ІНТЕЛЕКТУАЛЬНІ СИСТЕМИ АВТОМОБІЛЬНОЇ БЕЗПЕКИ НА ОСНОВІ ХМАРНИХ АРХІТЕКТУР
DOI:
https://doi.org/10.26906/SUNZ.2023.4.091Ключові слова:
хмара, мікросервіс, безсерверна архітектура, розподілена програма, безпека, дорога, автомобіль, інтелектуальна системаАнотація
У роботі досліджено інтелектуальні системи автомобільної безпеки на основі хмарних архітектур. Показано взаємозв’язок сучасних систем автомобільної безпеки з технологією Інтернету речей. Охарактеризовано сучасні інтелектуальні системи автомобільної безпеки. Розкрито принципи формування основних функціональних складових систем. Доведено, що безсерверні обчислення є значним зрушенням у способах створення та розгортання додатків розробниками. Наголошено, що абстрагуючи базову інфраструктуру, безсерверні обчислення дозволяють розробникам зосередитись на написанні коду та створенні функціональних можливостей. Незважаючи на деякі обмеження, переваги безсерверних обчислень, включаючи масштабованість, економічність та гнучкість, роблять їх привабливим варіантом для багатьох випадків використання у сфері автомобільної безпеки. Охарактеризовано категорії користувачів системи, це користувачі системи, постачальники послуг з оцінки відповідності, адміністратори системної платформи. Описано принципи формування мікросервісів, зазначається, що у системі автомобільної безпеки результати обмеженого контексту безпосередньо інформують підрозділ мікросервісів. Остаточна конфігурація мікросервісів складається з трьох основних доменів: домен користувача, домен реалізації та домен правила. Сформовано комплексну архітектуру платформи, яку представлено графічно з відокремленням двох основних складових фронтенду та бекенду, описано структуру багаторівневої логіки надання послуг та потік даних у системі. Зазначається, що враховуючи масштабність сучасних інтелектуальних систем автомобільної безпеки запропонована архітектура може бути інтегрована під різні системи такі як виявлення несправності в роботі автомобіля, аварійне керування авто, система підтримки швидкості, тощо. Детально описано процес інтеграції системи та принцип роботи із застосуванням датчиків різного направлення.Завантаження
Посилання
Коростельов М. В., Гнатов А. В. Дослідження активних систем безпеки для автотранспортних засобів / Автомобільний транспорт, 2020. вип. 46. С. 40-46. DOI: 10.30977/АТ.2219-8342.2020.46.0.40
Інтелектуальна транспортна система міста. Адаптивне керування рухом / Алексієв О.П., Алексієв В.О., Неронов С.М., Дьяков А.Е. // Матеріали конференції КІТ-2022, Харків, ХНАДУ, 2022. С. 134-136.
Бортові системи інтелектуального автомобіля / Мигаль В.Д., Бажинова Т.О., Іванов А.А. // Матеріали Всеукраїнської науково-практичної конференції «Автомобільний транспорт в аграрному секторі: проектування, дизайн та технологічна експлуатація» – 2019. Харків, 2019. С. 95-96.
Lin Dianchao, Li Li. (2023). An Efficient Safety-Oriented Car-Following Model for Connected Automated Vehicles Considering Discrete Signals. IEEE Transactions on Vehicular Technology. PP. 1-13. 10.1109/TVT.2023.3257048.
Wang Yu, Wu Jie, He Hanfu. (2023). Research on Sound-Guided Design of Lane Departure Scenarios in Intelligent Car Cockpit. 10.1007/978-3-031-35678-0_13.
Song Dongjian, Zhu Bing, Zhao Jian, Han Jiayi, Chen Zhicheng. (2023). Personalized Car-Following Control Based on a Hybrid of Reinforcement Learning and Supervised Learning. IEEE Transactions on Intelligent Transportation Systems. PP. 1-16. 10.1109/TITS.2023.3245362.
Liu Yang, Fan Yingqi, Huang Darong, Mi Bo, Huang Liyuan. (2022). Formal Model and Analysis for the Random Event in the Intelligent Car with Stochastic Petri Nets and Z. Security and Communication Networks. 2022. 10.1155/2022/3288308.
Elsamadisy Omar, Shi Tianyu, Smirnov Ilia, Abdulhai Baher. (2023). Safe, Efficient, and Comfortable Reinforcement-Learning-Based Car- Following for AVs with an Analytic Safety Guarantee and Dynamic Target Speed. Transportation Research Record Journal of the Transportation Research Board. 10.1177/03611981231171899.
Chen Xingyu, Bai Haijian, Ding Heng, Gao Jianshe, Huang Wenjuan. (2023). A Safety Control Method of Car-Following Trajectory Planning Based on LSTM. Promet - Traffic&Transportation. 35. 380-394. 10.7307/ptt.v35i3.118.
Li Maosheng, Fan Jing, Lee Jaeyoung. (2023). Modeling Car-Following Behavior with Different Acceptable Safety Levels. Sustainability. 15. 6282. 10.3390/su15076282.
Wang Shufeng, Wang Xinkai, Wang Shihao. (2022). Lane Change Decision and Trajectory Planning for Intelligent Cars in Curved Road Scenarios. 10.3233/ATDE221112.
Peng Liqun, Huang Ju, Zhou Tuqiang, Xu Shucai. (2023). V2V‐enabled cooperative adaptive cruise control strategy for improving driving safety and travel efficiency of semi‐automated vehicle fleet. IET Intelligent Transport Systems. n/a-n/a. 10.1049/itr2.12402.
Kapadia Riya, Mehta Kush. (2023). Advancing Autonomous Navigation: Deep Learning Techniques for Self-Driving Cars. International Journal for Research in Applied Science and Engineering Technology. 11. 1863-1869. 10.22214/ijraset.2023.55491.