基于车载以太网的任务卸载方案

现代汽车总线的电子电气(E/E)架构开始从基于CAN总线的分布式架构向通信容量更大的基于车载以太网的集中式架构发展,但车内计算资源分布不平均,集中式网络的中央设备计算能力显著高于其他边缘端设备。由于智能汽车边缘端设备的计算任务不断在增长,为应对增长的边缘端计算任务需求,降低计算延时,研究在集中式E/E架构中实现有效的计算任务卸载方案,对车载以太网的通信特点进行分析,以车载中央计算机为核心对车内域控制器的计算任务进行卸载。针对车载以太网AVB通信协议的特点,结合数据分级和整流算法获得计算卸载的延时模型,进而建立边缘计算任务延时最小化的目标优化方程,并采用改进遗传算法进行迭代求解,最终收敛求出任务卸载的最优参数。实现了在满足复杂车载条件约束条件下降低车内计算任务时延的目标,仿真实验结果表明所提方法可以有效降低车内计算任务延时,在集中式E/E架构的车内网络上实现了计算资源的充分利用。     

基于QNX的远程车载酒驾智能监控系统

随着车辆酒驾事故的频现,车载酒驾监控系统已成为现代新型车辆的核心辅助驾驶单元。由于传统酒驾监测仪主要靠呼气模式对司机进行不定期抽检,严重影响酒驾监测的实时性和便捷性。为此,提出基于QNX的远程车载酒驾智能监控系统方案,采用以实时性和安全性著称的QNX系统搭建车载终端软件平台;引入气敏性酒精传感器来实时计算以司机驾座为中心的酒精浓度;设计基于GPRS的远程无线通信系统来实时监控车辆酒驾等级。实验表明,该方案不仅能有效降低酒驾事故发生频率,而且极大提升了车辆辅助驾驶的互联性和智能性。     

基于机器视觉的轻量级驾驶辅助系统

为了解决计算机视觉应用中数据量大、算法复杂的问题,根据道路结构特征和车辆行为特征,采用单个摄像头作为传感器,实现了一种轻量级的安全辅助驾驶系统。首先采用改进的边缘提取算法和车道线检测算法对摄像机内外参数进行离线标定;接着根据标定结果在二维平面图像上采用标识出实际空间距离的多窗口划分方法,并按不同的车间距将不同窗口划分为不同安全系数的区域,以赋予道路视觉检测的几何先验知识;当区域中出现障碍物时发出相应警示信息进行安全驾驶辅助,能为智能辅助驾驶提供轻量级的视觉检测平台。以便携式计算机和固定在车内的摄像头作为实验装置,在城市道路上进行车载实验。系统在车载实验中能够快速地提取车辆两侧的车道线,并利用离线标定的结果快速生成不同安全系数的警示区域,其中车辆在车道内正常行驶时的误检率和漏检率很小,可以忽略不计。与传统的驾驶辅助系统相比,本系统计算量大大降低,检测流程得到简化,可实现轻量级的车道和车辆检测,为系统在嵌入式系统上的实现奠定基础。     

矿用车载计算显示控制单元的设计与应用

在露天矿山领域,辅助作业有人驾驶车辆匹配智能驾驶的矿用卡车协同作业的需求成为新的行业热点。辅助作业有人驾驶车辆存在多种车型,而且协同作业的场景也复杂多样,协同作业的难度很大。文章对协同作业管理系统中的核心部件进行研究,提出了一种集成车载计算控制功能和人机交互处理功能的车载计算显示控制单元设计方法。其采用模块化设计方法对车载计算显示控制单元的系统构架、系统软硬件结构及应用软件架构进行了设计,并根据协同作业应用特点,采用人机交互设计方法,提出3种典型的应用软件界面自动适配方案。该方法采用了以同一套软硬件覆盖所有协同辅助作业车型的方案,可降低前期开发和后期维护的成本,具有良好的工程应用前景。依据本方法设计的车载计算显示控制单元在某露天煤矿进行了应用,实现了多种车型的装车,应用过程中,所有协同车辆整体辅助无人矿卡全流程作业,配合运行流畅、设备运行稳定。     

基于雷达及北斗定位的车内防遗监测系统设计

针对近年来车辆驻停后滞留车内人员受高温致死和车内气体污染等伤害的安全问题,设计了一种基于MIMO(Multiple-Input Multiple-Output)雷达及高精度北斗定位的车内人员防遗监测系统。该系统使用MIMO雷达作为人体探测的手段,采用高精度北斗定位的车辆运动检测方法,融合现有成熟的温度、气体传感器技术、4G通信技术,并使用基于Matlab APP Designer的上位机软件作为硬件配置及测试软件;系统的车载终端硬件系统具有独立、小型化的特点,能在车内多个地方布置,在上位机平台可观察各传感器的数据变化。系统实现了车辆运动检测、车内人体探测、车内环境监测、数据无线上传等功能,验证了系统在车内监测的可行性,为车载生命监测提供了一种独立、便捷、高效的新方法。     

基于驾驶行为和速度的车内网CAN数据防注入攻击

由于车内网的开放性以及协议缺陷,其总线中数据的安全性及有效性分析是目前亟待解决的问题.利用车内CAN总线网络协议中车辆速度以及刹车油门等驾驶行为信息,提出了针对车内网CAN网络数据的防注入攻击模型.首先,基于攻击模型的分析与注入攻击特点,构建了基于驾驶行为-速度的结构模型.其次,基于该模型,利用朴素贝叶斯网络分类器,提出了面向车内网CAN数据防注入攻击分析模型,从而对接收到的车内网CAN协议中车辆行驶速度进行了有效性分析.最后通过实验仿真与验证,其结果表明,该方法能够有效地提高数据质量分析准确度.     

VANET中基于车辆分簇的协作缓存策略

随着智能交通系统的发展,移动车辆不仅需要地图信息,还需要更多娱乐内容,而整个网络的容量是有限的,这给车载自组织网络带来很大的压力。边缘缓存是在系统的边缘部署缓存,在车载自组织网络中引入边缘缓存技术,可以有效地缓解网络的压力。对车载自组织网络中的缓存策略进行了研究,提出了一种基于车辆分簇的协作边缘缓存策略,可以充分利用车载自组织网络中有限的缓存资源,内容可以缓存在移动车辆和路边单元中,移动车辆可以从簇头和路边单元获取所需内容,不同的内容获取方式会带来不同的请求时延。由于移动车辆和路边单元的缓存容量是有限的,为了降低内容请求时延和成本,构建了一个时延和成本联合最小化的优化问题,并采用蚁群算法对该问题进行求解,以得到最优的缓存放置方案。仿真结果表明,该算法拥有很好的性能。     

一种试验车辆远程监控系统设计

描述了一种试验车辆远程监控诊断系统的设计方案。在试验车辆上安装一个车载PC,利用数据采集单元与车内总线系统相连,通过移动通讯网络实现试验车辆和监控中心的通讯,监控中心能接收车辆实时状态数据,从而完成车辆的远程监控和诊断。     

基于生存理论训练机器学习的智能驾驶路径生成方法

机器学习技术广泛应用于车辆的智能驾驶,其中模型训练是该技术的关键,由于训练数据难以覆盖全部驾驶情况,使得极端状态下基于机器学习的智能驾驶系统存在失效风险,会造成重大交通事故.生存理论应用于车辆的道路安全态势感知具有理论优势,能客观地计算出车辆最大的高维生存空间,但该理论迭代计算繁琐,输出结果所需时间较长,无法满足高速车辆的实时控制,且生存核表面复杂,智能驾驶系统难以直接使用,需要将生存核转化为局部最优路径.鉴于此,设计一种基于生存理论的局部路径规划机器学习训练方法,通过对多种机器学习方法的特点进行分析,最终选定径向基神经网络来输出生存核中线投影.通过对比两种网络训练数据的输出效果,分析参数敏感性以及泛化能力,论证所提出训练方法的合理性.仿真实验表明,所训练的机器学习模型可快速输出高精度、大裕度的道路优化路径,即使使用简单的控制律也能实现无人车辆的大曲率转弯.由于所提出机器学习方法的安全性具有理论保障,又能大幅提升安全计算的实时性,在智能驾驶领域拥有广阔的应用前景.     

带有拥挤程度指示的图形化公交站牌设计

针对当前智能公交系统中电子站牌缺少车内拥挤程度显示的问题,设计全新的图形化公交站牌,提出一种基于超声波技术的拥挤程度检测方法。结合超声波测距、全球定位系统和通用分组无线服务技术改进传统车载终端,通过超声波测距确定各个超声波传感器下是否有乘客站立,对检测到乘客站立的传感器数量进行统计,以此推断车内的拥挤程度。设计开发图形化公交站牌,实现拥挤程度实时检测、行车路线实时标注和到站距离预测等功能。实验数据表明,该系统可靠性高,能准确反映车内拥挤程度,直观显示车辆位置,准确预测到站距离,满足智能公交系统的要求。     

L-YOLO:适用于车载边缘计算的实时交通标识检测模型

在车载边缘计算单元中,由于其硬件设备的资源受限,开发适用于车载边缘计算的轻量级、高效的交通标识检测模型变得越来越迫切.文中提出了一种基于Tiny YOLO改进的轻量级交通标识检测模型,称为L-YOLO.首先,L-YOLO使用部分残差连接来增强轻量级网络的学习能力;其次,为了降低交通标识的误检和漏检,L-YOLO使用高斯...     

车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均(Auto-Regressice Mo-ving Average,ARMA)模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态(行驶的方向、行驶的车道、车辆的速度和加速度)。首先,开发了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络（Bi-LSTM）及全连接神经网络（FC）的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。     

车载边缘计算中基于信誉值的计算卸载方法研究*

将移动边缘计算（Mobile edge computing, MEC）引入车载自组网形成车载边缘计算,从而使服务提供商直接利用MEC服务器在网络边缘服务用户,以提升用户体验质量和丰富用户满意度。随后,研究在车载边缘计算环境下车辆用户的计算卸载问题。针对此问题,提出相应的系统模型与使用讨价还价博弈方法以解决MEC服务器如何根据不同的任务要求与车辆信誉值分配自身的计算资源以执行不同的卸载任务。最后,通过实验仿真,验证了方案的有效性和可靠性。算资源以执行不同的卸载任务。最后,通过实验仿真,验证了方案的有效性和可靠性。     

V2X异构车载网络下智能任务卸载策略研究

随着自动驾驶技术的迅速发展,车辆日益增长的处理需求与资源受限的车载处理器之间的矛盾日渐突出.车载边缘计算的出现解决了车载资源的物理限制,增强了单个车辆的计算能力.然而,由于车载服务通常具有时延敏感性,如何选择合适的通信接入技术,更好地满足自动驾驶场景中时延要求便成为一个挑战性难题.鉴于此,综合考虑两种V2X通信接入技术,即短距通信(DSRC)和基于蜂窝网的车载通信(C-V2X),提出一种V2X异构车载网络任务卸载模型.首先分析车辆移动性特征,并对车载资源进行虚拟化处理;然后基于半马尔科夫决策过程原理对任务卸载问题进行建模,分别制定状态、动作、奖励和转移概率;最后基于强化学习智能算法获取最优任务卸载策略,并通过大量数值仿真实验验证其任务卸载性能优于贪婪算法.     

基于改进SMDP的车载任务卸载决策算法

针对边缘服务器的负载过重问题,可以将路边空闲车辆以及移动车辆应用虚拟化技术整合成资源池,为时延敏感类任务提供弹性服务;由此建立了一个分组传输的通信系统模型,为降低二进制指数退避算法中的信道碰撞概率,采用基于网络车辆节点的数量来适当调整最小竞争窗口的方法;结合分配资源的时序决策特点,提出车载边缘计算系统中基于改进的半马尔科夫决策过程的计算卸载策略,在制定系统动作的最优策略时,引入带有余弦项的非线性权重因子,对立即收益和未来期望收益进行动态加权,根据贝尔曼方程进行价值迭代,实现系统长期收益的最大化;仿真结果表明,所提策略能有效降低卸载时延,提高系统吞吐量,同时系统的长期收益也有显著的提升。     

一种基于支持向量机的车载网络异常检测方法

随着人工智能、5G、激光雷达和各类传感器等技术的不断发展与应用,无人驾驶、车联网等应运而生,汽车朝着智能化和网联化不断发展,为人们带来舒适、安全的驾驶体验。同时,网联化也打破了汽车现有的闭环状态,为车载电子系统带来了潜在的信息安全问题。为此,文章提出了基于支持向量机的车载网络入侵检测算法。通过对报文的DATA域的分析,挖掘报文的各字节特点,综合各字节和字节数据的信息熵,构成分类训练样本,训练支持向量模型,以此检测数据的可能异常。通过真实车辆数据实验分析,对模拟攻击的异常检测具有较高的检测率。     

基于物联网技术的智能车载新风系统的设计与实现

当前越来越多的人选择"自驾"出行,车主和乘客对驾驶体验和乘坐舒适性有了新的追求。本文设计了一种基于物联网技术的智能车载新风系统,该系统以STM32F103ZET6单片机为控制中心,利用DHT11温湿度传感器和MH-Z19B二氧化碳传感器检测数据,同时包含了加热器、制冷器和加湿模块、Wifi传输模块等,可以根据传感器所检测的数据自动控制车内温湿度以及二氧化碳浓度,检测数据可以通过Wifi上传至OneNET云平台,车主可以通过手机APP访问云平台,向各功能模块下达指令,实现远程控制。实验证明,该系统具有明显改善车主的驾驶体验和乘客的舒适性的效果。     

移动边缘计算在车载网中的应用综述

移动边缘计算（MEC）技术将IT服务环境与云计算技术在网络边缘结合以提高边缘网络的计算和存储能力,减少网络操作和服务交付时延; 应用MEC的车载网络可以满足车辆对服务延时和通信可靠性的严格要求,提升车辆用户的服务质量（QoS）。对移动边缘计算在车载网中的应用进行分析研究,首先概述MEC的基本概念及架构、典型应用场景;然后介绍MEC在车载网中的应用、基于软件定义网络（SDN）的车载网MEC研究现状以及车载网MEC应用实例;最后给出了车载网中部署MEC所要面临的问题和挑战,并对该领域未来的研究方向进行了展望。     

基于负载特征的边缘智能系统性能优化

边缘智能指利用人工智能算法为网络边缘设备提供数据分析能力的一种服务形式。然而,边缘计算环境比云计算更加复杂和多变。在构建边缘智能的过程中存在很多问题,例如缺乏量化的评价标准、异构计算平台、复杂的网络拓扑、不断变化的用户需求等,其中比较突出的是算法模型的高资源需求与边缘设备资源储备低之间的矛盾。机器学习是边缘智能的主要工作负载,它需要大量的计算资源,然而边缘设备的计算资源有限,两者的供求关系并不匹配,边缘智能负载的部署和优化成为了一个难题。因此,针对边缘智能负载性能优化问题,文中提出了基于负载特征的边缘智能性能优化CECI(Cloud-Edge Collaborative Inference)策略,从模型选择、批量自适应调整和云边协同方面对不同机器学习负载进行了优化。在模型选择方面,使用基于目标权重的模型自适应选择策略,实现在多个条件约束下,综合权衡多个性能优化目标的效果。在批量自适应调整方面,提出了基于开销反馈的批量自适应调整算法,使得模型在运行时能够达到更好的性能。在云边协同方面,通过结合网络状态和用户时延要求设计出了云边协同策略,进而达到了动态利用云端计算资源的效果。实验结果表明,...