面向动态路网的最优路径GCN深度搜索方法

路网中的最优路径搜索与规划作为位置服务中重要部分受到广泛关注,射频识别技术（RFID）等技术带来的大量交通数据成为了研究的基础与挑战。城市中出行场景对路网动态变化非常敏感,同时城市复杂多变的交通情况、真实路网与移动对象轨迹丰富的时空语义信息,都是动态路网中的最优路径搜索面临的难题。针对这些挑战,在分析现有算法不足的基础上,参考A*算法启发式思想,提出一种基于图卷积网络进行深度搜索的机器学习模型GCN-Search。模型首先通过时空图卷积网络,聚合相邻区域与过往时段的时空信息,对城市出行所依赖的路网近期动态变化进行建模;其次扩展路径搜索的深度,定义节点的深度估价值,并使用神经网络替代人工设计的估价函数,搜索利于路径整体最优的节点,直到生成最终路径。在某交管局提供的RFID数据集上进行的对比实验表明,GCN-Search算法可以有效利用RFID数据中的时空语义信息,提升动态路网出行的最优路径搜索的准确率。     

基于索引的并行图可达性查询算法

随着图数据库(Graph Database)的不断发展,各种应用程序中都存在着大规模图数据,使得图的可达性查询算法受到了广泛的关注.然而由于其空间消耗与查询效率难以平衡,图可达性查询算法面临着严峻的挑战.基于串行运算的传统图查询算法,很难发挥现有多核心处理器的计算性能.针对上述问题,提出了一种基于双链表的索引,称为2-lists.该索引表由两部分组成,其中一部分存储图数据的信息,另一部分辅助索引,实现顶点的随机访问.基于该索引,提出了一种并行化深度优先搜索算法(Parallel Depth-First Search, PDFS).该算法利用多线程技术,并为每个线程分配独立的存储空间.通过对线程工作量的监督,为线程的指定缓冲区分配指定数量的任务,进而完成负载平衡.在斯坦福SNAP(Stanford Network Analysis Platform, SNAP)实验室的公开数据集上的实验结果表明,2-lists索引占用的空间更小,基于2-lists的并行化深度优先搜索算法的表现更好.     

面向多无人系统的安全协同模型

随着无人系统技术的不断发展,多无人系统的协同控制技术受到了广泛的关注。设计合理的协同模型是多无人系统中的重要研究内容,而已有协同模型在开放的网络环境中存在一定的安全性问题。在分析已有模型的不足的基础上,提出了一种具有安全特性的多无人系统协同模型RCC(Rules Combined Coordination)。RCC模型在协同过程中引入了逻辑规则,提供了终端的合法性认证及通信双方的权限控制,保障了多无人系统的安全性。最后,基于开源机器人系统ROS及RCC模型,搭建了多无人车的协同仿真平台,并在其中设计了导航、避障等实验场景,仿真实验的相关结果验证了RCC模型具有可用性和安全性。