车联网环境下干线交通信号协调控制方法

针对目前车联网环境下仅进行车速诱导的干线协调信号控制方法存在的绿灯利用效率不高问题,借助车辆与基础设施间的双向信息交互功能,考虑车速诱导与信号控制方案双向优化,以形成饱和车队为目标,提出一种新的干线交通信号协调控制策略.在此基础上,定义每个周期每个交叉口处待处理车辆的到达时间范围;并对车辆延误和停车次数进行加权,形成一...     

基于车联网的酒驾疲劳预警监测管理系统

酒驾、疲劳驾驶是造成重大交通安全事故的重要原因,对驾驶员的酒驾、疲劳状态进行监测以及预警是汽车安全技术研究的重要领域。该文研究克服现有技术成本高、精度低、检测程序复杂等特点,采用基于眼部特征识别疲劳驾驶的理论,基于Matlab编程采集驾驶人典型疲劳状态,结合基于单片机的酒精检测预警模块,完成酒驾疲劳检测平台的搭建。研发模块化APP和Web终端车联网监控管理系统,将酒驾、疲劳模块整合到车联网系统中。模块化特点,可以结合不同的交通需求,打造多传感器平台,构成整体车联网系统,实现交通安全的全方面监管,打造智慧交通网络。研究成果对交通安全和智慧城市的建设具有重要的研究意义。     

平行车联网:基于ACP的智能车辆网联管理与控制

本文将平行智能方法引入智能车辆的网联化管理与控制, 提出平行车联网的概念、框架、功能与流程.平行车联网致力于通过人工车联网与物理车联网的虚实互动、协同演化与闭环反馈, 为人-车-路-智能交通信息网一体化的智能交通系统增加计算实验与平行引导的功能, 实现描述、预测与引导相结合的车联网智能, 有效解决异构、移动、融合的交通网络环境下智能车辆的管理与控制问题.     

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.     

面向针对性攻击的SDVN控制层鲁棒性方案

将软件定义网络应用于车联网能显著提升其性能,但该方法也面临传统SDN要应对的安全问题.基于软件定义车联网体系架构中控制平面可能面临的针对性节点攻击问题,提出一种鲁棒的控制器放置方法.该方法结合传统的SDN控制平面部署问题,首先将控制平面鲁棒性问题建模为交换机与控制器的连通冗余性问题,提升交换机在极端情形下与控制器的连通...     

车联网场景下基于内容中心网络的优化缓存策略

车联网中,如何有效选择缓存位置和缓存内容对于提高整体网络性能至关重要。针对上述问题,引入了内容中心网络技术,提出了一种新的优化缓存策略——缓存位置和缓存内容的选择取决于车辆节点值和内容流行度(Vehicle Node Value and Content Popularity,VNVCP)。首先,定义了连通性、中间中心性和特征向量中心性3个车辆节点属性用来评估车辆节点的值,具有不同值的车辆节点缓存具有不同流行度的内容,内容的重要性由其受欢迎程度决定。其次,该策略利用不同类型内容受欢迎程度的差异确保缓存内容分布均匀,同时评估来自多个属性的车辆节点的值以提高车辆节点利用率。仿真结果表明,VNVCP在缓存命中率、平均跳数和传输延迟方面明显优于传统的LCE(Leave Copy Every where)、Prob(0.5)和MPC(Most Popular Content)。     

5G NR通信雷达一体化系统雷达性能分析

随着无线通信5G/6G技术的发展,基于通信雷达一体化(RadCom)技术的新兴业务不断涌现。为实现基于5G新空口(NR)的RadCom,需考虑3GPP定义的最新5G NR无线通信标准所涵盖的多种部署场景,然而,在不同场景中雷达探测性能会受限于5G NR参数集。因此,需在特定的场景下,探索采用不同5G NR参数集的雷达探测性能。以车联网(IoV)场景的雷达探测需求和基础雷达性能参数计算准则为约束,给出了不同5G NR参数集条件下的雷达探测性能仿真分析,为未来基于5G NR标准及其部署场景的RadCom系统设计及优化给出指导性建议。     

一种采用联邦深度强化学习的车联网资源分配方法

在车联网中,为了充分利用可用资源,车到车(Vehicle to Vehicle,V2V)链路需要动态地复用固定分配给车到基础设施(Vehicle to Infrastructure,V2I)链路的信道。传统的集中式信道资源分配方法会产生较大的通信开销,也难以适应转瞬即逝的车辆环境。为此,提出了一种基于分布式联邦深度强化学习(Federated Deep Reinforcement Learning,FDRL)的信道资源分配方法。首先,所有V2V智能体基于局部观察的环境信息独立地训练自己的模型,但彼此间保持相同的奖励以激励它们相互协作进而达成全局最优方案;然后,这些V2V智能体通过基站的帮助聚合部分模型参数,以增加接入公平性并加快模型学习效率。通过上述两阶段的迭代训练,每个V2V智能体训练出独特的决斗深度神经网络信道接入决策模型。仿真结果表明,所提出的FDRL方法与现有的优化方法相比具有更高的V2I链路总容量和V2V链路传输成功率。     

车联网中基于任务紧急性的联合卸载方案

在车联网中,任务卸载可以有效地解决车辆的存储资源和计算资源不足的问题,单个的MEC(mobile edge computing)服务器通常无法满足车辆密集区域的任务卸载需求。针对上述不足,设计了一种多MEC服务器的联合卸载方案(joint offloading method based on task urgency, JOMTU)。车辆递交任务卸载请求给本地MEC服务器时,后者在负载严重的情况下,会根据任务的紧急性和服务器负载情况等因素,将任务发送给附近MEC服务器处理以满足任务的截止日期要求。仿真实验结果表明,与传统的方案相比,所提出的方案将系统的整体任务失败率降低17%,并且优化了整个网络的服务器负载情况、增加了网络的可靠性。