CN111432372B - 确定多个交通状况的方法、设备和计算机可读存储介质 - Google Patents

确定多个交通状况的方法、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN111432372B
CN111432372B CN202010021366.2A CN202010021366A CN111432372B CN 111432372 B CN111432372 B CN 111432372B CN 202010021366 A CN202010021366 A CN 202010021366A CN 111432372 B CN111432372 B CN 111432372B
Authority
CN
China
Prior art keywords
road users
road
traffic conditions
predicted
environmental awareness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010021366.2A
Other languages
English (en)
Other versions
CN111432372A (zh
Inventor
A.E.阿萨德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Volkswagen AG
Original Assignee
Volkswagen AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Volkswagen AG filed Critical Volkswagen AG
Publication of CN111432372A publication Critical patent/CN111432372A/zh
Application granted granted Critical
Publication of CN111432372B publication Critical patent/CN111432372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/149—Network analysis or design for prediction of maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种确定多个交通状况的方法、设备和计算机可读存储介质，用于确定多个交通状况并预测道路使用者之间的连接服务以及道路使用者之间的通信服务质量。所述方法包括从多个道路使用者和多个道路侧基础设施实体，获得多个环境感知模型。所述方法进一步包括：基于多个环境感知模型，针对预先定义的区域生成组合环境感知模型。多个环境感知模型融合在组合环境感知模型内。所述方法还包括：基于组合环境感知模型，预测将来的多个时间点上的预先定义的区域内的多个交通状况。组合环境感知模型可用于预测道路使用者之间的连接服务。连接服务的预测使得能够预测道路使用者群以及这些群之间的通信链路。

Description

确定多个交通状况的方法、设备和计算机可读存储介质
技术领域
本发明涉及一种用于确定多个交通状况的设备、方法和计算机可读存储介质，更具体地、但是非排他地涉及基于从多个道路使用者获得的多个环境感知模型的组合来确定多个交通状况。
背景技术
车辆通信是研究和开发的一个领域。为了使得车辆能够自动或者半自动行驶，期望车辆使用车辆与车辆通信(V2V，Vehicle-to-Vehicle-Communication)和车与网络(V2N，Vehicle-to-Network)通信，例如来协调行驶操控和/或接收远程操作的驾驶指令。这种通信通常是无线的，即，车辆可以通过蜂窝移动通信系统，与其附近的其它车辆和/或与后端服务进行无线通信。由于无线通信通过共享介质进行，其可能受无线电资源的可用性限制，因此可能希望为车辆通信中的无线电资源管理提供改进的方案。
美国专利US 10,147,324B1涉及基于交通行为模型在车辆中提供用户辅助。在该专利中，车辆生成传感器数据，并使用传感器数据来收集有关其它车辆和车辆周围的对象的信息。该信息可以与来自检测车辆以及来自道路传感器系统的类似信息一起使用。该系统生成交通行为模型，交通行为模型描述参考对象(例如其它车辆)的主要交通行为。
美国专利申请US 2006/0104219 A1涉及预测性的移动自组织(ad hoc)联网。在该专利申请中，预测可能需要的网络服务，并且使用这些网络服务来预先调整网络。
美国专利申请US 2018/0376306 A1涉及用于检测异常并预测优化的方法和系统，用于使用自动车辆的网络来改善城市生活管理。
发明内容
实施例基于以下发现：为了在车辆通信中进行资源管理，可能有用的是，预测在要提供资源管理的预先定义的区域内发生的交通状况。该预先定义的区域例如可以与移动通信系统的基站的覆盖区域重叠。在预先定义的区域内，可以考虑两种无线通信：道路使用者(即车辆、例如汽车、摩托车或自行车或者行人)与基站之间的通信(即车辆与网络通信)；以及道路使用者之间的通信(即车辆与车辆通信)。由于至少在一些车辆通信方法中，V2V和V2N通信两者使用相同的无线电资源，因此可以使用联合无线电资源管理。实施例使用由多个道路使用者生成的环境感知模型，来构建覆盖预先定义的区域的组合环境感知模型。使用这种组合模型，在将来的多个时间点上预测使用组合环境感知模型能够预知的交通状况。在这种情况下，交通状况可以是涉及多于一个的道路使用者的状况，即，需要在连接的道路使用者之间进行通信的交通状况。这样的交通状况例如可以是一个道路使用者为了协调该道路使用者到一个道路上的合并而与其他道路使用者进行通信的状况，或者是多个车辆协调哪个车辆首先进入十字路口的交通状况。另一示例性交通状况是道路使用者使用远程操作的驾驶服务的状况。每一个交通状况都可能产生在统计上在参与交通状况的道路使用者之间发生的通信模式，例如参与交通状况的道路使用者之间的通信，以及所述道路使用者与后端服务器的通信。一旦预测到交通状况，就可以使用这些交通状况来预测将来的时间点上的通信的种类、数量和位置。使用预测的通信，可以执行无线电资源的预分配，并且可以执行服务质量(Quality of Service，QoS)的预测。另外，还可以使用预测的交通状况将道路使用者分组为道路使用者群，因为预测的交通状况可能经常涉及位于相同的附近地区并且以相似速度行驶的道路使用者。
实施例提供一种用于预测多个交通状况的方法。所述方法包括：从多个道路使用者(即车辆或者摩托车)，以及(可选地)从多个道路侧基础设施实体，获得多个环境感知模型。所述方法还包括：基于该多个环境感知模型，针对预先定义的区域，生成组合环境感知模型。该多个环境感知模型融合在组合环境感知模型内。所述方法还包括：基于组合环境感知模型，预测将来的多个时间点上预先定义的区域内的多个交通状况。
融合多个道路使用者的个体环境感知模型，使得能够针对预先定义的区域创建组合感知模型，例如不需要专用传感器来监视预先定义的区域。可以使用组合感知模型来预测交通状况，继而可以使用交通状况来进行无线电资源管理，以及将道路使用者分组为道路使用者群。可以在道路使用者之间的连接服务(connected services)的预测中使用组合环境感知模型。连接服务的预测使得能够预测道路使用者群以及这些群之间的通信链路。通信链路的预测使得能够基于预测的预先定义的区域中的交通状况，在用于预测的连接服务的预测的通信链路上，进行资源的预分配。资源的预分配使得能够使用预测的通信链路上的预测的信道状态，来对预测的通信链路的通信质量进行预测。
在至少一些实施例中，所述方法还包括：获得与多个道路使用者的多个规划的操控有关的信息。可以基于与多个规划的操控有关的信息，来生成组合环境感知模型。这可以提高交通状况的预测的准确性，因为考虑到了多个道路使用者即将进行的操控。
所述方法可以进一步包括：获得与多个道路使用者的多个规划的路线有关的信息。可以基于与多个规划的路线有关的信息，来生成组合环境感知模型。这可以进一步提高交通状况的预测的准确性，因为考虑到了多个道路使用者采用的路线，因此考虑到了多个道路使用者占用的车道和/或道路出口。
在实施例中，多个环境感知模型包括多个道路使用者周围的区域的建模信息。建模信息可以涉及多个道路使用者使用多个道路使用者的感知传感器识别出的对象。多个环境感知模型可以提供多个道路使用者所感知的对象的高等级抽象，其更容易融合，以便生成组合环境感知模型。
在各个实施例中，所述方法还包括：基于预测的多个交通状况，将多个道路使用者分组为多个道路使用者群。可以通知道路使用者聚集成群，这使得道路使用者能够使用所需的连接服务，继而使得能够通过群内的直接通信启用所需的连接服务，这继而可以使V2N通信的量减少。交通状况的预测可以确定所建立的群内的车辆之间以及车辆与其他道路使用者之间所需的连接服务。可以基于在一定的时间跨度和预先定义的位置内所需的连接服务，来建立群。群可以包括不同类型的道路使用者，例如车辆、行人、骑自行车的人等。使用连接服务确定群，可以定义群中的道路使用者之间的通信链路，例如V2V和/或V2N。例如，车辆与行人之间的通信可以经由直接通信(V2V，或者在行人的情况下，V2P(Vehicle topedestrian，车辆与行人))，或者经由V2N通过移动无线电网络来进行。此外，由于这种通信是高度局部化的，因此群内的通信所需的无线电资源也可以在其它群中重复使用。
所述方法可以进一步包括：基于预测的多个交通状况，来确定与多个交通状况中的道路使用者之间的通信链路(例如多个群中的一个群内的道路使用者之间的通信链路，其可以根据基于多个交通状况确定的、预测的连接服务得出)的预测有关的信息。可以使用预测的通信链路来估计所需的无线电资源。预测的通信链路可以包括与以下内容有关的信息：群内的链路的类型，例如V2V和/或V2N；通信频率和端到端路径描述；链路上的通信伙伴之间所需的数据速率和通信延迟。可以使用预测的通信链路来估计所需的无线电资源。
因此，所述方法可以包括：基于与通信链路的预测有关的信息，来确定与预测的通信链路所需的无线电资源有关的信息。可以在无线电资源的规划和/或预分配中使用所需的无线电资源。
例如，所述方法可以包括：确定与在多个交通状况中涉及的道路使用者所需要的车辆通信服务(即，连接的车辆通信服务或者短连接服务；连接服务可以是十字路口处的左转辅助、乡村道路上的超车辅助等；连接服务可以是如下连接功能(connectedfunctions)，这些连接功能需要在道路使用者/车辆之间进行通信，以启用服务功能)有关的信息。可以基于与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息，来确定与预测的通信链路所需的无线电资源有关的信息。可以使用在多个交通状况中涉及的道路使用者所需要的车辆通信服务，来得出预测的通信链路所需的无线电资源。
所述方法可以包括：基于所需的无线电资源，来确定预先定义的区域内的无线电资源的资源规划。可以使用资源规划，来避免由于缺乏可用无线电资源而限制道路使用者通信的状况。
在至少一些实施例中，多个交通状况中的道路使用者之间的通信链路包括车辆与车辆通信链路和车辆与网络通信链路。通过考虑V2V和V2N通信两者，可以进行更有效的资源分配。
所述方法可以包括：基于预测的通信链路，基于与预先定义的区域内的可用无线电资源有关的信息，以及(可选地)基于预先定义的区域内的道路使用者之间的预测的通信链路的预测的信道状态信息，来确定与预测的通信链路的估计的服务质量有关的信息。如果将该信息传送给道路使用者，则道路使用者可以调整其通信，以匹配可用的无线电资源。
在至少一些实施例中，使用机器学习算法，来确定与多个交通状况中的道路使用者之间的通信链路的预测有关的信息。与多个交通状况有关的信息可以用作机器学习算法的输入。这使得能够确定交通状况与车辆通信之间的相关性，其使用其它模型可能无法得出。
在各个实施例中，所述方法由位于移动通信系统的基站处的计算实体来执行。基站的覆盖区域至少部分可以与预先定义的区域的一部分重叠。这可以使移动通信系统的核心网络中的延迟和带宽的整体使用减少，因为在现场计算相关信息。
确定与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息，可以包括以下内容的组中的一个或更多个元素：确定在多个交通状况中涉及的道路使用者；确定在多个交通状况中涉及的道路使用者所需要的车辆通信服务；以及确定在多个交通状况中涉及的道路使用者所需要的车辆通信服务的时间和地点。这使得能够细粒化地确定车辆通信服务所需的无线电资源。
在一些实施例中，所述方法包括：确定预测的通信链路的期望的服务质量，其中，基于预测的通信链路的期望的服务质量，来确定预测的通信所需的无线电资源。预测的通信链路的期望的服务质量可以定义预测的通信的最小和/或最佳要求，例如关于最大容许延迟或者关于所需要的最小带宽的最小和/或最佳要求。
实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序具有程序代码，当在计算机、处理器或者可编程硬件部件上执行计算机程序时，程序代码执行所述方法。
实施例还提供一种用于预测多个交通状况的设备。所述设备包括至少一个接口，该接口用于与多个道路使用者进行通信，以及与多个道路侧基础设施实体进行通信。所述设备包括控制模块。控制模块被配置为，经由至少一个接口，从多个道路使用者，以及(可选地)从多个道路侧基础设施实体，获得多个环境感知模型。控制模块被配置为，基于多个环境感知模型，针对预先定义的区域，生成组合环境感知模型。该多个环境感知模型融合在组合环境感知模型内。控制模块被配置为，基于组合环境感知模型，来预测将来的多个时间点上的预先定义的区域内的多个交通状况。
附图说明
仅仅作为示例，使用下面的设备或者方法或者计算机程序或者计算机程序产品或者计算机可读存储介质的非限制性实施例，并且参考附图，来描述其它一些特征或者方面，在附图中：
图1a和图1b示出了用于预测多个交通状况的方法的实施例的流程图；
图1c示出了用于预测多个交通状况的设备的实施例的框图；
图2-1和图2-2示出了道路使用者的聚集成群和服务预测以及通信链路上的服务质量的预测中的信息流的示意图；以及
图3示出了用于V2V和V2N链路上的连接服务和QoS的预测的架构的实施例的框图。
具体实施方式
现在，将参考示出一些示例实施例的附图，来更全面地描述各种示例实施例。在附图中，为了清楚起见，线、层或者区域的尺寸可能被夸大。可能使用虚线、短划线或者点线来示出可选部件。
相应地，虽然示例实施例能够具有各种修改和替换形式，但是在附图中，通过示例来示出其实施例，并且在这里对这些实施例进行详细描述。然而，应当理解，不旨在将示例实施例限制为所公开的特定形式，而是相反，示例实施例旨在覆盖落入本发明的范围内的所有修改、等同形式和替换形式。在对附图的描述中，相同的附图标记指示相同或者相似的元素。
如这里所使用的，术语“或者”是指非排他性的或者，除非另外指出(例如“或者其它”或者“或者替换地”)。此外，除非另外指出，否则如这里所使用的，用于描述元件之间的关系的词语，应当广义地解释为包括直接的关系或者存在中间元件。例如，当一个元件被称为“连接”或者“耦合”到另一个元件时，该元件可能直接连接或者耦合到该另一个元件，或者可能存在中间元件。相反，当一个元件被称为“直接连接”或者“直接耦合”到另一个元件时，不存在中间元件。类似地，诸如“在...之间”、“相邻”等的词语应当以相似的方式解释。
这里使用的术语仅仅用于描述特定实施例的目的，而不旨在限制示例实施例。如这里所使用的，单数形式“一”、“一个”、“所述”和“该”也旨在包括复数形式，除非上下文另外明确指出。还应当理解，当在这里使用时，术语“包括”、“包含”或者“具有”指定所提到的特征、整数、步骤、操作、元素或者部件的存在，但是不排除一个或更多个其它特征、整数、步骤、操作、元素、部件或者其组的存在或者增加。
除非另外定义，否则这里使用的所有术语(包括技术术语和科学术语)具有与示例实施例所属领域的普通技术人员通常所理解的含义相同的含义。还应当理解，术语、例如在常用词典中定义的术语，应当解释为具有与其在相关领域的上下文中的含义一致的含义，而不应当以理想化或者过度形式化的方式来解释，除非在这里明确地进行了定义。
对V2N和直接通信链路的通信服务质量的可靠预测，可能未在研究中得到充分的覆盖。尤其是，对道路使用者/在时间和位置方面对道路使用者的连接服务的预测可能仍然是开放的。因此，用于基于预测的服务的QoS要求进行资源预分配的可靠的设计方案，也可能需要进行改进。挑战可能仍然是开放的，因为连接服务在道路使用者中的使用，先前是无法预测或者难以预测的，因为(总是)在使用服务时，进行服务发现和邻近发现处理，并且因为经常不考虑交通状况和环境条件。
图1a和图1b示出了用于预测多个交通状况的方法(例如计算机实现的方法)的实施例的流程图。所述方法包括：从多个道路使用者(即车辆或者摩托车)，获得110多个环境感知模型。此外，可以从多个道路侧基础设施实体，例如从可以感知预先定义的区域中的行人的基础设施传感器、例如城市区域的照相机，获得多个环境感知模型。所述方法还包括：基于多个环境感知模型，针对预先定义的区域，生成120组合环境感知模型。该多个环境感知模型融合在组合环境感知模型内。所述方法还包括：基于组合环境感知模型，来预测130将来的多个时间点上的预先定义的区域内的多个交通状况。
图1c示出了用于预测多个交通状况的(对应的)设备10的实施例的框图。设备10包括至少一个接口12，接口12用于与多个道路使用者进行通信，以及与多个道路侧基础设施实体进行通信。所述设备包括耦合到至少一个接口12的控制模块14。控制模块14可以被配置为，例如结合至少一个接口，执行结合图1a和/或图1b介绍的方法。控制模块14被配置为，经由至少一个接口12，从多个道路使用者，以及(可选地)从多个道路侧基础设施实体，获得多个环境感知模型。控制模块14还被配置为，基于多个环境感知模型，针对预先定义的区域，生成组合环境感知模型。该多个环境感知模型融合在组合环境感知模型内。控制模块14被配置为，基于组合环境感知模型，预测将来的多个时间点上的预先定义的区域内的多个交通状况。图1c还示出了包括设备10的计算实体100。在至少一些实施例中，计算实体100可以是边缘计算实体或者V2X计算实体，即，计算实体可以与移动通信系统的基站，或者与道路侧基础设施实体位于同一位置。实施例为包括计算实体100的移动通信系统的基站提供设备10。
下面的描述涉及图1a和/或图1b的方法以及图1c的设备两者。
实施例涉及用于预测多个交通状况的方法和/或设备。在车辆通信中，交通状况的预测对于预测在预先定义的区域内可能发生哪些通信可能是有用的。例如，在连接行驶(connected driving)中，每一个交通状况都可能产生特定的通信模式。例如，如果连接的道路使用者打算进行左转，则该道路使用者可以与其它连接的道路使用者进行通信，以请求他们为左转的道路使用者让路。在另一个示例中，连接的道路使用者可以使用远程操作的驾驶服务。这种通信可以遵循如下模式，该模式可以用于预测在这种通信中涉及的道路使用者、所需的通信的量以及所述通信的服务质量(QoS)要求。为了预测交通状况，实施例基于根据多个道路使用者的多个环境感知模型(以及可选地如下信息中的至少一个：与多个道路使用者的多个规划的操控有关的信息、与多个道路使用者的多个规划的路线有关的信息以及源自道路侧基础设施实体的环境感知模型)生成组合环境感知模型。可以将这许多信息组合(即“融合”)，以生成组合模型，组合模型对道路使用者在多个时间点上在预先定义的区域内的位置和运动进行建模。基于道路使用者的位置和运动，可以预测交通状况，随后可以使用交通状况来预测通信模式。在至少一些实施例中，所述方法和/或所述设备的功能部件的执行可以基于道路使用者的请求。
所述方法包括：从多个道路使用者(和/或从多个道路侧基础设施实体)，获得110(例如接收)多个环境感知模型。在某些情况下，可以仅从这两个源中的一个，例如仅从多个道路使用者，或者仅从多个道路侧基础设施实体，获得多个环境感知模型。例如，可以通过协同感知消息(Cooperative Perception Message，CPM)，来获得(例如接收)多个环境感知模型。换句话说，CPM可以包括道路使用者的环境感知模型。CPM的内容可以是环境感知模型。因此，所述方法可以包括从多个道路使用者(和/或从多个道路侧基础设施实体)获得多个CPM。
所述方法可以包括：例如经由移动无线电网络(例如移动通信系统)，从多个道路使用者，并且(可选地)从多个道路侧基础设施实体，请求多个环境感知模型。请求可以基于或者包括多个道路使用者中的一个道路使用者的规划的路线，例如基于与多个规划的路线有关的信息。规划的路线可以对应于预先定义的区域。例如，可以请求多个环境感知模型，从而可以沿着路线生成组合环境感知模型。请求可以指定多个环境感知模型的期望的更新速率。多个道路使用者，以及(可选地)多个道路侧基础设施实体，例如可以以希望的更新速率，来提供多个环境感知模型。
例如，多个环境感知模型可以包括针对围绕多个道路使用者(和/或围绕多个道路侧基础设施实体)的区域的建模信息。环境感知模型可以包括与道路使用者/车辆周围的静态对象、例如建筑物、道路标志等以及动态对象、例如行人、骑自行车的人等有关的信息。该信息可以由车辆和基础设施感知的环境模型生成。建模信息可以涉及多个道路使用者使用多个道路使用者的感知传感器识别出的对象(对于道路侧基础设施实体而言类似)。例如，多个道路使用者的感知传感器可以包括以下传感器中的至少一个：RADAR(RadioDetection and Ranging，无线电检测和测距，下面称为“radar”)传感器、LIDAR(LightDetection and Ranging，光检测和测距，下面称为“lidar”)传感器、照相机传感器和超声波传感器。多个环境感知模型中的一个环境感知模型可以不包括相应的传感器数据，但是可以对应于多个道路使用者(和/或多个道路侧基础设施实体)的感知传感器的传感器数据的高等级抽象。例如，多个环境感知模型中的一个环境感知模型，可以包括与多个道路使用者(和/或多个道路侧基础设施实体)使用多个道路使用者(和/或多个道路侧基础设施实体)的感知传感器识别出的对象的位置和/或范围(extent)有关的信息。在一些实施例中，例如，如果对象是连接的道路使用者(即，如果对象是与多个道路使用者通信的道路使用者)，则多个环境感知模型中的一个环境感知模型，可以包括与多个道路使用者(和/或多个道路侧基础设施实体)使用多个道路使用者(和/或多个道路侧基础设施实体)的感知传感器识别出的对象的标识符有关的信息。
在一些实施例中，可以从多个道路侧基础设施实体，获得多个环境感知模型中的至少一些环境感知模型。换句话说，可以从多个道路使用者并且从多个道路侧基础设施实体，获得110多个环境感知模型。多个环境感知模型可以源自多个道路使用者和多个道路侧基础设施实体。例如，多个道路侧基础设施实体可以包括交通信号灯、交通速度计、交通控制站和收费桥中的至少一个。
在至少一些实施例中，多个道路使用者或者另外的多个道路使用者可以是连接的道路使用者(例如连接的车辆)，即自动道路使用者(即自动车辆)或者半自动道路使用者(即半自动车辆)，其被配置为与其它道路使用者或者与后端服务器进行通信，以便做出它们的行驶决定。例如，多个道路使用者或者另外的多个道路使用者可以是如下道路使用者，这些道路使用者被配置为与其它道路使用者或者与后端服务器，协调其自动或者半自动行驶。
另外，如图1b所示，所述方法可以包括：获得(例如接收)112与多个道路使用者的多个规划的操控有关的信息。例如，可以通过操控协调消息(Maneuver CoordinationMessage，MCM)，来获得与多个规划的操控有关的信息。例如，所述方法可以包括从多个道路使用者获得多个MCM，其中，多个MCM包括或者指示与多个规划的操控有关的信息。例如，每个MCM可以包括与多个规划的操控中的一个(单个)规划的操控有关的信息。与多个规划的操控有关的信息可以由多个道路使用者发送。与多个道路使用者的多个规划的操控有关的信息，可以指示多个道路使用者正在规划(即在接下来的最多30秒内)进行哪些行驶操控(即变道、转弯、超车操控等)。相应地，多个规划的行驶操控中的一个规划的行驶操控，可以是多个道路使用者中的一个道路使用者(例如在获得与行驶操控有关的信息之后)正在规划在最多30秒内(或者在最多25秒、最多20秒、最多15s、最多10s内)执行的(即将进行的)行驶操控。
在至少一些实施例中，所述方法还包括：获得114与多个道路使用者的多个规划的路线有关的信息。与多个规划的操控相反，多个规划的路线可以包括与多个道路使用者的多个规划的目的地、即多个道路使用者的长期路线有关的信息。例如，多个规划的路线可以指示多个道路使用者打算沿着多个路线行驶的多个道路。例如，与多个道路使用者的多个规划的路线有关的信息，可以指示多个道路使用者规划使用哪些车道或者道路出口。
所述方法包括：基于多个环境感知模型，针对预先定义的区域，生成120组合环境感知模型。例如，可以基于与多个规划的操控有关的信息，和/或基于与多个规划的路线有关的信息，来生成组合环境感知模型。可以将多个环境感知模型，与多个规划的操控有关的信息，和/或与多个规划的路线有关的信息，融合在组合环境感知模型内。例如，预先定义的区域可以包括道路，例如(正好)一个道路或者多个道路。组合环境感知模型可以至少对占用道路或者多个道路的道路使用者(也可以是行人)的位置和运动进行建模。因此，组合环境感知模型可以包括与占用道路/多个道路的(所有)道路使用者(或者车辆)的位置和运动有关的信息。为了实现这一点，生成120组合环境感知模型可以包括：例如通过将个体环境感知模型叠加，将个体环境感知模型合并(即“融合”)成单个组合环境感知模型。另外，生成120组合环境感知模型可以包括：将合并(或者融合)的环境感知模型，和与多个规划的操控有关的信息和/或与多个规划的路线有关的信息组合，即，考虑多个道路使用者的行驶意图。所述方法可以包括：基于与多个规划的操控有关的信息，和/或基于与多个规划的路线有关的信息，来确定与多个道路使用者的行驶意图有关的信息。生成120组合环境感知模型可以包括：将与多个道路使用者的行驶意图有关的信息，添加到合并(或者融合)的环境感知模型。例如可以经由移动无线电网络(例如移动通信系统)，以适当的更新速率和/或根据道路使用者的请求，向道路使用者提供组合环境感知模型。换句话说，所述方法可以包括：例如根据道路使用者的请求，向道路使用者提供组合环境感知模型。在一些实施例中，可以将组合环境感知模型，与组合环境感知模型的置信度指示，一起提供给道路使用者。
针对预先定义的区域，生成120组合环境感知模型。例如，预先定义的区域可以沿着一个道路(或者沿着多个道路)延伸。例如，预先定义的区域可以基于一个道路(或者多个道路)的路径。例如，预先定义的区域可以基于移动通信系统的覆盖区域，例如基于移动通信系统的一个或更多个基站的覆盖区域。可以使用信息的这种局部性，来减小生成组合环境感知模型时的延迟。例如，所述方法可以由位于移动通信系统的基站处的计算实体(例如服务器)来执行。例如，所述方法可以由道路交通生态系统计算实体来执行。可以由位于移动通信系统的基站处的计算实体和/或道路交通生态系统计算实体，来提供使用所述方法提供的信息。基站的覆盖区域至少部分可以与预先定义的区域的一部分重叠。例如，基站的覆盖区域可以对应于预先定义的区域。替换地，预先定义的区域可以包括基站的覆盖区域。例如，移动通信系统可以是车辆通信系统，例如车辆与网络(V2N)通信系统。例如，移动通信系统可以是或者可以基于C-V2X(Cellular-Vehicle-to-Anything(蜂窝车辆与任何物体)，其可以包括Long Term Evolution Vehicle-to-Anything(长期演进车辆与任何物体，LTE-V2X)和5th generation mobile communication system V2X(第五代移动通信系统V2X，5G-V2X))移动通信系统。移动通信系统可以支持两种通信模式：在道路使用者之间使用的PC5，以及在道路使用者与基站之间使用的Uu。使用PC5和Uu，移动通信系统可以支持直接的车辆与车辆通信(没有由基站管理或者自动管理的、使用PC5、基站作为通信跃点的介入)，经由移动通信系统的基站的车辆与车辆通信，以及经由移动通信系统的基站的车辆与网络通信。直接的车辆与车辆通信可以基于与经由道路使用者的基站进行的通信相同的无线电资源(例如相同的频率资源)。因此，可能存在用于直接的车辆与车辆通信以及用于经由基站的通信的无线电资源的联合规划。
所述方法包括：基于组合环境感知模型，来预测130将来的多个时间点上的预先定义的区域内的多个交通状况。例如，多个交通状况可以对应于涉及多于一个的道路使用者的交通状况，即，需要在连接的道路使用者(即连接的车辆)之间进行通信的交通状况。例如，交通状况可以是涉及两个或更多个道路使用者的状况，其中，该状况需要两个或更多个道路使用者的合作或者从两个或更多个道路使用者的合作中受益。在至少一些实施例中，预先定义的区域可以包括另外的多个道路使用者，其可以包括多个道路使用者和多个另外的道路使用者(即，没有主动对多个环境感知模型做出贡献的另外的道路使用者)。在多个交通状况中的交通状况中，可能涉及多个道路使用者和多个另外的道路使用者中的这两者道路使用者。该多个另外的道路使用者可能不主动对多个环境感知模型做出贡献，但是例如可以通过由多个道路使用者创建的模型，在多个环境感知模型内，对该多个另外的道路使用者进行建模。预测130多个交通状况可以包括：使用组合环境感知模型，来预测另外的多个道路使用者(或者多个道路使用者)在多个时间点上的位置和运动。例如，该多个时间点可以向将来延伸至少5秒(或者至少8秒、至少10秒)和/或最多20秒(或者最多15秒、最多10秒)。可以使用对另外的多个道路使用者(或者多个道路使用者)在该多个时间点上的位置和运动的预测，以另外的多个道路使用者(或者多个道路使用者)的位置和运动(的预测)作为输入，来例如使用机器学习算法识别多个交通状况。
在至少一些实施例中，可以连续对组合环境感知模型和/或所确定的多个交通状况进行更新。例如，所述方法可以包括：从多个车辆，并且(可选地)从多个道路侧基础设施实体，连续获得(即接收)110多个环境感知模型。所述方法可以包括：基于连续获得的多个车辆，来连续更新组合环境感知模型。在这种情境下，“连续获得多个环境感知模型”意为，以周期性或者非周期性的时间间隔，从多个道路使用者，并且(可选地)从多个道路侧基础设施实体，获得多个环境感知模型的新版本。这些新获得的多个环境感知模型的新版本，基于多个道路使用者和(可选地)多个道路侧基础设施实体的环境感知传感器数据的更新后的版本。可以基于多个环境感知模型的更新后的版本，来更新组合环境感知模型，例如，周期性地更新或者在收到新版本的环境感知模型后更新组合环境感知模型。相应地，可以连续获得(例如接收)与多个规划的操控有关的信息和/或多个规划的路线的信息的更新后的版本，并且使用更新后的版本来(连续)更新组合环境感知模型。所述方法可以进一步包括：基于连续更新的组合环境感知模型，来(连续)更新多个交通状况。
可以使用多个交通状况将道路使用者分组在一起，例如以便在多个道路使用者内形成通信群。所述方法可以包括：基于预测的多个交通状况，将多个道路使用者(或者另外的多个道路使用者)，分组140为多个道路使用者群。另外，例如，如果多个另外的道路使用者中的道路使用者是连接的道路使用者，则多个群可以包括该多个另外的道路使用者中的道路使用者。道路使用者群可以包括在附近以相似的速度行进的道路使用者。例如，一个道路使用者群可以包括以协作的方式行驶的道路使用者。将多个道路使用者(或者另外的多个道路使用者)分组140成多个道路使用者群，可以将道路使用者分组到预测参与相同的交通状况和/或预测在预先定义的区域内(例如使用相同的连接服务)进行通信的同一个群中。在一些实施例中，所述方法可以进一步包括：例如通过在和/或从多个道路使用者群中注册和注销多个道路使用者中的道路使用者，来调整和/或管理多个道路使用者到多个道路使用者群中的分组。
在各个实施例中，所述方法包括：基于预测的多个交通状况，来确定150与多个交通状况中的(车辆)通信链路的预测(例如车辆通信的预测)有关的信息。例如可以经由移动无线电网络(例如移动通信系统)，以适当的更新速率和/或根据道路使用者的请求，向道路使用者提供与预测/预测的通信链路有关的信息。换句话说，所述方法可以包括：例如根据道路使用者的请求，向道路使用者提供与预测/预测的通信链路有关的信息。多个交通状况中的道路使用者之间的通信链路，可以包括车辆与车辆通信链路和车辆与网络通信链路。通信模式可以包括车辆与车辆通信(即，没有基站介入的道路使用者之间的直接通信)和车辆与网络通信(例如道路使用者与后端服务器、例如与远程驾驶服务器的通信)两者。多个交通状况中的每个交通状况，可能与(统计上的或者确定性的)通信模式、即在交通状况内可能发生的通信相关联。一旦预测到交通状况，则可以使用这些交通状况来预测这些交通状况可能产生的通信(例如道路使用者之间以及道路使用者与后端之间的通信)。在至少一些实施例中，例如可以使用机器学习算法，例如使用预先经过训练的神经网络，来确定150与多个交通状况中的道路使用者之间的通信链路的预测有关的信息。与多个交通状况有关的信息可以用作机器学习算法的输入。
每个通信也可能与通信所需的无线电资源相关联。所述方法可以进一步包括：基于与通信链路的预测有关的信息，来确定160与预测的通信链路所需的无线电资源有关的信息。例如，无线电资源可以包括以下信息中的至少一个：与预测的通信链路所需的数据吞吐量有关的信息，与预测的通信链路所需的数据量有关的信息，与预测的通信链路所需的资源块的量有关的信息，与预测的通信链路所需的频率和/或时间资源的量有关的信息，以及与预测的通信链路所需的空间资源有关的信息。为了确定预测的通信链路所需的无线电资源，所述方法可以确定交通状况中的道路使用者可能使用的服务。换句话说，如图1b进一步所示，所述方法可以包括：确定162与在多个交通状况中涉及的道路使用者所需要的车辆通信服务(即，连接的车辆通信服务或者短连接服务)有关的信息。例如，车辆通信服务可以是另一个道路使用者或者后端服务经由V2V或者V2N通信提供给(多个道路使用者或者另外的多个道路使用者中的)道路使用者的服务。车辆通信服务可能涉及多个交通状况中的交通状况。例如，以车辆通信服务为例，可能涉及由(或者经由)后端服务器提供的远程驾驶服务。另一个示例是队列行驶(platooning)通信服务。第三个示例是目的是例如通过让路给转弯者来帮助道路使用者左转弯的车辆通信服务。可以基于与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息，来确定160与预测的通信链路所需的无线电资源有关的信息。例如，可以将每个车辆通信服务与车辆通信服务所需的无线电资源相关联。
为了确定在多个交通状况中涉及的道路使用者所需要的车辆通信服务，所述方法可以使用各种指标(metrics)。例如，确定与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息可以包括如下组中的一个或更多个元素：确定164在多个交通状况中涉及的道路使用者，以及确定166在多个交通状况中涉及的道路使用者所需要的车辆通信服务。另外，为了能够确定预测的通信链路所需的空间无线电资源，确定与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息可以包括：确定168在多个交通状况中涉及的道路使用者所需要的车辆通信服务的时间和地点。所述方法可以包括：例如经由移动无线电网络(例如移动通信系统)，以适当的更新速率和/或根据道路使用者的请求，向道路使用者提供与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息。
在至少一些示例中，为了确定所需的无线电资源的估计的量，可以将预测的通信链路的每个通信，和与通信的期望的QoS有关的信息相关联，该信息可以指示通信最小、一般和/或最大需要的无线电资源，例如最大延迟或者所需要的最小数据吞吐量。可以使用该信息来估计所需的无线电资源。例如，所述方法可以包括确定170预测的通信链路的期望的服务质量。期望的服务质量可以包括与预测的通信链路最小、一般和/或最大需要的无线电资源有关的信息。可以基于预测的通信链路的期望的服务质量，来确定预测的通信所需要的资源(例如，根据预测的通信链路最小、一般和/或最大需要的无线电资源来得出)。
在一些示例中，所述方法包括：基于所需要的无线电资源，来确定180预先定义的区域内的无线电资源的资源规划。例如，无线电资源的资源规划的确定180可以对应于无线电资源的预分配。所述方法可以包括：基于无线电资源的资源规划，来进行无线电资源的预分配。例如，确定180无线电资源的资源规划，可以进一步基于预测的通信链路上的预测的信道状态(即，预测的信道状态信息)。换句话说，所述方法还可以包括：例如基于在多个交通状况中涉及的道路使用者所需要的车辆通信服务的时间和地点，来确定与预测的通信链路要使用的通信链路的预测有关的信息。所述方法可以包括：例如基于历史数据，基于预先定义的区域的地理位置，和/或基于在预测的通信链路中涉及的通信伙伴的距离，来对预测的通信链路上的信道状态进行预测。所述方法可以进一步包括：使用无线电资源的资源规划，例如经由基站，来对在多个交通状况中涉及的道路使用者，分配无线电资源。在至少一些实施例中，所述方法可以包括：基于所确定的无线电资源的资源规划，来调整移动通信系统的动态TDD(time division duplex，时分双工)分配中的无线电资源的分配。
在至少一些实施例中，所述方法可以进一步包括：确定190与预测的通信链路的估计的服务质量有关的信息。可以使用估计的服务质量，例如通过选择要使用V2V、还是V2N通信，或者通过选择针对预测的通信链路要使用的精度或者细节的水平，来调整道路使用者的通信。可以基于预测的通信链路，基于与预先定义的区域内的可用无线电资源有关的信息，以及基于预先定义的区域内的道路使用者之间的预测的通信链路上的预测的信道状态信息，来确定190与预测的通信链路的估计的服务质量有关的信息。与可用无线电资源有关的信息，可以对应于或者可以基于预测的通信链路中的预测的通信链路上的预测的信道状态。
至少一个接口12可以对应于用于在模块内、在模块之间或者在不同实体的模块之间接收和/或发送信息的一个或更多个输入和/或输出，该信息可以根据指定的代码以数字(位)值表示。
在实施例中，控制模块14可以使用一个或更多个处理单元、一个或更多个处理装置、用于进行处理的任何装置、例如可以与相应地适配的软件一起工作的处理器、计算机或者可编程硬件部件来实现。换句话说，所描述的控制模块14的功能也可以以软件来实现，然后在一个或更多个可编程硬件部件上执行该软件。这些硬件部件可以包括通用处理器、数字信号处理器(Digital Signal Processor，DSP)、微控制器等。
结合所提出的方案或者上面或下面描述的一个或更多个示例(例如图2(图2-1和图2-1)或者图3)，提到了所述方法和/或设备10的更多细节和方面。所述方法和/或设备10可以包括与所提出的方案或者上面或下面描述的一个或更多个示例的一个或更多个方面对应的一个或更多个附加的可选特征。
实施例提供用于连接服务的预测的环境感知。至少一些实施例基于融合在道路使用者中感知到的环境模型(其可以包含在协同感知消息(CPM)中，并且可以对应于结合图1a至图1c介绍的多个环境感知模型)、道路使用者的规划的操控(其可以包含在操控协调消息(MCM)中，并且可以对应于与多个规划的操控有关的信息)、道路使用者的路线(其可以对应于与多个规划的路线有关的信息)和/或由基础设施感知的环境模型(例如从多个道路侧基础设施实体获得的多个环境感知模型，例如十字路口的照相机感知)，来生成全局感知模型(global perception model，GPM，其可以对应于组合环境感知模型)。GPM可以在位置和时间范围(例如多个时间点)上映射道路使用者，这使得能够进行道路交通状况的预测(prediction of road traffic situation，PRTS，其可以对应于多个交通状况)。可以使用PRTS来确定所需要的服务(例如与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息)和道路使用者群(例如将多个道路使用者分组为多个群，例如道路使用者群、自行车群、摩托车群等)(PSC)。可以进一步利用PSC来管理连接服务和道路使用者群，例如连接服务的预订，使用连接服务的道路使用者的注册和注销，以及群建立的动态管理。此外，由于预测的服务和事先已知的服务实现、例如经由直接通信或者经由V2N通信启用服务，可以识别出道路使用者之间的通信链路(例如与多个交通状况中的道路使用者之间的通信链路的预测有关的信息)。可以提供该信息“特征化的预测的服务和群”(characterized predicted services and clusters，CPSC)，以便在考虑GPM的情况下，对预测的通信链路上的信道状态进行预测(predict the channel state，PCS)。可以进一步利用通信链路上的预测的信道状态(PCS)，来对使用连接服务的群中的道路使用者之间的通信链路(例如在确定无线电资源的资源规划时)进行无线电资源的预分配。基于预测的资源(predicted resources，PR)，因此可行的分配方式是，可以使用PR和PCS，(例如通过确定与预测的通信链路的估计的服务质量有关的信息)来预测使用预测的连接服务的道路使用者群中的通信链路上的服务质量。
图2-1和图2-1(图2)示出了根据一个示例的服务预测和道路使用者的聚集成群以及通信链路上的服务质量的预测中的信息流的示意图。图2-1和图2-1(图2)示出了同一个信息流的两个方面，即，方面a)服务预测和道路使用者的聚集成群，以及方面b)通信链路上的QoS的预测。在服务预测和道路使用者的聚集成群中，可以在“融合协同感知模型”210中使用CPM、MPM和基础设施的感知模型，“融合协同感知模型”210可以将道路使用者以及道路侧基础设施实体的环境感知模型(即感知的环境模型)与规划的操控融合，并且可以产生GPM。GPM可以用作“预测道路交通状况”220中的输入，“预测道路交通状况”220可以产生PRTS。可以使用PRTS来“确定连接服务和道路使用者群”230，其可以产生PSC。可以在“管理预测的连接服务和群的特征化”240中使用PSC，“管理预测的连接服务和群的特征化”240可以产生CPSC。在通信链路上的QoS的预测中，可以与GPM一起，在“预测通信链路上的信道状态”(PCS)250中，并且在“预测通信链路上的QoS要求”260中，使用CPSC；可以与PCS一起，在“预分配无线电资源”270(PR)中使用“预测通信链路上的QoS要求”260。可以在“预测通信链路上的QoS”280中使用PR和PCS，“预测通信链路上的QoS”280可以产生预测的QoS。
实施例可以提供使用车辆和道路基础设施感知的环境信息来预测连接服务的高等级架构。这种架构使得能够对无线电链路上需要的无线电资源进行预分配，以使得能够对车辆以及车辆与其它道路使用者之间的预测的连接服务进行操作，例如进行队列行驶或者协同碰撞避免。可以将焦点设置在车辆与车辆(V2V)和车辆与网络(V2N)链路上。此外，实施例可以示出连接服务的预测和无线电资源的预分配，如何使得能够预测通信链路上的服务质量(QoS)。
实施例可以提供一种用于服务质量的预测的系统架构。
公共和私人道路上的自动驾驶车辆的连接，使得能够对自动驾驶车辆进行安全、高效和舒适的操作。其可以启用连接服务，例如协同碰撞避免、弱势道路使用者保护以及具有复杂的交互的其它使用案例。这些连接服务可能对将来的无线电资源的可用性，因此对V2V和V2N通信链路的相应的调度算法提出严格要求。在移动无线电网络的调度器处事先知道连接服务的QoS要求的情况下，可以提高无线电资源的预分配的效率。图3描绘了所提出的架构，该架构可以包括以下部件：
·移动无线电网络(图3的附图标记320，例如移动通信系统)：其可以是指基于版本16及更高版本的3GPP移动无线电网络。
·车辆(图3的附图标记310，例如多个道路使用者中的道路使用者)：其可以表示自动化级别为L3-L5的自动驾驶车辆。
·道路基础设施(图3的附图标记340，例如多个道路侧基础设施实体)：其可以表示道路交通管理和监视系统(例如交通信号灯、监视照相机和道路交通服务器)的总和。
·道路交通生态系统(图3的附图标记330，例如执行图1a/图1b的方法和/或包括图1c的设备10的移动通信系统的固定实体)：其可以表示能够预测连接服务、道路使用者群并且在时间上和空间上对它们进行管理的生态系统。其可以从道路车辆和道路基础设施，连续接收协同感知消息(CPM)，并且也可以知道车辆的规划的路线和规划的操控。
图3示出了用于预测V2V和V2N链路上的连接服务和QoS的架构的实施例的框图。图3示出了实体车辆310(例如多个车辆中的一个车辆)、移动无线电网络320(例如移动通信系统300)、道路交通生态系统330(例如执行图1a/图1b的方法的和/或包括图1c的设备10的移动通信系统的固定实体)和道路基础设施340(例如多个道路侧基础设施实体中的道路侧基础设施实体)。下面描述架构部件之间的接口，并且根据它们在预测过程的消息流中出现的时间顺序列出这些接口。
Veh2MRN表示车辆310和移动无线电网络320之间的接口/消息。该接口可以在车辆和移动无线电网络之间提供预测的QoS请求接口。
MRN2Eco表示移动无线电网络320和道路交通生态系统330之间的接口/消息。其可以以合适的更新速率，提供针对连接服务的预测以及针对沿着发出请求的车辆的规划的路线的全局环境感知的请求。
Eco2Inf表示道路交通生态系统330和道路基础设施340之间的接口/消息。其可以描述使用在基础设施侧安装的感知传感器来进行环境感知的请求。发出请求的车辆的规划的路线可以参考该环境感知。请求可以指定感知信息的更新速率。
Inf2Eco表示道路基础设施340与道路交通生态系统330之间的接口/消息。通过该接口传输的消息可以包括基础设施传感器沿着发出请求的车辆的规划的路线感知到的(所有)静态和动态对象(例如从多个道路侧基础设施实体获得的多个环境感知模型)。其可以对应于环境感知模块。可以将这些对象封装在CPM中。可以根据请求的更新速率来更新信息。
Eco2MRN表示道路交通生态系统330和移动无线电网络320之间的接口/消息。该消息可以表示道路交通生态系统对移动无线电网络的响应。这可以包括沿着发出请求的车辆的规划的路线的预测的连接服务。可以将每个预测的连接服务映射到沿着路线的道路使用者(车辆、行人、摩托车等)群的列表或者数据结构中。可以将具有相应的QoS要求的V2N和V2V链路(例如预测的通信链路)的列表分配给预测的群。可以基于关于预测的连接服务的无线电实现的可用先验信息，来指定通信链路。继而可以将预测的通信链路映射到如下路段(例如预先定义的区域)和将来的时间段(例如将来的时间点)中，在该路段/该时间段中，预计聚集成群的道路使用者要使用连接服务。可以基于由规划的路线附近的车辆和道路基础设施感知传感器收集的CPM(例如多个环境感知模型)的融合，来进行预测。CPM的融合可以产生全局感知模型(GPM)，例如组合环境感知模型，其可以描绘沿着发出请求的车辆/道路使用者的路线的时间和空间域中的(所有)静态和动态对象。可以用置信度指示对预测的信息进行补充，置信度指示可能沿着规划的路线变化。置信度指示可以与环境感知的不确定性有关。预测的范围可以由发出请求的车辆的规划的路线的时间和空间特征来确定。
此外，响应可以包括分配给发出请求的车辆的路线的GPM。可以根据指定的周期率来发送GPM。移动无线电网络可以利用GPM，来对使用预测的连接服务的道路使用者之间的通信链路上的信道状态进行预测。预测的信道状态的知识、例如信道估计，以及V2N和V2V链路上的QoS要求，使得能够在考虑无线电链路上的可行的调制和编码方案的情况下，进行可靠的资源预分配。在无线电资源缺乏的情况下，可以基于预测的信道状态、可用资源以及调制和编码方案，来预测通信链路上的QoS级别。
Mrn2Veh表示移动无线电网络320和车辆之间的接口/消息。其可以针对移动无线电网络和车辆之间的预测的QoS，指定响应接口。此外，其可以包括连接服务的列表，沿着规划的路线在时间和空间域中登记车辆。
道路交通生态系统可以由具有自己的生态系统的OEM(例如车辆制造商)来实现。非常方便的是，连接不同的OEM的不同的生态系统，以允许跨OEM的互操作性。道路基础设施可以由道路管理机构或者第三方来实现，通过利用来自基础设施的CPM支持道路管理机构或者第三方，道路管理机构或者第三方可能对具有OEM的商业模式感兴趣。移动无线电网络可以由移动无线电运营商来实现。并且可以由OEM管理车辆。复杂性可能在于不同的系统部件之间的接口的规范。接口至少部分可以基于在汽车使用案例中用于交换QoS信息的接口，其可以在车辆/UE与移动无线电网络之间，提供或者指定预测性的QoS接口。
如已经提到的，在实施例中，相应的方法可以作为可以在相应的硬件上执行的计算机程序或者代码来实现。因此，另一个实施例是计算机程序，该计算机程序具有程序代码，当在计算机、处理器或者可编程硬件部件上执行该计算机程序时，程序代码执行上述方法中的至少一个。另一个实施例是计算机可读存储介质，其存储指令，这些指令在由计算机、处理器或者可编程硬件部件执行时，使计算机实现这里描述的方法中的一个。
本领域技术人员将容易地认识到，上面描述的各种方法的步骤可以由编程的计算机来执行，例如，可以确定或者计算时隙的位置。这里，一些实施例还旨在覆盖程序存储设备，例如数字数据存储介质，其是机器或者计算机可读的，并且对指令的机器可执行或者计算机可执行的程序进行编码，其中，所述指令执行这里描述的方法的一些或者全部步骤。程序存储设备例如可以是数字存储器、诸如磁盘和磁带的磁存储介质、硬盘驱动器或者光学可读的数字数据存储介质。实施例还旨在覆盖编程为执行这里描述的方法的所述步骤的计算机，或者编程为执行上面描述的方法的所述步骤的(现场)可编程逻辑阵列((F)PLA)或者(现场)可编程门阵列((F)PGA)。
说明书和附图仅仅示出了本发明的原理。因此，应当理解，本领域技术人员能够设计各种布置，虽然这里未明确地描述或者示出，但是这些布置实施本发明的原理，并且包含在其精神和范围内。此外，这里描述的所有示例原则上旨在明确地仅用于教导的目的，以帮助读者理解本发明的原理以及发明人为了推进本领域而贡献的设计方案，并且应当解释为对具体描述的这些示例和条件没有限制。此外，这里描述本发明的原理、各方面和实施例以及其具体示例的所有陈述，旨在涵盖其等同方案。当由处理器提供功能时，可以由单个专用处理器、单个共享处理器或者多个单独的处理器来提供功能，这些单独的处理器中的一些可以共享。此外，术语“处理器”或者“控制器”的明确使用，不应当解释为仅仅是指能够执行软件的硬件，而可能暗含地包括、但是不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储装置。还可以包括其它常规或者定制的硬件。它们的功能可以通过程序逻辑的运算、通过专用逻辑、通过程序控制和专用逻辑的交互或者甚至手动地执行，如从上下文中更具体地理解的，特定的技术可以由执行者来选择。
本领域技术人员应当理解，这里的任意的框图表示实施本发明的原理的说明性电路的概念性视图。类似地，应当理解，任意的流程图表、流程图、状态转变图、伪代码等，表示实质上可以在计算机可读介质中表示的各种处理，因此由计算机或者处理器执行，不管是否明确示出了这种计算机或者处理器。
此外，所附权利要求由此结合到详细描述中，其中，每个权利要求可以作为单独的实施例而独立存在。虽然每个权利要求可以作为单独的实施例而独立存在，但是应当注意，虽然从属权利要求在权利要求书中是指与一个或更多个其它的权利要求的特定组合，但是其它实施例也可以包括从属权利要求与彼此从属的权利要求的主题的组合。除非声明不旨在特定的组合，否则这里提出这些组合。此外，旨在将一个权利要求的特征也包括到任意其它的独立权利要求中，即使该权利要求不直接从属于该独立权利要求。
还应当注意，在说明书中或者在权利要求书中公开的方法，可以由具有用于执行这些方法的各个步骤中的每个步骤的装置的设备来实现。
附图标记列表
10 设备
12 至少一个接口
14 控制模块
100 计算实体
110 获得多个环境感知模型
112 获得与多个规划的操控有关的信息
114 获得与多个路线有关的信息
120 生成组合环境感知模型
130 预测多个交通状况
140 对多个道路使用者进行分组
150 确定与通信链路的预测有关的信息
160 确定与预测的通信链路所需的无线电资源有关的信息
162 确定与在多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息
164 确定在多个交通状况中涉及的道路使用者
166 确定在多个交通状况中涉及的道路使用者所需要的车辆通信服务
168 确定在多个交通状况中涉及的道路使用者所需要的车辆通信服务的时间和地点
170 确定预测的通信链路的期望的服务质量
180 确定资源规划
190 确定与预测的通信的估计的服务质量有关的信息
200a 服务预测和道路使用者的聚集成群
200b 预测通信链路上的QoS
210 融合协同感知模型
220 预测道路交通状况
230 确定连接服务和道路使用者群
240 管理预测的连接服务和群的特征化
250 预测通信链路上的信道状态
260 预测通信链路上的QoS要求
270 预分配无线电资源
280 预测通信链路上的QoS
310 车辆
320 移动无线电网络
330 道路交通生态系统
340 道路基础设施

Claims (14)

1.一种用于预测多个交通状况的方法，所述方法包括：
从多个道路使用者，并且从多个道路侧基础设施实体，获得(110)多个环境感知模型；
基于所述多个环境感知模型，针对预先定义的区域，生成(120)组合环境感知模型，其中，所述多个环境感知模型融合在所述组合环境感知模型内；
基于所述组合环境感知模型，来预测(130)将来的多个时间点上的所述预先定义的区域内的多个交通状况；以及
基于所预测的多个交通状况，来确定(150)与所述多个交通状况中的道路使用者之间的通信链路的预测有关的信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：获得(112)与所述多个道路使用者的多个规划的操控有关的信息，其中，基于与所述多个规划的操控有关的信息，生成所述组合环境感知模型。
3.根据权利要求1所述的方法，其中，所述方法还包括：获得(114)与所述多个道路使用者的多个规划的路线有关的信息，其中，基于与所述多个规划的路线有关的信息，生成所述组合环境感知模型。
4.根据权利要求1所述的方法，其中，所述多个环境感知模型包括针对所述多个道路使用者周围的区域的建模信息，其中，所述建模信息涉及所述多个道路使用者通过所述多个道路使用者的感知传感器识别出的对象。
5.根据权利要求1所述的方法，其中，所述方法还包括：基于所预测的多个交通状况，将所述多个道路使用者分组(140)为多个道路使用者群。
6.根据权利要求1所述的方法，其中，所述方法包括：基于与所述通信链路的预测有关的信息，来确定(160)与预测的通信链路所需的无线电资源有关的信息。
7.根据权利要求6所述的方法，其中，所述方法包括：确定(162)与在所述多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息，其中，基于与在所述多个交通状况中涉及的道路使用者所需要的车辆通信服务有关的信息，来确定(160)与预测的通信链路所需的无线电资源有关的信息。
8.根据权利要求1所述的方法，其中，所述方法包括：基于所需的无线电资源，来确定(180)所述预先定义的区域内的无线电资源的资源规划。
9.根据权利要求1所述的方法，其中，所述多个交通状况中的道路使用者之间的通信链路包括：车辆与车辆通信链路和车辆与网络通信链路。
10.根据权利要求1所述的方法，其中，所述方法包括：基于预测的通信链路，基于与所述预先定义的区域内的可用无线电资源有关的信息，并且基于所述预先定义的区域内的道路使用者之间的预测的通信链路上的预测的信道状态信息，来确定(190)与预测的通信链路的估计的服务质量有关的信息。
11.根据权利要求1至10中任一项所述的方法，其中，使用机器学习算法，来确定(150)与所述多个交通状况中的道路使用者的通信的预测有关的信息，其中，与所述多个交通状况有关的信息用作所述机器学习算法的输入。
12.根据权利要求1至10中任一项所述的方法，其中，所述方法由位于移动通信系统的基站处的计算实体来执行，其中，所述基站的覆盖区域至少部分与所述预先定义的区域的一部分重叠。
13.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序具有程序代码，当在计算机、处理器或者可编程硬件部件上执行所述计算机程序时，所述程序代码执行根据权利要求1至12中任一项所述的方法。
14.一种用于预测多个交通状况的设备(10)，所述设备包括：
至少一个接口(12)，用于与多个道路使用者和多个道路侧基础设施实体进行通信；以及
控制模块(14)，其被配置为：
经由所述至少一个接口(12)，从所述多个道路使用者，并且从所述多个道路侧基础设施实体，获得多个环境感知模型，
基于所述多个环境感知模型，针对预先定义的区域，生成组合环境感知模型，其中，所述多个环境感知模型融合在所述组合环境感知模型内，
基于所述组合环境感知模型，来预测将来的多个时间点上的所述预先定义的区域内的多个交通状况，并且
基于所预测的多个交通状况，来确定与多个交通状况中的道路使用者之间的通信链路的预测有关的信息。
CN202010021366.2A 2019-01-09 2020-01-09 确定多个交通状况的方法、设备和计算机可读存储介质 Active CN111432372B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP19150971.0A EP3681180A1 (en) 2019-01-09 2019-01-09 Method, apparatus and computer program for determining a plurality of traffic situations
EP19150971.0 2019-01-09
EP19152087.3A EP3681181B1 (en) 2019-01-09 2019-01-16 Method, apparatus and computer program for determining a plurality of traffic situations
EP19152087.3 2019-01-16

Publications (2)

Publication Number Publication Date
CN111432372A CN111432372A (zh) 2020-07-17
CN111432372B true CN111432372B (zh) 2023-08-04

Family

ID=65036593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010021366.2A Active CN111432372B (zh) 2019-01-09 2020-01-09 确定多个交通状况的方法、设备和计算机可读存储介质

Country Status (5)

Country Link
US (1) US11749107B2 (zh)
EP (2) EP3681180A1 (zh)
JP (1) JP7021266B2 (zh)
KR (1) KR102372549B1 (zh)
CN (1) CN111432372B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3791622A1 (en) * 2018-05-08 2021-03-17 Nokia Solutions and Networks Oy Management & orchestration aided transparent of 3gpp network into tsn bases industrial network
WO2021078357A1 (en) * 2019-10-21 2021-04-29 Telefonaktiebolaget Lm Ericsson (Publ) Methods, apparatus and machine-readable media relating to channel quality prediction in a wireless network
US11570636B2 (en) * 2020-06-28 2023-01-31 Ambeent Inc. Optimizing utilization and performance of Wi-Fi networks
US11256937B2 (en) * 2020-07-17 2022-02-22 Toyota Motor Engineering & Manufacturing North America, Inc. Anomalous event detection and/or validation using inherent human behavior
CN112950929B (zh) * 2021-01-11 2022-08-05 张昕 全天候实时交通信息监测和qos分级控制系统及方法
US11877217B2 (en) * 2021-02-01 2024-01-16 Toyota Motor Engineering & Manufacturing North America, Inc. Message processing for wireless messages based on value of information
JP7046274B1 (ja) * 2021-02-05 2022-04-01 三菱電機株式会社 通信管理装置、通信管理方法、通信管理プログラム、運転支援装置、運転支援方法及び運転支援プログラム
US11653252B2 (en) * 2021-03-12 2023-05-16 Ford Global Technologies, Llc Systems and methods of detecting and predicting quality of service of communication links of connected vehicles
EP4106216A1 (en) 2021-06-14 2022-12-21 Volkswagen Ag Method for user equipment for predicting a channel dynamic
US11765562B2 (en) * 2021-10-11 2023-09-19 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for matching objects in collaborative perception messages
US20230129290A1 (en) * 2021-10-21 2023-04-27 Cisco Technology, Inc. Interpretable forecasting using path state transitions in application driven predictive routing
GB2620169A (en) * 2022-06-30 2024-01-03 Canon Kk Improved communications within an intelligent transport system to anticipate the behavior of mobile objects
WO2024044396A1 (en) * 2022-08-26 2024-02-29 Ohio State Innovation Foundation Systems and methods for cooperative navigation with autonomous vehicles
CN117253365B (zh) * 2023-11-17 2024-02-02 上海伯镭智能科技有限公司 一种车辆交通状况自动检测方法和相关装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102460534A (zh) * 2009-04-22 2012-05-16 因瑞克斯有限公司 基于历史和当前数据预测期望道路交通状况
CN108428340A (zh) * 2018-05-11 2018-08-21 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和系统
US10147324B1 (en) * 2017-07-10 2018-12-04 Toyota Research Institute, Inc. Providing user assistance in a vehicle based on traffic behavior models

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3184873B2 (ja) * 1997-09-04 2001-07-09 国土交通省土木研究所長 車両通信システムおよび方法
JP4008252B2 (ja) * 2001-05-25 2007-11-14 本田技研工業株式会社 危険車両情報提供装置、及びそのプログラム
US20060104219A1 (en) * 2004-11-15 2006-05-18 Harris Corporation Predictive mobile ad hoc networking including associated systems and methods
JP4872817B2 (ja) * 2007-06-13 2012-02-08 住友電気工業株式会社 路側通信装置及び通信方法
JP5251642B2 (ja) * 2009-03-17 2013-07-31 住友電気工業株式会社 移動通信機、路側通信機、送信条件を調整する方法、及びコンピュータプログラム
JP2010224610A (ja) * 2009-03-19 2010-10-07 Aisin Aw Co Ltd 運転支援装置、運転支援方法および運転支援プログラム
US9842498B2 (en) * 2011-07-05 2017-12-12 Qualcomm Incorporated Road-traffic-based group, identifier, and resource selection in vehicular peer-to-peer networks
ES2440564T3 (es) 2011-08-04 2014-01-29 Deutsche Telekom Ag Método y sistema para la optimización de capa transversal proactiva y dinámica de la transmisión de datos a vehículos
US9215598B2 (en) * 2011-11-10 2015-12-15 Toyota Jidosha Kabushiki Kaisha Optimizing dynamic spectrum access
US10072938B2 (en) * 2016-04-29 2018-09-11 Bayerische Motoren Werke Aktiengesellschaft Method and system for determining and providing a personalized ETA with privacy preservation
US11889393B2 (en) * 2017-06-23 2024-01-30 Veniam, Inc. Methods and systems for detecting anomalies and forecasting optimizations to improve urban living management using networks of autonomous vehicles
US11630998B2 (en) * 2018-03-26 2023-04-18 Cohda Wireless Pty Ltd. Systems and methods for automatically training neural networks
EP3820753B1 (en) * 2018-07-14 2023-08-02 Moove.AI Vehicle-data analytics
US11044588B2 (en) * 2018-07-23 2021-06-22 International Business Machines Corporation System and method for collaborative caching
US20200125086A1 (en) * 2018-10-23 2020-04-23 Peloton Technology, Inc. Systems and methods for platooning and automation safety

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102460534A (zh) * 2009-04-22 2012-05-16 因瑞克斯有限公司 基于历史和当前数据预测期望道路交通状况
US10147324B1 (en) * 2017-07-10 2018-12-04 Toyota Research Institute, Inc. Providing user assistance in a vehicle based on traffic behavior models
CN108428340A (zh) * 2018-05-11 2018-08-21 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和系统

Also Published As

Publication number Publication date
EP3681181B1 (en) 2022-08-24
US11749107B2 (en) 2023-09-05
JP2020113272A (ja) 2020-07-27
KR20200086640A (ko) 2020-07-17
US20200219386A1 (en) 2020-07-09
JP7021266B2 (ja) 2022-02-16
EP3681181A1 (en) 2020-07-15
EP3681180A1 (en) 2020-07-15
CN111432372A (zh) 2020-07-17
KR102372549B1 (ko) 2022-03-10

Similar Documents

Publication Publication Date Title
CN111432372B (zh) 确定多个交通状况的方法、设备和计算机可读存储介质
Raza et al. A survey on vehicular edge computing: architecture, applications, technical issues, and future directions
Abdel Hakeem et al. 5G-V2X: Standardization, architecture, use cases, network-slicing, and edge-computing
US10812996B2 (en) Methods and systems for communication among nodes for the internet of things, including autonomous vehicles, for optimizing operations of the nodes
US10735518B2 (en) Systems and methods for self-organized fleets of autonomous vehicles for optimal and adaptive transport and offload of massive amounts of data
Hussein et al. A comprehensive survey on vehicular networking: Communications, applications, challenges, and upcoming research directions
Daniel et al. Cooperative intelligence of vehicles for intelligent transportation systems (ITS)
JP2021522604A (ja) ハイブリッド総合知覚およびマップクラウドソーシングのための方法およびシステム
Khan et al. A journey towards fully autonomous driving-fueled by a smart communication system
Vermesan et al. IoT technologies for connected and automated driving applications
Bouali et al. 5G for vehicular use cases: Analysis of technical requirements, value propositions and outlook
Upadhyay et al. An improved deep reinforcement learning routing technique for collision-free VANET
Jurczenia et al. A survey of vehicular network systems for road traffic management
Gillani et al. Traffic aware data gathering protocol for VANETs
Hasan et al. Federated learning for computational offloading and resource management of vehicular edge computing in 6G-V2X network
CN111669728B (zh) 用于确定针对移动通信系统中的本地化通信的双工资源方案的装置、方法和计算机可读介质
CN111669725B (zh) 用于确定针对移动通信系统中的本地化通信的双工资源方案的装置、方法和计算机可读介质
Afshari et al. LA-SPA: a new learning automata-based approach for the parking space selection and reservation
Yang et al. Dependable and reliable cloud‐based architectures for vehicular communications: A systematic literature review
Khelifi et al. Toward an efficient deployment of open source software in the Internet of vehicles field
Chebaane et al. Time‐Critical Fog Computing for Vehicular Networks
Kumar et al. Real-time data sharing, path planning and route optimization in urban traffic management
KR20180114978A (ko) V2x 기반 동적 통행 배정을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
Ryu et al. Mobility prediction based multi-directional broadcasting for both highway and urban vehicular sensor networks
Zoghlami Enhancing V2X communication systems for cooperative perception: road users safety

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant