面向车辆与参数服务器双向选择的联邦学习算法

联邦学习框架正逐渐被广泛应用于车联网领域,针对车辆的移动性特点以及大量车辆联邦学习时同时接入参数服务器交互参数易产生的通信拥塞的问题,提出了一种基于模糊逻辑的车辆选择和基于演化博弈的参数服务器选择算法。通过设计模糊逻辑算法,考虑车辆的移动性、设备条件以及数据量因素来选择通信连接较稳定、计算能力较强和数据量多的车辆参与联邦学习。采用演化博弈进一步刻画选出的车辆自主决策选择参数服务器的过程,平衡联邦学习模型准确度以及产生的通信和计算成本,从而避免通信拥塞并最大化车辆个体利益和整体利益。仿真验证了大量车辆场景下所提出算法的性能,实现模型训练的低成本、高精度。     

车载边缘计算研究综述

随着计算密集和时延敏感型车辆应用的爆炸式增长,集中式云架构产生了高工作负载和任务时延阻塞。为了保证服务质量,车载边缘计算应运而生,这种计算模式将计算能力和存储资源,推移到离数据源更近的边缘服务器或边缘网关等边缘节点上,通过在边缘节点进行实时数据处理和决策,可以显著地减少数据传输时延。首先介绍了车载边缘计算的基本概念,接着对现有研究进行了梳理分类,最后讨论了对车载边缘计算的展望和未来研究方向。     

边缘智能下基于强化学习的车联网路由协议

为实现复杂城市车联网环境下高可靠、自适应的数据包路由协议,提出一个端-边-云边缘智能架构,该架构包括终端用户层、边缘协作层和云计算层。在所提边缘智能架构的基础上,设计了一个基于多智能体强化学习的数据包路由协议。实验结果表明,相比于现有的紧急消息传输机制、基于交叉路口雾节点的分布式路由协议和基于双深度Q网络的路由协议,所提协议在消息传输时延和接收率方面分别取得29.65%～44.06%和17.08%～25.38%的优化。     

车联网V2I场景下基于GNN的SC-FDMA智能信道估计

随着车联网的迅猛发展,车对路基础设施（Vehicle to Infrastructure,V2I）通信对车联网的可靠性和时延提出了更高的要求,而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题,本文提出基于图神经网络（Graph Neural Network,GNN）的单载波频分多址（Single Carrier-Frequency Division Multiple Access,SC-FDMA）智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边,将图化后的数据送入GraphSAGE信道插值器（GraphSAGE Channel Interpolator,GCI）中,通过边更新、聚合操作、节点更新三大模块进行网络训练,同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道,使得网络具备可解释性.最后,系统仿真验证了在不同速度环境下算法的有效性和鲁棒性,较线性插值、样条插值以及全连接网络,本文所提GCI在低、中和高速移动环境下具有最优的...     

车载边缘计算卸载技术研究综述

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的...     

面向C-V2I的基于边缘计算的智能信道估计

车联网对于超高可靠与低时延通信(Ultra-Reliable and Low Latency Communications,URLLC)具有严格的要求,特别对于车到基础设施(Vehicle to Infrastructure,V2I)场景,URLLC对传输管理交通状况至关重要.3GPP Cel-lular-V2X(C-...     

基于计算控制通信融合的车联网资源协同优化技术研究

车联网高度动态且业务种类多样,安全业务和非安全业务并存。如何同时满足差异化的业务需求,是车联网面临的重大挑战。分析了计算、控制与通信等要素在车联网中的融合方式,并指出以协同管理多维资源提升驾驶安全性和业务体验质量的必要性。针对业务特点分别介绍了面向自动驾驶的控制与通信融合机制、面向信息娱乐业务的计算与通信资源协同管理机制以及面向差异化业务并发的多维资源协同管理机制,最后基于相关挑战展望了该领域未来的技术发展趋势。     

基于群智感知判别交通拥堵的研究

智能交通系统以及应用的研究吸引了学术上和工业上的科研工作者们越来越多的关注,广泛利用传感器和通信技术帮助交通管理部门和驾驶员获取信息作出决策和安全舒适的驾驶体验。文章主要阐述以群智感知方式利用智能手机与车载电脑(OBD)互联获取车辆行驶信息和位置信息等数据判别交通拥堵情况的方法。     

混合交通下基于车联网的无线集群智能轨迹预测算法

5G网络是车联网(Internet of Vehicles, IoV)发展的关键一步,其低时延的特点可以实现自动驾驶车辆对前方实时交通信息感知的需求,为预先制动、提前绕行等驾驶行为提供参考。针对混合交通场景中手动驾驶车辆可能会出现的危险驾驶行为,基于长短时记忆(Long Short-Term Memory, LSTM)网络和无线集群学习框架,提出了一种基于车联网的无线集群智能轨迹预测(Swarm Learning-based Trajectory Prediction, SLTP)算法。SLTP算法以智能网联汽车为研究对象,在使用去中心化的无线集群学习保护用户隐私数据的同时,使用车车无线通信系统感知周边手动驾驶车辆的历史轨迹信息并给出轨迹预测。通过使用美国高速公路行车NGSIM(Next Generation Simulation)的真实交通数据集评估SLTP的轨迹预测准确性能,评估结果表明,与现有的基于LSTM网络轨迹预测方法相比,SLTP算法在同样的无线通信开销下对于周边手动驾驶车辆的轨迹预测误差降低了43.1%,表明SLTP算法在车联网场景下的轨迹预测应用中具有良好的鲁棒性和准确...     

基于无人驾驶车辆的远程数据采集系统的设计

随着汽车技术发展,无人驾驶车辆出现在物流运输、港口输送、公共交通等不同应用场景之中,与之同时带来了更加复杂、复现率低等测试难题。而现有车载设备的数据采集传输均通过监控系统直接采集,针对性强但适用面窄,所以针对此种情况提出了一种满足多种类无人驾驶车辆测试的数据采集系统。