智能网联车路云协同系统架构与关键技术研究综述

随着汽车产业电动化、智能化、网联化、共享化的发展驱动, 全球主要强国均将智能网联汽车列为国家战略发展方向. 蜂窝车联网、边缘计算网络和高精度定位系统的技术发展, 为车车、车路、车人和车云系统的全面融合提供了有效支撑. 车辆、道路、云平台与蜂窝车联网(Cellular vehicle-to-everything, C-V2X)网络的融合, 加速打通车内与车外、路面与路侧、云上与云间的信息互通, 为实现车路云一体化的融合感知、群体决策及协同控制提供了重要基础. 首先, 梳理了智能网联车路云协同系统架构与关键技术, 对该领域的演进特征、发展制约因素进行了总体概述; 其次, 阐述了新型车路云协同系统、智能网联C-V2X通信系统、云控系统和车路云协同测试系统的架构设计与工作原理; 然后, 从C-V2X组网、融合定位、测试评价角度, 介绍了车路云协同系统融合V2X网络、融合定位的技术演进与研究进展, 给出了智能网联场景的仿真平台、实车测试及评价指标; 最后, 对智能网联车路云协同系统的协同组网与控制、互操作、边缘智能服务和安全技术层面的发展趋势进行了展望.     

移动自组网性能评价参数的研究及仿真分析

在移动自组网中,路由协议是影响网络性能的关键因素,因而对协议性能评价指标的研究非常重要.目前,对协议性能的评价主要是通过网络仿真平台来进行,在网络仿真中衡量一个协议优劣的重要标准是网络性能评价参数.文中根据移动自组网络的固有特性详细分析了网络性能评价参数,给出了各参数的计算方法.介绍了GloMoSim仿真器,并分析了Glo-MoSim仿真器的结构;给出了各参数在GloMoSim仿真环境下的计算和评价方法,并对DSR、AODV和WRP三个协议进行了仿真与结果分析.     

基于车联网的隐私保护数据聚合研究综述

随着智能网联汽车的普及,用户数据的隐私问题成为了车联网发展中亟待解决的问题。针对车联网聚合方案的研究现状,对当前方案中存在的问题进行分析总结。首先,系统地介绍了车联网中主流系统模型和车联网中常见的攻击模型;其次,对当前国内外应用在车联网中的聚合方案的安全性、效率和优劣进行分析总结,分别从签名阶段聚合方案、用户数据收集和传输阶段聚合方案和云平台处理数据阶段聚合方案三方面对其进行讨论;最后,阐述了车联网聚合方案中存在的问题及解决方法,展望了车联网聚合方案未来的研究方向。     

智能网联汽车变车距队列控制与仿真

智能网联汽车的发展是将来智能交通系统中的一个重要方向,受基础设施条件以及试验成本的限制,目前的测试验证仍以计算机仿真为主。针对现有仿真软件难以满足智能网联汽车测试需求的问题,以开源软件PLEXE为基础,通过对其道路交通模拟器中的车辆动力学模型、通信拓扑结构以及车辆队列控制器等关键模块进行二次开发,设计了面向智能网联汽车队列控制研究的可视化仿真平台,对变车距队列控制算法进行仿真验证。仿真结果表明:上述平台可完成队列控制的可视化仿真,相比其它软件更加直观形象。     

智能网联汽车信息安全挑战与思考

<正>随着智能网联汽车智能化、网联化的技术推动,车联网信息安全威胁也呈现持续升级的态势。车载系统、通信网络和云端平台面临的隐私数据泄露、数据跨境传输、汽车网络渗透等风险急剧提升,车联网相关网络与数据安全事件层出不穷,汽车智能网联信息安全已成为全球汽车产业的重要话题。安全是夯实我国汽车产业健康可持续发展的基石,也是车企数字化转型升级进军海外市场的前提。特别是智能网联汽车与能源、     

无线传感器网络分析与仿真

计算机仿真是通信网络研究的有效评估方法之一。无线传感器网络强调对目标现象及其属性的实时感知能力，支持对感知信息的本地处理和节点间协同处理，而传统网络仿真平台并不支持。从网络体系结构和典型应用场景入手，分析无线传感器网络仿真需求，提出结合传统网络通信性能、能耗控制和基础功能实现的网络性能评价指标，并给出基于NS-2的扩展设计和实现。     

基于局域网和NS仿真器的网络模拟

介绍了NS仿真器的基本原理，对局域网环境下基于Linux操作系统和NS仿真器的网络仿真平台设计进行了分析，目的为网络仿真提供一个可靠、廉价、性能优良的运行环境，并以一个例子说明了如何利用该仿真平台进行网络互联仿真。     

基于统一描述的网络仿真场景高效建模机制

网络仿真是进行网络规划和协议设计的重要手段,设计人员亟需构建高效的仿真系统。针对主流网络仿真器在场景建模方面存在效率不高和灵活性不够的问题,提出一种基于统一描述和中间件适配的高效可扩展的场景建模机制。基于模型层标签高效描述仿真场景,然后通过中间件解析器适配到不同的仿真器,从而大大提高仿真建模效率。最后通过应用实例验证了该场景建模机制的有效性和广泛适用性,对构建高效可扩展的网络仿真系统具有一定的借鉴意义。     

网络仿真技术在CAN总线协议分析中的应用

将网络仿真技术应用于汽车通信网络协议的分析领域,可为汽车通信网络及协议的研究与仿真开发提供模型和辅助分析手段.该文主要考察了目前在汽车领域应用的最广泛的协议之一CAN总线协议.研究其内容与规范,包括CAN总线协议的通信方式、协议的分层模型及功能、通信的流程和实现等.通过比较,选择网络仿真软件OPNET Modeler进行数字仿真,对采用CAN协议的节点设备、链路及网络的仿真建模加以说明,设计仿真输入文件,从总线负载、总线访问、错误处理等方面分别进行仿真比较,评价在这些方面CAN协议的性能,分析CAN总线协议的错误界定机制,最后得出随总节点数增加,交换信息量增大,CAN总线网络性能有下降的趋势的结论.同时也提出进一步可在仿真上所做的改进.     

基于QoS参数的ATM网络性能评价模型

该文对ATM网络的CBR、VBR、ABR三种业务类型采用分组延迟时间作为评价指标,考虑到服务质量指标QoS对网络性能的影响,建立了基于QoS参数的ATM网络性能评价模型,并给出了相应的解析式。利用计算机仿真方法对该模型进行仿真试算,结果表明这种性能评价模型基本可用。     

量子模拟器优化综述

近年来, 不断发展的量子计算已成为众人关注的焦点. 然而, 量子硬件存在稀缺性和噪声等问题, 这使得研究量子算法、验证量子芯片等行为都依赖运行在经典计算机上的量子模拟器. 本文讨论了不同量子模拟器使用的主要模拟方法, 并讨论了主流的全振幅状态向量模拟器和基于张量网络的量子模拟器的各种优化. 最后, 我们总结了量子模拟器的现状和未来发展方向.     

面向智能驾驶测试的仿真场景构建技术综述

随着汽车智能化程度的不断提高,智能汽车通过环境传感器与周边行驶环境的信息交互与互联更为密切,需应对的行驶环境状况也越来越复杂,包括行驶道路、周边交通和气象条件等诸多因素,具有较强的不确定性、难以重复、不可预测和不可穷尽。限于研发周期和成本、工况复杂多样性,特别是安全因素的考虑,传统的开放道路测试试验或基于封闭试验场的测试难以满足智能驾驶系统可靠性与鲁棒性的测试要求。因此,借助数字虚拟技术的仿真测试成为智能驾驶测试验证一种新的手段,仿真场景的构建作为模拟仿真的重要组成部分,是实现智能驾驶测试中大样本、极限边界小概率样本测试验证的关键技术,这对提升智能驾驶系统的压力和加速测评水平显得尤为重要。面向智能驾驶测试的仿真场景构建技术已成为当前汽车智能化新的研究课题和世界性的研究热点,作为一种新兴技术仍面临许多挑战。本文提出了面向智能驾驶测试的仿真场景构建方法,系统阐述了国内外研究工作的进展与现状,包括场景自动构建方法和交通仿真建模方法,重点分析一些值得深入研究的问题并围绕场景构建技术的发展趋势进行了讨论分析,最后介绍了团队相关研究在2020中国智能驾驶挑战赛仿真赛和世界智能驾驶挑战赛的仿真场景应用情况。     

OverSim:可扩展的应用层组播网络仿真框架

应用层组播作为IP组播的一个可行替代方案日益成为Internet应用研究的一个热点。如何仿真大规模、动态的应用层组播覆盖网络已经成为应用层组播方案研究人员面临的一个共同问题。本文在分析当前几款主流的覆盖网络仿真软件的基础上,提出了采用基于OMNet++网络仿真环境的Over-Sim覆盖网络仿真框架来模拟大规模、动态的应用层组播覆盖网络,并在此基础上研究分析可扩展的应用层组播方案。最后我们采用OverSim实现了对应用层组播协议Scribe的仿真并对结果进行了分析。仿真结果表明,OverSim可以在有限的硬件环境下,稳定地仿真高达上万个节点的大规模动态覆盖网络,仿真过程中内存消耗较低,且与覆盖网络规模呈线性关系。     

遥感图像星上智能处理地面仿真模拟系统设计与实现

传统卫星遥感应用模式复杂繁长,无法满足用户越来越关注的实时化遥感服务需求,为卫星配备智能化大脑,一方面可以降低数据传输带宽,另一方面可以提高数据获取的时效性,因此,星上智能处理已经成为遥感卫星发展的必然选择。但星上处理在轨调试困难,现有遥感卫星星上处理平台的地面测试系统都是卫星实验室测试时,针对不同的卫星载荷临时组建,缺乏通用性且并未形成集成化的装置,导致现有遥感图像星上智能处理的地面测试效率偏低。尤其是面对目前星上处理智能化的新需求,缺乏一套高性能、低功耗、全流程的星上处理地面仿真系统。针对遥感数据处理自动化与智能化发展的新特点,提出了一套基于FPGA与GPU相结合的遥感图像星上处理地面仿真模拟系统。该系统能够在地面模拟实现多种载荷的0到1级数据预处理,在预处理的基础上实现智能遥感影像的加速识别,其关键难点在于遥感图像智能处理算法的高计算复杂度和嵌入式计算机有限计算力之间的平衡;遥感图像处理领域的AI专用算法固化和硬件加速之间的平衡;不同卫星平台测试需求和系统架构通用性之间的平衡。本文阐述了仿真平台设计的方法,构建了基本原型并对其进行了验证。测试结果表明：该系统可以较好地完成星上智能处理典型算法地面全流程测试,所有硬件可以直接上星组装,完备度高,对优化和指导卫星地面仿真系统运行管理体系具有一定的参考价值。     

深度知识追踪模型综述和性能比较

知识追踪是一种重要的认知诊断方法,往往被用于在线学习平台、智能辅导系统等信息化教学平台中.知识追踪模型通过分析学生与课程作业的交互数据,即时模拟学生对课程知识点的掌握水平,模拟的结果可以用来预测学生未来的学习表现,并帮助他们规划个性化的学习路径.在过去20多年中,知识追踪模型的构建通常基于统计学和认知科学的相关理论.随着教育大数据的开放和应用,基于深度神经网络的模型(以下简称“深度知识追踪模型”)以其简单的理论基础和优越的预测性能,逐渐取代了传统模型,成为知识追踪领域新的研究热点.根据所使用的神经网络结构,阐述近年来代表性深度知识追踪模型的算法细节,并在5个公开数据集上对这些模型的性能进行全面比较.最后讨论了深度知识追踪的应用案例和若干未来研究方向.     

大规模并行计算机系统并行性能模拟技术研究

性能模拟技术是计算机系统性能评价的重要手段.介绍了面向大规模并行计算机系统以及消息传递应用程序的并行性能模拟技术,总结了相关的关键技术和国内外研究现状.对几个代表性的并行模拟器系统进行了详细介绍.结合并行计算机系统和应用的发展趋势,讨论了未来并行模拟器设计、实现面临的问题和可能的解决方案.     

Modeling discrete event scalable network systems

Scalability in simulation tools is one of the most important traits to measure performance of software. The reason is that today’s Internet is the main instance of a large-scale and highly complex system. Simulation of Internet-scale network systems has to be supported by any simulation tool. Despite this fact, many network simulators lacks support for building large models. In this work, in order to propose a new approach for scalability issue in network simulation tools, a network simulator is developed based on behavior of honeybees and high performance DEVS, modular and hierarchical system theoretic approach. A biologically-inspired discrete event modeling approach is described for studying networks’ scalability and performance traits. Since natural systems can offer important concepts for modeling network systems, key adaptive and emergent attributes of honeybees and their societal properties are incorporated into a set of simulation models that are developed using the discrete event system specification approach. Large-scale network models are simulated and evaluated to show the benefits of nature-inspired network models.     

车辆边缘计算环境下任务卸载研究综述

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计算密集和延迟敏感的任务的一种有效方法.同时,鉴于城市地区拥有大量智能网联车辆,将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值,因此在车联网场景下,结合移动边缘计算产生了新的计算模式——车辆边缘计算.近年来,智能网联车辆数量的增长和新兴车辆应用的出现促进了对车辆边缘计算环境下任务卸载的研究,本文对现有车辆边缘计算环境下任务卸载研究进展进行综述,首先,从计算模型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析.然后介绍了最小化卸载延迟、最小化能量消耗和应用结果质量三种常见的优化目标,并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的归类和比较.此外,本文还介绍了几种常用的实验工具,包括SUMO、Veins和VeinsLTE.最后,本文围绕卸载决策算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结,并展望了车辆边缘计算环境下任务卸载未来的发展方向与前景.