CN114267168A - 一种应用于城市快速路环境下的编队资源分配方法 - Google Patents

一种应用于城市快速路环境下的编队资源分配方法 Download PDF

Info

Publication number
CN114267168A
CN114267168A CN202111600260.9A CN202111600260A CN114267168A CN 114267168 A CN114267168 A CN 114267168A CN 202111600260 A CN202111600260 A CN 202111600260A CN 114267168 A CN114267168 A CN 114267168A
Authority
CN
China
Prior art keywords
formation
vehicle
vehicles
head
resource allocation
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
Application number
CN202111600260.9A
Other languages
English (en)
Other versions
CN114267168B (zh
Inventor
于海洋
赵亚楠
任毅龙
梁育豪
兰征兴
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202111600260.9A priority Critical patent/CN114267168B/zh
Publication of CN114267168A publication Critical patent/CN114267168A/zh
Application granted granted Critical
Publication of CN114267168B publication Critical patent/CN114267168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及一种应用于城市快速路环境下的编队资源分配方法,其特征在于,所述方法包括;步骤一:编队形成,分为三个子步骤:车辆登记、编队编组请求和编队头选举;步骤二:对优化问题模型进行求解,得到一组纳什均衡解;步骤三:在当前解是唯一纳什均衡解时,确定当前场景为最佳决策。本发明根据城市快速路环境下建立任务卸载方和编队方之间的模型,并且采用斯塔克伯格博弈模型构建了问题,使供给侧效用最大化。

Description

一种应用于城市快速路环境下的编队资源分配方法
技术领域
本发明属于资源分配、智能交通系统领域,具体而言涉及一种应用于城市快速路环境下的编队资源分配方法。
背景技术
近些年来智能网联汽车(ICV)得到不断发展,这些车辆配备车载单元(OBU),能够依靠长期演进车辆(LTE-V)或专用短程通信(DSRC) 等协议与其他实体进行实时通信。此外,ICV还可以提供各种应用和娱乐服务,如地图导航、碰撞警告、图像处理等,这些都需要大量的计算资源来满足延迟约束。然而,这种计算密集且对延迟敏感的服务不可能在短时间内由单个ICV完成。传统的做法是将这些复杂任务卸载到云服务器由其执行计算任务。然而,由于云服务器与城市快速路上的ICV之间相距较远导致了回程延迟较大,并不适用于城市快速路。
发明内容
本发明所要解决的技术问题是提出一种应用于城市快速路环境下的编队资源分配方法,通过编队配置效缩短任务传输时间、减小能源消耗。
为了解决上述问题,本发明提出的技术方案包括:
一种应用于城市快速路环境下的编队资源分配方法,其特征在于,所述方法包括;步骤一:编队形成,分为三个子步骤:车辆登记、编队编组请求和编队头选举;
步骤二:对优化问题模型进行求解,得到一组纳什均衡解;所述优化问题被表示为:
Figure RE-GDA0003525825190000021
Figure RE-GDA0003525825190000022
其中,供给侧模型为Us,i,编队内中的N辆车根据它们提供的计算资源量分为 N={n1,…,ni,…,nN}类,其中0<n1≤n2≤…≤ni≤…≤nN,i∈N;对于编队中的第i类车辆,计算状态定义为
Figure RE-GDA0003525825190000023
其中
Figure RE-GDA0003525825190000024
表示车辆 ni的最大计算量,ri表示ni的单位成本,τi表示ni维持自身运行所需的计算能力;车辆编队从减少空气阻力中获得收益,定义为F(Vp)= 0.02(Vp)2,F(·)是效益函数、Vp为编队头的速度;供给侧模型为
Figure RE-GDA0003525825190000025
Figure RE-GDA0003525825190000026
其中P为编队所得的增益,gi为第i类车辆的实际计算量,M为编队内的车辆总数:其中需求侧模型为Ub;需求侧在每个时隙开始时,计算需要在该时隙中解决的任务的相关参数{Tmax,Gmax},其中Tmax定义为最大延迟容忍阈值, Gmax表示为该时隙中的计算任务量;
Figure RE-GDA0003525825190000027
其中γ表示为节省时间所得到的单位奖励,δ为系统参数;
步骤三:在当前解是唯一纳什均衡解时,确定当前场景为最佳决策。
优选地,通过优化问题求解得到,第i类车辆最佳分配计算资源用下式算出:
Figure RE-GDA0003525825190000028
其中D为可以参与资源分配的车辆,如果有:
Figure RE-GDA0003525825190000029
Figure RE-GDA0003525825190000031
就令
Figure RE-GDA0003525825190000032
最终计算得出的资源分配方案
Figure RE-GDA0003525825190000033
Figure RE-GDA0003525825190000034
将当前资源分配策略代入需求侧收益函数的表达式得到:
Figure RE-GDA0003525825190000035
Figure RE-GDA0003525825190000036
其中
Figure RE-GDA0003525825190000037
求Ub对P的一阶、二阶偏导数表达式如下:
Figure RE-GDA0003525825190000038
Figure RE-GDA0003525825190000039
Figure RE-GDA00035258251900000310
解得
Figure RE-GDA00035258251900000311
Figure RE-GDA00035258251900000312
(P*,g*)是该博弈的唯一斯塔克伯格均衡,为编队所得的最佳收益。
优选地,所述步骤一包括:车辆登记子步骤:首先,车主向证书颁发机构提交其身份和车辆识别号;随后,证书颁发机构检查车主ID和车辆的各种性能指标;如果检查通过,证书颁发机构将为车辆生成唯一ID和证书;编队编组请求子步骤:已登记的车辆向信号覆盖区内的路侧单元转发编队编组请求;路侧单元向相邻车辆广播包括加入编队的要求稍微消息,符合条件的车辆有权加入该编队;当前编队成员可以选择它是否愿意成为编队头,并反馈给路侧单元;编队头选举子步骤:如果只有一名成员想成为编队头,将这名成员将作为编队头;如果不止一名成员申请担任编队头,则将选出声誉值最高的成员,未被选为编队头的车辆自动成为编队成员。
本发明根据城市快速路环境下建立任务卸载方(需求侧)和编队方(供给侧)之间的收益模型,并且采用斯塔克伯格博弈模型构建了一个问题模型,提出了一种有效的算法来计算唯一纳什均衡,使供给侧效用最大化。
附图说明
图1为本发明的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本具体实施方式提供了一种应用于城市快速路环境下的编队资源分配方法,所述方法包括:
步骤一:编队形成。
(1)车辆登记:车辆要参与系统,需要在完成登记并获得进入系统的有效证书。首先,车主向证书颁发机构(CA)提交其身份(ID) 和车辆识别号(VIN)。随后,CA检查车主ID和车辆的各种性能指标,以确保安全性和适航性。如果验证通过,CA将为车辆生成唯一ID(VID) 和证书。
(2)编队编组请求:已登记的车辆向信号覆盖区内的RSU转发编队编组请求。随后,RSU向相邻车辆广播一条消息,其中包括加入编队的要求。符合条件的车辆有权加入该编队。同时,当前编队成员可以选择它是否愿意成为编队头,并反馈给RSU。
(3)编队头选举:如果只有一名成员想成为编队头,这名成员将成为编队头。如果不止一名成员申请担任编队头,则将选出声誉值最高的成员。未被选为编队头的车辆自动成为编队成员。
步骤二:基于斯塔克伯格博弈模型模拟需求、供给双方的交易过程:
(1)供给侧模型:编队被视为一个整体来提供计算资源。但是,编队内的车辆种类可能相同可能不同,能提供的计算资源也不尽相同,队列中的N辆车可以根据它们提供的计算资源量分为N= {n1,…,ni,…,nN}类,其中0<n1≤n2≤…≤ni≤…≤nN,i∈N。
对于编队中的第i类车辆,计算状态定义为
Figure RE-GDA0003525825190000051
其中
Figure RE-GDA0003525825190000052
表示车辆ni的最大计算量,ri表示ni的单位成本,τi表示ni维持自身运行所需的计算能力。车辆编队从减少空气阻力中获得收益,定义为 F(Vp)=0.02(Vp)2。F(·)是效益函数,与编队头的速度Vp有关。假设ni收到的收益与gi成正比。因此,ni的效用函数可以表示为收益减去成本,其中P为编队所得的收益,gi为第i类车辆的实际计算量,M为编队内的车辆总数:
Figure RE-GDA0003525825190000053
Figure RE-GDA0003525825190000061
(2)需求侧模型:需求侧在每个时隙开始时,计算需要在该时隙中解决的任务的相关参数{Τmax,Gmax},其中Τmax定义为最大延迟容忍阈值,Gmax表示为该时隙中的计算任务量。设γ表示为节省时间所得到的单位奖励,δ为系统参数,则需求侧的效用函数表示为:
Figure RE-GDA0003525825190000062
(3)写出优化问题:激励机制的目标不仅是需求侧效用最大化,也使供给侧效用最大化。通过取反运算,将最大值问题转化为更适合最优化理论的最小值问题。然后,这两个阶段的效用优化问题能够被表示为:
Figure RE-GDA0003525825190000063
Figure RE-GDA0003525825190000064
Figure RE-GDA0003525825190000065
步骤三:求解优化问题并证明当前解是唯一纳什均衡解
通过优化问题求解得到,第i类车辆最佳分配计算资源用下式算出:
Figure RE-GDA0003525825190000066
其中D可以参与资源分配的车辆,注意到,如果有:
Figure RE-GDA0003525825190000071
就令
Figure RE-GDA0003525825190000072
根据上方式子计算得出最佳资源分配方案
Figure RE-GDA0003525825190000073
证明当前资源分配方案是唯一纳什均衡解
将最佳资源分配策略代入需求侧收益函数的表达式得到:
Figure RE-GDA0003525825190000074
Figure RE-GDA0003525825190000075
求Ub对P的一阶、二阶偏导数表达式如下:
Figure RE-GDA0003525825190000076
Figure RE-GDA0003525825190000077
发现
Figure RE-GDA0003525825190000078
恒大于0,则一阶偏导函数是单调递增的,取
Figure RE-GDA0003525825190000079
解得:
Figure RE-GDA00035258251900000710
Figure RE-GDA00035258251900000711
(P*,g*)是该博弈的唯一斯塔克伯格博弈均衡,其中,P*为编队所得的最佳收益,证明完毕。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。

Claims (3)

1.一种应用于城市快速路环境下的编队资源分配方法,其特征在于,所述方法包括;
步骤一:编队形成,分为三个子步骤:车辆登记、编队编组请求和编队头选举;
步骤二:对优化问题模型进行求解,得到一组纳什均衡解
所述优化问题被表示为:
Figure FDA0003431470970000011
满足
Figure FDA0003431470970000012
Figure FDA0003431470970000013
其中,供给侧模型为Us,i,编队内中的N辆车根据它们提供的计算资源量分为N={n1,…,ni,…,nN}类,其中0<n1≤n2≤…≤ni≤…≤nN,i∈i;对于编队中的第i类车辆,计算状态定义为
Figure FDA0003431470970000014
其中
Figure FDA0003431470970000015
表示车辆ni的最大计算量,ri表示ni的单位成本,τi表示ni维持自身运行所需的计算能力;车辆编队从减少空气阻力中获得收益,定义为F(Vp)=0.02(Vp)2,F(·)是效益函数、Vp为编队头的速度;供给侧模型为
Figure FDA0003431470970000016
其中P为编队所得的增益,gi为第i类车辆的实际计算量,M为编队内的车辆总数:
其中需求侧模型为Ub;需求侧在每个时隙开始时,计算需要在该时隙中解决的任务的相关参数{Tmax,Gmax},其中Tmax定义为最大延迟容忍阈值,Gmax表示为该时隙中的计算任务量;
Figure FDA0003431470970000017
Figure FDA0003431470970000018
其中γ表示为节省时间所得到的单位奖励,δ为系统参数;步骤三:在当前解是唯一纳什均衡解时,确定当前场景为最佳决策。
2.根据权利要求1所述的一种应用于城市快速路环境下的编队资源分配方法,其特征在于,
通过优化问题求解得到,第i类车辆最佳分配计算资源用下式算出:
Figure FDA0003431470970000021
其中D为可以参与资源分配的车辆,如果有
Figure FDA0003431470970000022
Figure FDA0003431470970000023
就令
Figure FDA0003431470970000024
最终计算得出的资源分配方案
Figure FDA0003431470970000025
Figure FDA0003431470970000026
将当前资源分配策略代入需求侧收益函数的表达式得到:
Figure FDA0003431470970000027
Figure FDA0003431470970000028
其中
Figure FDA0003431470970000029
求Ub对P的一阶、二阶偏导数表达式如下:
Figure FDA00034314709700000210
Figure FDA00034314709700000211
Figure FDA00034314709700000212
解得
Figure FDA00034314709700000213
Figure FDA00034314709700000214
(P*,g*)是该博弈的唯一斯塔克伯格均衡,为编队所得的最佳收益。
3.根据权利要求1所述的一种应用于城市快速路环境下的编队资源分配方法,其特征在于,所述步骤一包括:
车辆登记子步骤:首先,车主向证书颁发机构提交其身份和车辆识别号;随后,证书颁发机构检查车主ID和车辆的各种性能指标;如果检查通过,证书颁发机构将为车辆生成唯一ID和证书;
编队编组请求子步骤:已登记的车辆向信号覆盖区内的路侧单元转发编队编组请求;路侧单元向相邻车辆广播包括加入编队的要求稍微消息,符合条件的车辆有权加入该编队;当前编队成员可以选择它是否愿意成为编队头,并反馈给路侧单元;
编队头选举子步骤:如果只有一名成员想成为编队头,将这名成员将作为编队头;如果不止一名成员申请担任编队头,则将选出声誉值最高的成员,未被选为编队头的车辆自动成为编队成员。
CN202111600260.9A 2021-12-24 2021-12-24 一种应用于城市快速路环境下的编队资源分配方法 Active CN114267168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111600260.9A CN114267168B (zh) 2021-12-24 2021-12-24 一种应用于城市快速路环境下的编队资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111600260.9A CN114267168B (zh) 2021-12-24 2021-12-24 一种应用于城市快速路环境下的编队资源分配方法

Publications (2)

Publication Number Publication Date
CN114267168A true CN114267168A (zh) 2022-04-01
CN114267168B CN114267168B (zh) 2023-03-21

Family

ID=80829830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111600260.9A Active CN114267168B (zh) 2021-12-24 2021-12-24 一种应用于城市快速路环境下的编队资源分配方法

Country Status (1)

Country Link
CN (1) CN114267168B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114541A1 (en) * 2008-10-30 2010-05-06 Honeywell International Inc. Enumerated linear programming for optimal strategies
US20140274246A1 (en) * 2013-03-15 2014-09-18 University Of Southern California Localized shortest-paths estimation of influence propagation for multiple influencers
US20150273341A1 (en) * 2013-02-11 2015-10-01 University Of Southern California Optimal patrol strategy for protecting moving targets with multiple mobile resources
CN107274684A (zh) * 2017-08-01 2017-10-20 东南大学 一种车路协同环境下单点交叉口信号控制策略选择方法
CN107730931A (zh) * 2017-09-20 2018-02-23 北方工业大学 一种车路协同环境下车辆编队控制及其信号优化方法
CN108873936A (zh) * 2018-07-09 2018-11-23 北京电子工程总体研究所 一种基于势博弈的飞行器自主编队方法
US20190312779A1 (en) * 2018-04-05 2019-10-10 Phantom Auto Inc. Platform for vehicle cooperation and coordination of services
CN110442146A (zh) * 2019-07-22 2019-11-12 合肥工业大学 无人机编队目标分配与空间占位联合决策方法及系统
CN110580617A (zh) * 2019-07-25 2019-12-17 南京邮电大学 一种基于斯塔克伯格博弈的比特币分组网络系统及其激励方法
CN111682915A (zh) * 2020-05-29 2020-09-18 北京交通大学 一种频谱资源自分配方法
CN112466116A (zh) * 2019-12-27 2021-03-09 北京航空航天大学 基于边缘计算的交叉口群分布式控制方法
CN112600912A (zh) * 2020-12-10 2021-04-02 西安君能清洁能源有限公司 一种无人机辅助的边缘计算卸载算法分布式激励方法
CN112702414A (zh) * 2020-12-21 2021-04-23 中国电子科技集团公司第五十四研究所 边缘车队云计算卸载方法、系统、介质设备及应用
CN112738728A (zh) * 2020-12-25 2021-04-30 北京航空航天大学 大范围城市路网下基于时空可信度的群智感知节点选择方法
CN112750298A (zh) * 2020-12-17 2021-05-04 梁宏斌 一种基于smdp和drl的货车编队动态资源分配方法
CN112987790A (zh) * 2021-03-04 2021-06-18 北京航空航天大学 一种分布式异构集群系统分组编队跟踪控制方法和系统
CN113055467A (zh) * 2021-03-11 2021-06-29 南京邮电大学 一种区块链矿池挖矿策略的博弈优化方法
CN113359437A (zh) * 2021-05-14 2021-09-07 北京理工大学 基于演化博弈的多智能体编队的分层模型预测控制方法
CN113382428A (zh) * 2021-06-09 2021-09-10 中通服咨询设计研究院有限公司 无线供能物联网全双工基站关联与缓存联合分配方法
CN113613257A (zh) * 2021-07-16 2021-11-05 中国空间技术研究院 基于博弈论的传感器网络自组织协同k覆盖方法
CN113771841A (zh) * 2020-05-22 2021-12-10 奥迪股份公司 用于车队的驾驶辅助系统、方法、计算机设备和存储介质
CN113992676A (zh) * 2021-10-27 2022-01-28 天津大学 端边云架构和完全信息下分层联邦学习的激励方法及系统

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114541A1 (en) * 2008-10-30 2010-05-06 Honeywell International Inc. Enumerated linear programming for optimal strategies
US20150273341A1 (en) * 2013-02-11 2015-10-01 University Of Southern California Optimal patrol strategy for protecting moving targets with multiple mobile resources
US20140274246A1 (en) * 2013-03-15 2014-09-18 University Of Southern California Localized shortest-paths estimation of influence propagation for multiple influencers
CN107274684A (zh) * 2017-08-01 2017-10-20 东南大学 一种车路协同环境下单点交叉口信号控制策略选择方法
CN107730931A (zh) * 2017-09-20 2018-02-23 北方工业大学 一种车路协同环境下车辆编队控制及其信号优化方法
US20190312779A1 (en) * 2018-04-05 2019-10-10 Phantom Auto Inc. Platform for vehicle cooperation and coordination of services
CN108873936A (zh) * 2018-07-09 2018-11-23 北京电子工程总体研究所 一种基于势博弈的飞行器自主编队方法
CN110442146A (zh) * 2019-07-22 2019-11-12 合肥工业大学 无人机编队目标分配与空间占位联合决策方法及系统
CN110580617A (zh) * 2019-07-25 2019-12-17 南京邮电大学 一种基于斯塔克伯格博弈的比特币分组网络系统及其激励方法
CN112466116A (zh) * 2019-12-27 2021-03-09 北京航空航天大学 基于边缘计算的交叉口群分布式控制方法
CN113771841A (zh) * 2020-05-22 2021-12-10 奥迪股份公司 用于车队的驾驶辅助系统、方法、计算机设备和存储介质
CN111682915A (zh) * 2020-05-29 2020-09-18 北京交通大学 一种频谱资源自分配方法
CN112600912A (zh) * 2020-12-10 2021-04-02 西安君能清洁能源有限公司 一种无人机辅助的边缘计算卸载算法分布式激励方法
CN112750298A (zh) * 2020-12-17 2021-05-04 梁宏斌 一种基于smdp和drl的货车编队动态资源分配方法
CN112702414A (zh) * 2020-12-21 2021-04-23 中国电子科技集团公司第五十四研究所 边缘车队云计算卸载方法、系统、介质设备及应用
CN112738728A (zh) * 2020-12-25 2021-04-30 北京航空航天大学 大范围城市路网下基于时空可信度的群智感知节点选择方法
CN112987790A (zh) * 2021-03-04 2021-06-18 北京航空航天大学 一种分布式异构集群系统分组编队跟踪控制方法和系统
CN113055467A (zh) * 2021-03-11 2021-06-29 南京邮电大学 一种区块链矿池挖矿策略的博弈优化方法
CN113359437A (zh) * 2021-05-14 2021-09-07 北京理工大学 基于演化博弈的多智能体编队的分层模型预测控制方法
CN113382428A (zh) * 2021-06-09 2021-09-10 中通服咨询设计研究院有限公司 无线供能物联网全双工基站关联与缓存联合分配方法
CN113613257A (zh) * 2021-07-16 2021-11-05 中国空间技术研究院 基于博弈论的传感器网络自组织协同k覆盖方法
CN113992676A (zh) * 2021-10-27 2022-01-28 天津大学 端边云架构和完全信息下分层联邦学习的激励方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAOTING MA: "Reinforcement Learning based Task Offloading and", 《2019 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS WORKSHOPS (ICC WORKSHOPS)》 *
YANAN ZHAO: "A Revocable Fine-Grained Access Control", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
姚宗信: "基于博弈论模型的多机协同对抗多目标任务决策方法" *

Also Published As

Publication number Publication date
CN114267168B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
Chen et al. Smart-contract-based economical platooning in blockchain-enabled urban internet of vehicles
CN107507430B (zh) 一种城市路口交通控制方法及系统
Hassija et al. DAGIoV: A framework for vehicle to vehicle communication using directed acyclic graph and game theory
Zou et al. Reputation-based regional federated learning for knowledge trading in blockchain-enhanced IoV
Kong et al. Secure and efficient computing resource management in blockchain-based vehicular fog computing
CN110688982A (zh) 基于目标检测技术和aco-bp算法的智能轨道交通时间控制方法
Hu et al. TPSQ: Trust-based platoon service query via vehicular communications
CN115396442B (zh) 一种面向城市轨道交通的算力共享系统及方法
CN109816978B (zh) 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法
CN105427605A (zh) 一种考虑交通方式转移的公交专用道设置效益计算方法
CN108985616A (zh) 一种公交专用道布局评价方法
CN114267168B (zh) 一种应用于城市快速路环境下的编队资源分配方法
Chen et al. Cooperative control of connected hybrid electric vehicles and traffic signals at isolated intersections
Liu et al. Consortium blockchain-based security and efficient resource trading in V2V-assisted intelligent transport systems
CN116911480A (zh) 基于信任共享机制的车联网场景下的路径预测方法及系统
Sun et al. Paa: A blockchain-based parking assistance alliance with user preference
CN115988462A (zh) 一种基于车路协同的边缘计算模块的调试方法
Wang et al. Trusted and collaborative data sharing with quality awareness in autonomous driving
CN113734184A (zh) 自动驾驶车辆在途组队方法、装置及电子设备
CN114091932A (zh) 一种资源调度方法、装置、介质及电子设备
CN113891318A (zh) 一种车载网中基于无人机辅助的检测恶意节点方法
CN113240910A (zh) 基于协同车辆的道路检测方法、系统、设备和存储介质
CN115123227A (zh) 变道决策方法、装置以及车辆
CN111968388A (zh) 一种交通控制方法及交通控制系统
Chen et al. Low-Latency Perception Sharing Services for Connected Autonomous Vehicles

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