(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210946777.1 (22)申请日 2022.08.09 (71)申请人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 刘佳琦　朱倩倩　李登　许虎城　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 丁耀鹏 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06Q 30/02(2012.01) (54)发明名称 车辆群智感知均匀性提高方法、 系统、 设备 及介质 (57)摘要 本发明实施例中提供了一种车辆群智感知 均匀性提高方法、 系统、 设备及介质， 属于计算技 术领域， 具体包括： 依据该批次任务集数量影响 参数规定逼近阈值， 向所有在 线到达的参与者发 布强化规则； 在强化规则影响下， 结合历史数据 中全部参与轮次的逼近速度与本轮预估速度的 对比情况计算强化因子； 更新每轮次发布的最优 单位报酬； 获取参与者上传的投标信息； 平台分 配任务选择参与者； 当逼近值达逼近阈值时， 支 付总报酬， 否则逐轮累积至批次结束再结算， 其 中， 每一轮次若按最优绕行倾向度提供轨迹则以 最优单位报酬结算， 否则仅以成本价结算。 通过 本发明的方案， 使参与者均匀分布在特定位置， 提高了完成任务覆盖率， 保障了有效的激励效 果。 权利要求书4页 说明书15页 附图5页 CN 115018216 A 2022.09.06 CN 115018216 A 1.一种车辆群智感知均匀性 提高方法， 其特 征在于， 包括： 步骤1， 依据该批次任务集数量影响参数规定逼近阈值， 向所有在线到达的参与者发布 强化规则， 并提前设计逐轮完成任务后需公布的逼近速度来更新每轮获得的强化规则中的 逼近值； 步骤2， 在强化规则影响下， 结合历史数据中全部参与轮次的逼近速度与本轮预估速度 的对比情况计算 强化因子， 并计算在强化因子作用下行驶距离的分配情况得到参与者的最 优绕行距离； 步骤3， 依据基于强化因子预估的用户选择效用预估最优绕行距离后， 以此整合平台效 用公式， 以平台效用最大化 为目标， 更新每 轮次发布的最优单位报酬； 步骤4， 获取参与者上传的投标信息， 其中， 投标信 息以最优绕行距离为基准， 提供多条 可供选择 的轨迹， 参与者前两轮默认以最短距离为基准提供轨迹， 而后需基于绕行倾向度 提供轨迹才会被选中以最优单位报酬进行 结算； 步骤5， 平台分配任务选择参与者， 每轮为达到最大社会总福利来决定获胜者， 优先选 择带来社会总福 利最高的参与者， 选择轨 迹分配其中未完成的任务； 步骤6， 当逼近值达逼近阈值时， 支付总报酬， 否则逐轮累积至批次结束再结算， 其中， 每一轮次若 按最优绕行倾向度提供轨 迹则以最优单位报酬结算， 否则仅以成本价结算。 2.根 据权 利要 求 1 所 述的 方 法 ， 其 特 征 在 于 ,所 述 逼 近 值的 更 新 公 式 为 ， 其中， 为逼近值的规模即代表 成功的阈值， 、 ， 分别代表逼近机制增长 率、 时间轮次的相关参数， 是一个正实数， 若 =1曲线为Logistic函数， 曲线为 Bertalanffy函数， 若 收敛到0， 则曲线收敛到Gompertz函数， 与参与者完成轮次t成 正比， 即 ， 瞬时增长率 随t的增加先增加后减小至趋于零，  当 时， 达到峰值 ， 逼近速度设定为该瞬时增长率 ， 当 前从低到高加快。 3.根据权利要求2所述的方法， 其特征在于,所述结合历史数据中全部参与轮次的逼近 速度与本轮预估速度的对比情况 得到强化因子的步骤具体包括： 当平台预估参与者在参加第t轮任务上报绕行意愿时， 以第t ‑1轮任务的逼近速度和平 台所发布的最高逼近 速度为参照对第t轮的逼近 速度进行 预估： 权　利　要　求　书 1/4 页 2 CN 115018216 A 2其中， 代表个体的估计偏差程度， 参与者 处于风险损失时 ， 其值越小表 示个体越容易高估逼近速度， 若   时表示个体本轮估计与上轮逼近速度一致， 保持 不变； 当参与者预估本轮逼近速度后， 对已得的逼近速度进行评估， 得到强化因子的大小， 其 中， 定义第t轮时， 距其m轮的第t ‑m轮的逼近 速度对于参与者 的强化公式为： 定义第t轮时， 距其m轮的第t ‑m轮对于参与者 的权重系数为： 其中 表示弱化系数， ； 参与者在第 轮对单位报酬的强化感知强度为： 。 4.根据权利要求1所述的方法， 其特征在于,所述计算在强化因子作用下行驶距离的分 配情况得到参与者的最优绕行距离的步骤具体包括： 设第t轮时参与者 可支配最大行驶距离为 ， 参与者对于自身行程的分配表示为 ， 其中 表示参与者计划参与感知任务的行驶距离， 该值体现绕行倾向 度， 表示参与者未计划参与感知任务的丢弃距离； 将参与者的选择效用分为两部分， 消费 和闲暇 ， 表示参与者将完成任务以后 获 得的报酬进行消费产生 正效用， 同样的， 参与者在未参与任务休息时也会产生 正效用； 细化消费 ， 将其定义为 ， 其中 表示完成任务后 平台提供的单 位距离报酬， 平台 需预估参与者的单轮选择效用， 将用户效用函数 取为： 其中 为由强化感知强度表示的强化因子 ； 根据预估的用户效用公式得到当最大化用户效用时， 计划行驶距离需满足条件： 当参与者计划的绕行距离满足 时， 参与者效用 达到最大化， 得到参权　利　要　求　书 2/4 页 3 CN 115018216 A 3