CN112261609A - 毫米波车联网资源分配方法、装置、电子设备及存储介质 - Google Patents
毫米波车联网资源分配方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112261609A CN112261609A CN202011112937.XA CN202011112937A CN112261609A CN 112261609 A CN112261609 A CN 112261609A CN 202011112937 A CN202011112937 A CN 202011112937A CN 112261609 A CN112261609 A CN 112261609A
- Authority
- CN
- China
- Prior art keywords
- sensors
- data
- mobile device
- environment map
- base station
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013468 resource allocation Methods 0.000 title claims abstract description 33
- 238000010586 diagram Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 230000002787 reinforcement Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 14
- 230000009471 action Effects 0.000 description 13
- 230000006855 networking Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种毫米波车联网资源分配方法、装置、电子设备及存储介质。其中,资源分配方法,包括:在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;基站设备根据所述移动设备的第一环境图进行空间波束分配;基站设备基于所述空间波束分配进行时域、频域资源调度,从而提高空间无线环境感知准确性,提高空间波束和时域、频域资源的利用效率,提高整体吞吐率。
Description
技术领域
本公开涉及无线通信领域,具体涉及毫米波车联网资源分配方法、装置、电子设备及存储介质。
背景技术
在物联网传输资源分配中,存在采用多种传感器准确获取无线环境信息,基于无线环境信息对空间波束、时域、频域资源进行高效分配调度的问题。
发明内容
为了解决相关技术中的问题,本公开实施例提供毫米波车联网资源分配方法、装置、电子设备及存储介质。
第一方面,本公开实施例中提供了一种资源分配方法,包括:
在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;
根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;
基站设备根据所述移动设备的第一环境图进行空间波束分配;
基站设备基于所述空间波束分配进行时域、频域资源调度。
结合第一方面,本公开在第一方面的第一种实现方式中,所述根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图包括:
对每个特定移动设备,对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合;
对所述去除离群数据的第二数据集合进行数据融合,得到多个移动设备的第一环境图,作为所述移动设备的第一环境图。
结合第一方面的第一种实现方式,本公开在第一方面的第二种实现方式中,还包括:
对多个移动设备的第一环境图进行融合得到所述无线环境区域内的综合的第一环境图,作为所述移动设备的第一环境图。
结合第一方面的第一种实现方式,本公开在第一方面的第三种实现方式中,所述对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合包括:
采用递归主成分分析法对所述多个传感器的多个第一数据集合进行进行离群数据检测,获得异常传感器;
在所述多个传感器的多个第一数据集合中删除所述异常传感器的第一数据集合,得到去除离群数据的第二数据集合。
结合第一方面,本公开在第一方面的第四种实现方式中,所述基站设备根据所述移动设备的第一环境图进行空间波束分配包括:
所述基站设备根据所述移动设备的第一环境图,采用深度异步优势行动者-评论家强化学习模型进行空间波束分配。
结合第一方面,本公开在第一方面的第五种实现方式中,所述基站设备基于所述空间波束分配进行时域、频域资源调度包括:
基站设备基于所述空间波束分配,采用深度确定性梯度下降强化学习模型进行时域、频域资源调度。
结合第一方面,本公开在第一方面的第六种实现方式中,所述多个传感器包括以下至少一项:
毫米波雷达;和/或
高清摄像头;和/或
激光雷达;和/或
全球定位系统。
第二方面,本公开实施例中提供了一种资源分配装置,包括:
第一数据集合获取模块,被配置为在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;
第一环境图构建模块,被配置为根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;
空间波束分配模块,被配置为基站设备根据所述移动设备的第一环境图进行空间波束分配;
时域、频域资源调度模块,被配置为基站设备基于所述空间波束分配进行时域、频域资源调度。
第三方面,本公开实施例中提供了一种电子设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面、第一方面的第一种实现方式到第六种实现方式任一项所述的方法。
第四方面,本公开实施例中提供了一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面、第一方面的第一种实现方式到第六种实现方式任一项所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
根据本公开实施例提供的技术方案,通过在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;基站设备根据所述移动设备的第一环境图进行空间波束分配;基站设备基于所述空间波束分配进行时域、频域资源调度,从而提高空间无线环境感知准确性,提高空间波束和时域、频域资源的利用效率,提高整体吞吐率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1a示出根据本公开一实施方式的资源分配方法的实施场景的示例性流程图;
图1b示出根据本公开一实施方式的资源分配方法的实施场景的示例性示意图;
图1c示出根据本公开一实施方式的资源分配方法的实施场景的示例性示意图;
图2示出根据本公开一实施方式的资源分配方法的流程图;
图3示出根据图2所示实施方式中的步骤S202的流程图;
图4示出根据图3所示实施方式中的步骤S301的流程图;
图5示出根据本公开一实施方式的资源分配装置的结构框图;
图6示出根据本公开一实施方式的电子设备的结构框图;
图7是适于用来实现根据本公开一实施方式的资源分配方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的标签、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他标签、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的标签可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
网联车辆通常配备大量传感器,如摄像头、激光雷达、红外传感、毫米波雷达等,以对路况、车辆等环境信息进行精准感知。然而众多传感器会产生大量数据,一小时的数据量高达1TB。如此庞大的环境感知数据的分享,对无线网络接入速率提出了严峻挑战。随着微波无线链路的频谱效率逐渐趋于理论极值,可以采用毫米波对车联网的数据进行传输。然而,车辆的高移动性以及时变环境中障碍物的动态遮挡,将导致频繁的接入波束及时频域资源切换。确定最佳的接入波束以及时频域资源是一个复杂的过程,耗时较大,尤其是在接入节点配备大规模天线的时候。另一方面,由于毫米波传输特性,精准的位置以及环境信息能够降低波束对准时间,简化毫米波蜂窝网络空时频调度过程。针对5G毫米波车联网特性,利用高精度环境感知数据,设计快速、高效、智能的空时频协同调度技术,保障网联车辆的服务质量需求,实现高可靠的无缝通信,是毫米波车联网所面临的基础问题,具有重要的研究意义和实用价值。
为了解决上述问题,本公开提出一种资源分配方法、装置、电子设备及可读存储介质。
图1a示出根据本公开一实施方式的资源分配方法的实施场景的示例性流程图。
如图1a所示,资源分配方法的实施场景包括步骤S101、S102、S103、S104、S105。
在步骤S101中,毫米波网联车辆专属无线环境图建模。
在步骤S102中,基于递归主成分分析法的多源数据离群检测。
在步骤S103中,基于最大比合并的多源数据高保真融合。
在步骤S104中,环境感知的智能空域波束决策。
在步骤S105中,智能空时频域联合分配算法。
在本公开的一个实施例中,在步骤S101中,针对每个毫米波网联车辆,将特定的网络服务区域抽象为一个大小为H×W的无线环境图,包含HW个像素,每个像素分别对应一小块子区域。每个像素值建模为量化后的灰度值,表示对应子区域中障碍的高度及对毫米波的阻碍强度。无线环境图中的每个像素对应一个m×n维的矩阵X,对应每个网联车辆上的m个传感器(毫米波雷达,高清摄像头,激光雷达,GPS等)在连续的n个时刻,对子区域进行检测的感知数据,该感知数据以灰度等级方式表示。感知数据可以包括对建筑、树木等静态障碍以及车辆、行人等动态障碍的感知数据,也可以包括其它感知数据,本公开对此不作限定。
在本公开的一个实施例中,在步骤S102中,采用递归主成分分析法进行数据离群值检测。在此步骤中,利用多源估计值间的强相关性通过空间转换,将多源估计值转换到一个低维主成分空间,通过评估在提取主成分之后的残差值,找出离群数据,并根据时变的无线环境,更新离群检测参数,提高可扩展性。
步骤S102可以分解为以下子步骤:
(1)对无线环境图中每像素的多传感器感知数据X进行处理。计算多传感器感知数据X的协方差矩阵对协方差矩阵CX进行特征值分解,得到:CX=EΛET,其中表示特征向量矩阵,{ei,i=1,2,......,m}表示CX的特征向量集合,Λ则是由CX的特征值{λi,i=1,2,......,m}构成的对角矩阵。
(2)将Λ矩阵中最大的l个特征值(l<m)提取为主成分特征值,主成分特征值所对应的特征向量为主成分特征向量。主成分描述了每像素的多传感器感知数据X的统计特征。主成分的数目根据累积百分比计算,记为:
其中,λi表示协方差矩阵CX第i大的特征值。γ的大小由具体的无线环境图特征以及精度需求决定。
(4)考虑到残差值反映了数据的离群程度,采用残差矩阵Σ的Frobenius范数的平方ε作为离群数据的检测标准,即:令ε(j)表示第j个样本的统计残差值,x(j)=[x1(j),x2(j),......,xm(j)]T表示一个像素的所有m个传感器的在连续的n个时刻中,在第j个时刻的感知数据,得到以下残差序列令με和σε分别表示残差序列{ε(j),j=1,2,......,n}的均值和标准差。
(5)考虑无线环境既包括静态障碍也包括动态障碍,并且无线环境图在时间尺度上具有连续性,考虑多个连续时刻收集到的多个传感器的感知数据,递归的更新离群数据检测阈值,提高多源数据融合的可扩展性。边缘计算平台始终存储对于无线环境图的时域平均残差值,并根据新收集的多个传感器的感知数据进行不断更新迭代。对于t时刻新收集到的多个传感器的感知数据x(t)=[x1(t),x2(t),......,xm(t)]T,首先计算出残差值ε(t),然后根据ε(t)值,进行离群数据检测P{|ε(t)-με|≤ξα·σε}=1-α,其中,ξα表示自适应阈值,可以根据精度需求进行灵活设置。如果出现ε(t)超过一定范围,则判定出现离群数据,需要进行进一步离群数据诊断。
(6)在判断出多个传感器的感知数据x(t)=[x1(t),x2(t),......,xm(t)]T出现异常之后,首先计算每个主成分的ε值定义每个数据与整体数据残差之比为ηi=εi(t)/ε(t)。ηi作为权重,可以衡量每个数据的离群程度,如果ηi大于预定义的一个阈值,则特定的传感器感知到的数据xi(t)被诊断为异常值。
根据检测结果更新主成分矩阵,残差序列{ε(j)}的均值με以及标准差σε,以响应毫米波网联车辆的快速环境变化。
在本公开的一个实施例中,在步骤S103中,基于最大比合并的多源数据高保真融合。对于在时刻t获取的多个传感器的感知数据x(t)=[x1(t),x2(t),......,xm(t)]T,检测出产生离群数据所对应的错误传感器,并删除这些错误传感器所对应的数据列,得到关于当前像素的高保真多传感器感知数据
用以下最大比合并策略进行高保真多传感器感知数据的融合,得到每个像素的灰度值:
针对每个像素重复上述过程,最终获得关于每个毫米波网联车辆的专属无线环境图,从而为毫米波网联车辆的快速空时频调度提供依据。
在本公开的一个实施例中,还可以对多个毫米波网联车辆的专属无线环境图进行合并,得到统一的无线环境图进行后续处理,从而降低处理复杂度。
在本公开的一个实施例中,在步骤S104中,环境感知的智能空域波束决策。
在每个波束相干时间里开始阶段,进行空域资源分配,即基站分配指向毫米波网联车辆的空域波束资源。基站利用无线环境图,采用深度异步优势行动者-评论家(Asynchronous Advantage Actor-Critic,A3C)强化学习模型进行求解,确定每个毫米波网联车辆的可行波束集。
图1b示出根据本公开一实施方式的资源分配方法的实施场景的示例性示意图。
如图1b所示,111中包括网联车辆1至网联车辆J的无线环境图中的H×W个像素的灰度值。
将无线环境图中的H×W个像素的灰度值输入输入层112。在输入层112中,包括卷积神经网络和递归神经网络,首先利用卷积神经网络来提取无线环境图中的空域特征,然后根据时域相关性,利用递归神经网络提取无线环境图中的时域特征,降低环境图滞后的影响。
然后将提取出的特征输入深度异步优势行动者-评论家(AsynchronousAdvantage Actor-Critic,A3C)强化学习模型。A3C强化学习模型包括行动者网络113和评论家网络114。
环境115得到行动者网络的行动,并将状态反馈给111中的网联车辆的无线环境图。
行动者网络采用策略梯度方法,根据输入做出动作选择,而评论家网络采用Qlearning方法,评判行动者网络所选动作效用,给出奖惩。
在基站中部署代理agent,根据状态信息,为每个毫米波网联车辆选择最佳可用波束集,然后根据实际执行后的效用,迭代更新决策策略。
状态设置为:针对第j个毫米波网联车辆,将其状态值定义为一系列在时域上连续的Δt帧专属无线环境图:
sj=[Yj(t-Δt),Yj(t-Δt+1),......,Yj(t)]
其中每一帧专属无线环境图具有H×W个像素点,将每个像素点量化为D个不同的灰度等级,状态空间大小可以表示为(Δt×H×W)D。
其中Nt是发送波束,Nr是接收波束。
其中,γt为奖励折扣因子,能够实现长时间空间资源分配收益与当前收益的权衡,保证系统的收敛性和输出性能。
在本公开的一个实施例中,在步骤S105中,智能空时频域联合分配算法。在每个信道相干时间内,根据上一步空间资源分配得到的每个网联车辆可用波束集合,进行智能空时频资源联合分配。
在本公开的一个实施例中,可以使用深度确定性梯度下降(Deep DeterministicPolicy Gradient,DDPG)强化学习模型,实现智能空时频域资源联合分配算法。DDPG强化学习模型由行动者网络和评论家网络构成。
图1c示出根据本公开一实施方式的资源分配方法的实施场景的示例性示意图。
如图1c所示,环境124将包含有效信道增益、业务种类、数据大小、等待时间的状态121输入行动者网络122,行动者网络122将“行动嵌入”输入到评论家网络123,评论家网络123则将行动反馈至环境124。
行动者网络122采用策略梯度学习方法,评论家网络123采用基于值的Q learning方法。行动者网络122和评论家网络123分别由Target策略网络和Online策略网络构成,其中Target策略网络是Online策略网络的周期性拷贝。行动者-评论家网络的整体训练方法采用DDPG,以提高效率和收敛速率。
在图1c所示的实施场景的示例性示意图中,状态设置为:将状态空间定义为s={Heff,yj(z),Dj,τj},其中的Heff、yj(z)、Dj、τj分别为前述步骤S104得到的可用波束集合估计到的基带有效信道增益、网联车辆请求业务种类、数据大小以及没有得到调度的总信道相干时间数目。
动作设置为:当前信道相干时间内,基站在哪个频域子信道上采用哪个波束与哪个网联车辆进行通信,即a={x(nj,f),j=1,2,...,J},其中的j是网联车辆编号,f是频域子信道编号。
效用设置为:根据不同业务的优先级,尽力保障毫米波网联车辆的请求数据传输完毕,同时能够优化系统空时频资源利用率,每个信道相干时间内奖励函数定义为
其中,第一项是系统空时频资源的利用效率,第二项表示对网联车辆已传输数据大小的奖励,其中βz表示不同业务的重要性,第三项是对剩余数据大小的惩罚项,第四项能够引入调度的公平性,防止部分网联车辆长时间得不到调度。此外,α1,α2,α3,α4表示权重因子,可以实现四项效用的均衡。波束相干时间内长期的效用定义为
本领域普通技术人员可以理解,本公开实施例的技术方案除了用于基站和网联车辆的空时频域资源分配,还可以用于基站和无人机、工厂中的移动机器人等其它移动设备间的空时频域资源分配,本公开对此不作限定。
图2示出根据本公开一实施方式的资源分配方法的流程图。如图2所示,资源分配方法包括步骤S201、S202、S203、S204。
在步骤S201中,在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合。
在步骤S202中,根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图。
在步骤S203中,基站设备根据所述移动设备的第一环境图进行空间波束分配。
在步骤S204中,基站设备基于所述空间波束分配进行时域、频域资源调度。
在本公开的一个实施例中,所述移动设备可以是毫米波网联车辆,也可以是无人机、移动机器人等移动设备,本公开对此不作限定。
在移动设备所处的无线环境区域中,将无线环境区域抽象为一个大小为H×W的无线环境图,包含H×W个像素,每个像素分别对应一小块子区域。每个像素值建模为量化后的灰度值,表示对应子区域中障碍的高度及对毫米波的阻碍强度。从移动设备的例如毫米波雷达,高清摄像头,激光雷达,GPS等的多个传感器获取多个第一数据集合,第一数据集合可以是无线环境图中的每个像素对应一个m×n维的矩阵X。而由多个传感器的第一数据集合进行数据融合,可以得到例如无线环境图的移动设备的第一环境图。基站设备根据移动设备的第一环境图进行空间波束分配,再基于空间波束分配进行时域、频域信道资源调度,提高系统整体的资源传输效率。
根据本公开实施例提供的技术方案,通过在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;基站设备根据所述移动设备的第一环境图进行空间波束分配;基站设备基于所述空间波束分配进行时域、频域资源调度,从而提高空间无线环境感知准确性,提高空间波束和时域、频域资源的利用效率,提高整体吞吐率。
图3示出根据图2所示实施方式中的步骤S202的流程图。
如图3所示,图2所示实施方式中的步骤S202包括:步骤S301、S302。
在步骤S301中,对每个特定移动设备,对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合。
在步骤S302中,对所述去除离群数据的第二数据集合进行数据融合,得到多个移动设备的第一环境图,作为所述移动设备的第一环境图。
在本公开的一个实施例中,可以对第一数据集合进行离群数据处理,得到错误传感器产生的离群数据。在第一数据集合中删除错误传感器产生的离群数据列,从而得到去除离群数据后的,有效的第二数据集合。对第二数据集合进行数据融合,综合多个有效传感器的数据,得到例如无线环境图的多个移动设备的第一环境图。
根据本公开实施例提供的技术方案,通过所述根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图包括:对每个特定移动设备,对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合;对所述去除离群数据的第二数据集合进行数据融合,得到多个移动设备的第一环境图,作为所述移动设备的第一环境图,从而剔除错误传感器的数据干扰,并融合多个传感器数据得到综合、完整的第一环境图,提高空间无线环境感知准确性,提高空间波束和时域、频域资源的利用效率,提高整体吞吐率。
在本公开的一个实施例中,由于多个移动设备在相同的无线区域环境中,可以将多个移动设备的的无线环境图进行融合,得到无线环境区域中的综合的无线环境图,由基站针对综合的无线环境图进行波束分配和时域、频域资源分配等处理。相比处理多个移动设备的无线环境图,运算量大为减少,节约了运算资源。
根据本公开实施例提供的技术方案,通过还包括:对多个移动设备的第一环境图进行融合得到所述无线环境区域内的综合的第一环境图,作为所述移动设备的第一环境图,从而减少运算量,节约运算资源。
图4示出根据图3所示实施方式中的步骤S301的流程图。
如图4所示,图3所示实施方式中的步骤S301包括:步骤S401、步骤S402。
在步骤S401中,采用递归主成分分析法对所述多个传感器的多个第一数据集合进行离群数据检测,获得异常传感器。
在步骤S402中,在所述多个传感器的多个第一数据集合中删除所述异常传感器的第一数据集合,得到去除离群数据的第二数据集合。
在本公开的一个实施例中,可以采用递归主成分分析法,对多个传感器的多个第一数据集合进行离群数据检测,得到产生离群数据的异常传感器。而在所述所述多个传感器的多个第一数据集合中删除所述异常传感器的第一数据集合,则是在m×n维的矩阵X中剔除异常传感器产生的离群数据列,得到去除离群数据后的第二数据集合。
根据本公开实施例提供的技术方案,通过所述对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合包括:采用递归主成分分析法对所述多个传感器的多个第一数据集合进行进行离群数据检测,获得异常传感器;在所述所述多个传感器的多个第一数据集合中删除所述异常传感器的第一数据集合,得到去除离群数据的第二数据集合,从而避免异常传感器的干扰,提高空间无线环境感知准确性,提高空间波束和时域、频域资源的利用效率,提高整体吞吐率。
在本公开的一个实施例中,可以采用深度异步优势行动者-评论家强化学习模型,基于无线环境图进行空间波束分配。深度异步优势行动者-评论家(AsynchronousAdvantage Actor-Critic,A3C)强化学习模型包括行动者网络和评论家网络。
行动者网络采用策略梯度方法,根据输入做出动作选择,而评论家网络采用Qlearning方法,评判行动者网络所选动作效用,给出奖惩。在基站中部署代理agent,根据状态信息,为每个毫米波网联车辆选择最佳可用波束集,然后根据实际执行后的效用,迭代更新决策策略。
根据本公开实施例提供的技术方案,通过所述基站设备根据所述移动设备的第一环境图进行空间波束分配包括:所述基站设备根据所述移动设备的第一环境图,采用深度异步优势行动者-评论家强化学习模型进行空间波束分配,从而提高空间波束的分配效率,由基站对移动设备进行更高效的空间波束覆盖,提高整体吞吐率。
在本公开的一个实施例中,在基站设备进行空间波束分配之后,可以采用深度确定性梯度下降(Deep Deterministic Policy Gradient,DDPG)强化学习模型进行时域、频域资源调度。DDPG强化学习模型由行动者网络和评论家网络构成。行动者网络和评论家网络分别由Target策略网络和Online策略网络构成,其中Target策略网络是Online策略网络的周期性拷贝。行动者-评论家网络的整体训练方法采用DDPG,以提高效率和收敛速率。
根据本公开实施例提供的技术方案,通过所述基站设备基于所述空间波束分配进行时域、频域资源调度包括:基站设备基于所述空间波束分配,采用深度确定性梯度下降强化学习模型进行时域、频域资源调度,从而提高空间波束后的时域、频域资源的分配效率和收敛速率,提高整体吞吐率。
在本公开的一个实施例中,多个传感器包括以下至少一项:毫米波雷达、高清摄像头、激光雷达、全球定位系统。不同的传感器可以在不同的天气环境、光照环境中使用,具有不同的作用距离,可以对网联车辆的周边无线环境进行精确的测量和感知。全球定位系统可以采用美国GPS系统、中国北斗系统、俄罗斯格洛纳斯系统中的一个或者多个,从而提高地位准确性。
根据本公开实施例提供的技术方案,通过所述多个传感器包括以下至少一项:毫米波雷达;和/或高清摄像头;和/或激光雷达;和/或全球定位系统,从而通过多种渠道获取精确的感知数据,从而获得准确的无线环境图,提高系统整体吞吐率。
图5示出根据本公开一实施方式的资源分配装置的结构框图。
如图5所示,资源分配装置500包括:第一数据集合获取模块501、第一环境图构建模块502、空间波束分配模块503、时域、频域资源调度模块504。
第一数据集合获取模块501被配置为在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;
第一环境图构建模块502被配置为根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;
空间波束分配模块503被配置为基站设备根据所述移动设备的第一环境图进行空间波束分配;
时域、频域资源调度模块504被配置为基站设备基于所述空间波束分配进行时域、频域资源调度。
根据本公开实施例提供的技术方案,通过第一数据集合获取模块,被配置为在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;第一环境图构建模块,被配置为根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;空间波束分配模块,被配置为基站设备根据所述移动设备的第一环境图进行空间波束分配;时域、频域资源调度模块,被配置为基站设备基于所述空间波束分配进行时域、频域资源调度,从而提高空间无线环境感知准确性,提高空间波束和时域、频域资源的利用效率,提高整体吞吐率。
图6示出根据本公开一实施方式的电子设备的结构框图。
本公开实施方式还提供了一种电子设备,如图6所示,所述电子设备600包括处理器601和存储器602;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现以下步骤:
在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;
根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;
基站设备根据所述移动设备的第一环境图进行空间波束分配;
基站设备基于所述空间波束分配进行时域、频域资源调度。
在本公开的一个实施例中,所述根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图包括:
对每个特定移动设备,对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合;
对所述去除离群数据的第二数据集合进行数据融合,得到多个移动设备的第一环境图,作为所述移动设备的第一环境图。
在本公开的一个实施例中,还包括:
对多个移动设备的第一环境图进行融合得到所述无线环境区域内的综合的第一环境图,作为所述移动设备的第一环境图。
在本公开的一个实施例中,所述对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合包括:
采用递归主成分分析法对所述多个传感器的多个第一数据集合进行进行离群数据检测,获得异常传感器;
在所述所述多个传感器的多个第一数据集合中删除所述异常传感器的第一数据集合,得到去除离群数据的第二数据集合。
在本公开的一个实施例中,所述基站设备根据所述移动设备的第一环境图进行空间波束分配包括:
所述基站设备根据所述移动设备的第一环境图,采用深度异步优势行动者-评论家强化学习模型进行空间波束分配。
在本公开的一个实施例中,所述基站设备基于所述空间波束分配进行时域、频域资源调度包括:
基站设备基于所述空间波束分配,采用深度确定性梯度下降强化学习模型进行时域、频域资源调度。
在本公开的一个实施例中,所述多个传感器包括以下至少一项:
毫米波雷达;和/或
高清摄像头;和/或
激光雷达;和/或
全球定位系统。
图7是适于用来实现根据本公开一实施方式的资源分配方法的计算机系统的结构示意图。
如图7所示,计算机系统700包括处理单元701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行上述附图所示的实施方式中的各种处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。处理单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。其中,所述处理单元701可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施方式,上文参考附图描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行附图中的方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述节点中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种资源分配方法,包括:
在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;
根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;
基站设备根据所述移动设备的第一环境图进行空间波束分配;
基站设备基于所述空间波束分配进行时域、频域资源调度。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图包括:
对每个特定移动设备,对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合;
对所述去除离群数据的第二数据集合进行数据融合,得到多个移动设备的第一环境图,作为所述移动设备的第一环境图。
3.根据权利要求2所述的方法,其特征在于,还包括:
对多个移动设备的第一环境图进行融合得到所述无线环境区域内的综合的第一环境图,作为所述移动设备的第一环境图。
4.根据权利要求2所述的方法,其特征在于,
所述对所述特定移动设备的多个传感器的多个第一数据集合进行离群数据处理,得到去除离群数据的第二数据集合包括:
采用递归主成分分析法对所述多个传感器的多个第一数据集合进行离群数据检测,获得异常传感器;
在所述多个传感器的多个第一数据集合中删除所述异常传感器的第一数据集合,得到去除离群数据的第二数据集合。
5.根据权利要求1所述的方法,其特征在于,所述基站设备根据所述移动设备的第一环境图进行空间波束分配包括:
所述基站设备根据所述移动设备的第一环境图,采用深度异步优势行动者-评论家强化学习模型进行空间波束分配。
6.根据权利要求1所述的方法,其特征在于,所述基站设备基于所述空间波束分配进行时域、频域资源调度包括:
基站设备基于所述空间波束分配,采用深度确定性梯度下降强化学习模型进行时域、频域资源调度。
7.根据权利要求1所述的方法,其特征在于,所述多个传感器包括以下至少一项:
毫米波雷达;和/或
高清摄像头;和/或
激光雷达;和/或
全球定位系统。
8.一种资源分配装置,包括:
第一数据集合获取模块,被配置为在无线环境区域内,从移动设备的多个传感器构建所述多个传感器的多个第一数据集合;
第一环境图构建模块,被配置为根据所述多个传感器的多个第一数据集合构建所述移动设备的第一环境图;
空间波束分配模块,被配置为基站设备根据所述移动设备的第一环境图进行空间波束分配;
时域、频域资源调度模块,被配置为基站设备基于所述空间波束分配进行时域、频域资源调度。
9.一种电子设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-7任一项所述的方法。
10.一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112937.XA CN112261609B (zh) | 2020-10-16 | 2020-10-16 | 毫米波车联网资源分配方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112937.XA CN112261609B (zh) | 2020-10-16 | 2020-10-16 | 毫米波车联网资源分配方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112261609A true CN112261609A (zh) | 2021-01-22 |
CN112261609B CN112261609B (zh) | 2022-02-11 |
Family
ID=74244660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011112937.XA Active CN112261609B (zh) | 2020-10-16 | 2020-10-16 | 毫米波车联网资源分配方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112261609B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113490177A (zh) * | 2021-06-16 | 2021-10-08 | 北京邮电大学 | 基于云无线接入网架构的车联网高效通信方法及相关设备 |
CN114553284A (zh) * | 2022-04-27 | 2022-05-27 | 四川太赫兹通信有限公司 | 一种波束对准方法、装置、基站及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其系统 |
US20170099624A1 (en) * | 2015-10-05 | 2017-04-06 | Qualcomm Incorporated | Minimization of resource allocation delay for v2x application |
CN110235402A (zh) * | 2017-01-31 | 2019-09-13 | 高通股份有限公司 | 车联网反馈信道设计 |
US20200214016A1 (en) * | 2018-12-28 | 2020-07-02 | Samsung Electronics Co., Ltd. | Apparatus and method for resource management in wireless communication system |
CN111432482A (zh) * | 2019-01-10 | 2020-07-17 | 财团法人工业技术研究院 | 配置侧链路通信的资源池的方法、用户设备以及基站 |
CN111586566A (zh) * | 2020-05-21 | 2020-08-25 | 广州小鹏车联网科技有限公司 | 一种通信时隙的分配方法和装置、一种服务器 |
-
2020
- 2020-10-16 CN CN202011112937.XA patent/CN112261609B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170099624A1 (en) * | 2015-10-05 | 2017-04-06 | Qualcomm Incorporated | Minimization of resource allocation delay for v2x application |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其系统 |
CN110235402A (zh) * | 2017-01-31 | 2019-09-13 | 高通股份有限公司 | 车联网反馈信道设计 |
US20200214016A1 (en) * | 2018-12-28 | 2020-07-02 | Samsung Electronics Co., Ltd. | Apparatus and method for resource management in wireless communication system |
CN111432482A (zh) * | 2019-01-10 | 2020-07-17 | 财团法人工业技术研究院 | 配置侧链路通信的资源池的方法、用户设备以及基站 |
CN111586566A (zh) * | 2020-05-21 | 2020-08-25 | 广州小鹏车联网科技有限公司 | 一种通信时隙的分配方法和装置、一种服务器 |
Non-Patent Citations (1)
Title |
---|
周杰: "集成毫米波通信的5G车联网通信与计算协同技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113490177A (zh) * | 2021-06-16 | 2021-10-08 | 北京邮电大学 | 基于云无线接入网架构的车联网高效通信方法及相关设备 |
CN113490177B (zh) * | 2021-06-16 | 2024-02-13 | 北京邮电大学 | 基于云无线接入网架构的车联网高效通信方法及相关设备 |
CN114553284A (zh) * | 2022-04-27 | 2022-05-27 | 四川太赫兹通信有限公司 | 一种波束对准方法、装置、基站及计算机可读存储介质 |
CN114553284B (zh) * | 2022-04-27 | 2022-07-05 | 四川太赫兹通信有限公司 | 一种波束对准方法、装置、基站及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112261609B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giorgi et al. | PrevMap: an R package for prevalence mapping | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN112261609B (zh) | 毫米波车联网资源分配方法、装置、电子设备及存储介质 | |
CN114019467B (zh) | 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法 | |
CN107748942A (zh) | 基于速度场感知网络的雷达回波外推预测方法和系统 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN108337685B (zh) | 基于分簇dgm的无线传感器网络数据融合方法 | |
CN113988357B (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
CN110933633A (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
CN117195976A (zh) | 一种基于分层注意力的交通流量预测方法及系统 | |
CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
EP4002911A1 (en) | Apparatuses and methods to determine a high-resolution qos prediction map | |
Zhang et al. | Generative AI for space-air-ground integrated networks (SAGIN) | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
KR20200017612A (ko) | 딥러닝을 이용한 위치 측위 학습 방법 | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
CN116579460A (zh) | 信息预测方法、装置、计算机设备和存储介质 | |
CN112464997B (zh) | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 | |
CN113269301A (zh) | 基于神经网络估计多目标跟踪系统参数的方法及系统 | |
CN115577797A (zh) | 一种基于本地噪声感知的联邦学习优化方法及系统 | |
CN113190632A (zh) | 一种轨迹复原算法的模型建立方法及系统 | |
CN112184753A (zh) | 目标光流法确定方法、装置、计算机设备和存储介质 | |
CN118392151B (zh) | 一种基于多传感器融合算法的室内外定位方法 |
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 |