOA, intelligent vehicles, service scheduling, service confidence, quality of service

郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.

Jianping Hao,Yanzhao Su,Zhihua Zhong,Jin Huang. Service-Oriented Architecture and Service Scheduling Mechanism for Intelligent Vehicles[J]. Automotive Engineering, 2023, 45(9): 1563-1572.

图/表 16

图1

表1

表2

表3

图2

图3

图4

图5

表4

高速场景硬件层级服务置信度"

参数	种类
参数	摄像头	激光雷达	超声波雷达
$S ˉ$	1.0	1.0	0.4
$C o s t ˉ$	1.1	1.2	1.4
$D L i T$	0.2	0.2	0.8
$C o n f L i$	0.69	0.63	0.07

表4

表5

拥堵道路场景软件层级服务置信度"

参数	MOT种类
参数	立体视觉	传感器融合	深度学习
$T e ˉ$	1.0	0.8	0.3
$C o s t ˉ$	1.1	1.3	1.4
$D M i T$	0.2	0.1	0.2
$C o n f M i$	0.59	0.58	0.61

表5

表6

隧道低光照场景硬件层级服务置信度"

参数	种类
参数	摄像头	激光雷达	超声波雷达
$S ˉ$	0.6	1.0	0.7
$C o s t ˉ$	1.3	1.0	1.1
$D L i T$	0.7	0.2	0.3
$C o n f L i$	0.30	0.76	0.45

表6

表7

隧道低光照场景软件层级服务置信度"

参数	MOT种类
参数	立体视觉	传感器融合	深度学习
$T e ˉ$	1.5	1.2	1.1
$C o s t ˉ$	1.3	1.1	1.3
$D M i T$	0.3	0.2	0.2
$C o n f M i$	0.45	0.53	0.51

表7

图6

图7

图8

图9

参考文献 18

1	孟天闯，李佳幸，黄晋，等. 软件定义汽车技术体系的研究［J］. 汽车工程， 2021， 43（4）：10.
	MENG T C， LI J X， HUANG J， et al. Study on technical system of software defined vehicles［J］. Automotive Engineering， 2021， 43（4）：10.
2	李丹，吕颖，李骏，等. 面向服务的体系架构［J］. 汽车文摘， 2021（10）：6.
	LI D， LV Y， LI J， et al. Service-oriented architecture［J］. Automotive Abstracts， 2021（10）：6.
3	MENARD C， et al. Achieving determinism in adaptive AUTOSAR［C］. Design， Automation and Test in Europe Conference and Exhibition （DATE）， Grenoble， FRANCE，2020.
4	FOSTER I， KESSELMAN C， NICK J M， et al. The physiology of the grid： an open grid services architecture for distributed systems integration［J］. http：//www.globus.org/research/papers/ ogsa.pdf， 2002.
5	徐慧慧. 网格计算中资源调度算法及其模拟技术研究［D］. 济南：山东师范大学，2010.
	XU H H. Research on grid resource scheduling algorithm and simulation technology for grid computing［D］. Jinan：Shandong Normal University，2010.
6	刘佳熙，施思明，徐振敏，等.面向服务架构汽车软件开发方法和实践［J］.中国集成电路，2021，30（Z1）：82-88.
	LIU J X， SHI S M， XU Z M， et al. Development methodology and practice of automotive software based on Service Oriented Architecture［J］. China Integrated Circuit，2021，30（Z1）：82-88.
7	SIM W， LEE S J. End-to-end connectivity design with automotive ethernet & service-oriented architecture［C］. 2018 IEEE-SA Ethernet&IP @ Automotive Technology Day. London： IEEE， 2018.
8	CROW B P， WIDJAJA I， KIM J G， et al. IEEE 802.11 wireless local area networks［J］.IEEE Communications Magazine， 1997， 35（9）：116-126.
9	焉知智能汽车. 自动驾驶软件架构之：中间件与SOA（二）［EB/OL］.http：//www.360doc.com/content/21/1105/19/74487539_1002915319.shtml， 2021-11-05.
	Yanzhi Smart Vehicles. Software achitecture of automotive driving： middleware and SOA（II）［EB/OL］.http：//www.360 doc.com/content/21/1105/19/74487539_1002915319.shtml， 2021-11-05.
10	杜立新. 实时SOA中的服务调度关键问题研究［D］. 济南：山东大学，2012.
	DU L X. Research on key issues of service scheduling in real-time SOA［D］. Jinan：Shandong University，2012.
11	张伟哲，方滨兴，胡铭曾，等. 基于信任QoS增强的网格服务调度算法［J］. 计算机学报， 2006， 29（7）：10.
	ZHANG W Z， FANG B X， HU M Z， et al. A trust-QoS enhanced grid service scheduling［J］. Journal of Computer Science， 2006， 29（7）：10.
12	AZZEDIN F， MAHESWARAN M. Integrating trust into Grid resource management systems［C］. Parallel Processing， 2002. Proceedings. International Conference on. IEEE Computer Society， 2002.
13	MAHESWARAN M. Quality of service driven resource management algorithms for network computing［J］. 2000.DOI：10.1157/13094904.
14	HE X S， SUN X， LASZEWSKI G V. QoS guided Min-Min heuristic for Grid task scheduling［J］. Journal of Computer Science and Technology， 2003， 18（4）：442-451.
15	BADUE C， GUIDOLINI R， CARNEIRO R V， et al. Self-driving cars： a survey［J］. Pergamon， 2021.
16	王艺帆. 自动驾驶汽车感知系统关键技术综述［J］. 汽车电器， 2016（12）：5.
	WANG Y F. Overview on key technology of perceptual system on self-driving vehicles［J］. Auto Electric Parts， 2016（12）：5.
17	张燕咏，张莎，张昱，等. 基于多模态融合的自动驾驶感知及计算［J］. 计算机研究与发展， 2020， 57（9）：19.
	ZHANG Y Y， ZHANG S， ZHANG Y， et al. Multi-modality fusion perception and computing in autonomous driving［J］. Computer Research and Development， 2020， 57（9）：19.
18	李志华，于杨. 基于检测的多目标跟踪算法综述［J］. 物联网技术， 2021， 11（4）：20-24.
	LI Z H， YU Y. A review of multi-target tracking algorithms based on detection［J］.Internet of Things Technologies， 2021， 11（4）：20-24.

自动驾驶域	车身与座舱域		动力与控制域
自动驾驶域	传感器	执行器	传感器	执行器
环境感知传感器（激光雷达、摄像头等）	温湿度传感器	车窗电机	方向转角传感器	动力控制相关硬件暂不能接入SOA服务
	车窗位置传感器	空调电机	车速传感器
	电机位置传感器等	各类车灯等	油门及制动踏板位置传感器等

自动驾驶软件	智能座舱软件			车联网软件
自动驾驶软件	对车智能	对路智能	对人智能	车联网软件
轨迹预测算法、运动目标跟踪算法、避障算法等	根据汽车行驶状态和参数指标，适配汽车最佳运行状态	感知道路状况、拥堵情况等信息，进行计算和路线规划	通过人机交互，感知乘客行为和需求，进行相应调整	车际、车路、车云相关通信软件和算法等

[1]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[2]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[3]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[4]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.
[5]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[6]	刘正发,吴亚,刘佩根,顾荣琦,陈广. 基于特征和标签联合分布匹配的智能驾驶跨域自适应目标检测[J]. 汽车工程, 2023, 45(11): 2082-2091.
[7]	赵树廉,来飞,李克强,陈涛,孟璋劼,唐逸超,吴思宇,田浩东. 基于数字孪生技术的智能汽车测试方法研究[J]. 汽车工程, 2023, 45(1): 42-51.
[8]	邵文博,李骏,张玉新,王红. 智能汽车预期功能安全保障关键技术[J]. 汽车工程, 2022, 44(9): 1289-1304.
[9]	汪梓豪,蔡英凤,王海,陈龙,熊晓夏. 基于单目视觉运动估计的周边多目标轨迹预测方法[J]. 汽车工程, 2022, 44(9): 1318-1326.
[10]	梁旺,秦兆博,陈亮,边有钢,胡满江. 基于改进BP神经网络的智能车纵向控制方法[J]. 汽车工程, 2022, 44(8): 1162-1172.
[11]	赵健,宋东鉴,朱冰,吴杭哲,韩嘉懿,刘宇翔. 数据机理混合驱动的交通车意图识别方法[J]. 汽车工程, 2022, 44(7): 997-1008.
[12]	余嘉星,Aliasghar Arab,裴晓飞,过学迅. 考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究[J]. 汽车工程, 2022, 44(5): 656-663.
[13]	江浩斌,冯张棋,洪阳珂,韦奇志,皮健. 应用于车辆纵向控制的无模型自适应滑模预测控制方法[J]. 汽车工程, 2022, 44(3): 319-329.
[14]	宋东鉴,朱冰,赵健,韩嘉懿,刘彦辰. 基于驾驶行为生成机制的智能汽车类人行为决策[J]. 汽车工程, 2022, 44(12): 1797-1808.
[15]	杨秀建,殷新雨,高晋. 周期型控制结构汽车队列的干扰抑制特性[J]. 汽车工程, 2022, 44(12): 1834-1843.