CN114915940B - 一种车路通信链路匹配方法、系统、设备及介质 - Google Patents
一种车路通信链路匹配方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114915940B CN114915940B CN202210518661.8A CN202210518661A CN114915940B CN 114915940 B CN114915940 B CN 114915940B CN 202210518661 A CN202210518661 A CN 202210518661A CN 114915940 B CN114915940 B CN 114915940B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pairing
- road
- decision
- equipment
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/20—Selecting an access point
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本申请提供一种车路通信链路匹配方法、系统、设备及介质,涉及车联网智能信息处理技术领域,该方法包括:根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;将配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选配对决策集中的冲突决策;在配对决策集中没有冲突决策的情况下,输出车路链路配对结果,这样,在车辆行驶过程中,可以分配出高效节能的车路配对方案,并且在确保环境感知效能基础上,能够减少冗余链路数量,提升车路通信鲁棒性。
Description
技术领域
本申请属于车联网智能信息处理技术领域,尤其涉及一种车路通信链路匹配方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本申请相关的背景技术信息,不必然构成在先技术。
随着未来车联网的高速发展,汽车应用数据流爆炸式增长,而车辆本身单元无法满足其自身应用的计算时延的需求,移动边缘计算(Mobile Edge Computing,MEC)技术的出现能够很好的解决此类问题。MEC运行于网络边缘,并不依赖于网络的其他部分,这点对于安全性要求较高的应用来说非常重要。另外,MEC服务器通常具有较高的计算能力,因此特别适合于分析处理大量数据。同时,由于MEC距离用户或信息源在地理上非常邻近,使得网络响应用户请求的时延大大减小,也降低了传输网和核心网部分发生网络拥塞的可能性。位于网络边缘的MEC能够实时获取基站、可用带宽等网络数据以及与用户位置相关的信息,从而进行链路感知自适应,并且为基于位置的应用提供部署的可能性,可以极大地改善用户的服务质量体验。
在车辆行驶过程中,移动边缘计算仍有诸多资源受限问题亟待解决,如车辆在移动跨区时计算资源受限的情况下,导致传输损耗和时延增大。利用边云计算将计算任务下沉到各边缘服务器,在交通道路上部署基站和节点,则车辆可以通过对不同路基设备进行选择,然而,由于车辆是在不停地高速移动,如何及时有效地进行车辆和基站配对是目前仍需解决的问题。
发明内容
基于此,本申请提供一种车路通信链路匹配方法、系统、设备及介质,其目的是在车辆行驶过程中,根据实时获取的自车感知范围、基站内路基设备的部署信息以及网络的接出入时间,分配出高效节能的车路配对方案。
本申请采用的技术方案如下:
第一方面,本申请实施例提供一种车路通信链路匹配方法,包括:
根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;
利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;
将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;
在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果。
在一种可能的实施方式中,根据车辆的设定感知区域和车辆行驶速度,确定所述自车感知范围。
在一种可能的实施方式中,获取路基设备的感知范围,根据所述自车感知范围和路基设备的感知范围,得到车辆与路基设备感知范围的并集,将该并集确定为车路协同感知范围。
在一种可能的实施方式中,根据路基设备分布和自车行驶距离进行感知空间的划分,形成全局感知地图;根据车辆在所述全局感知地图内的位置和部署的路基设备,确定自车周围区域的置信度分布;针对所述全局感知地图内的每一个网格,确定车辆检测到的占用概率对数似然比,将车辆与基站对网格的占用概率对数似然比相加,并进行融合,得到车辆与基站设备感知融合后该网格的置信度;所述车路感知置信度为所有网格置信度之和。
在一种可能的实施方式中,通过以下方式训练所述深度强化学习网络:
自车随机与部署的路基设备配对,从经验池随机抽取小批量数据训练,经验池中的经验来自于自车、设备基站和道路交通的不断交互,当动作使评价网络感知范围和置信度提高,则给予奖励;通过奖励和Q不断更新网络权重,使自车学会与路基设备配对;所述深度强化学习网络的评价网络是车路协同感知范围和车路感知置信度的加权值,使其最大化。
在一种可能的实施方式中,在将所述配对决策集发送至云端进行全局决策处理之前,还包括:剔除所述配对决策集中车路配对组合与边缘服务器的总传输时延超出预设阈值的配对决策。
在一种可能的实施方式中,云端利用协同优化的配对利用率最大化得到最佳配对链路,根据最佳配对链路排除冲突决策,从而确定出全局决策结果。
第二方面,本申请实施例提供一种车路通信链路匹配系统,包括:
获取模块,用于根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;
确定模块,用于利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;
筛选模块,用于将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;
输出模块,用于在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果。
第三方面,本申请实施例提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的车路通信链路匹配方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的车路通信链路匹配方法的步骤。
本申请的有益效果是:
1、根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果,这样,在车辆行驶过程中,可以根据实时获取的自车感知范围、基站内路基设备的部署信息以及网络的接出入时间,分配出高效节能的车路配对方案。
2、通过与外界环境交互,利用边缘计算在网络边缘处理上的优点,基于深度强化学习的车路配对决策,以及云端基于协同优化的云端配对利用率最大化决策,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策,能够在确保环境感知效能基础上,减少冗余链路数量,提升车路通信鲁棒性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本申请实施例所提供的车路通信链路匹配方法的流程图之一;
图2是本申请实施例所提供的车路通信链路匹配方法的流程图之二;
图3是本申请另一实施例所提供的车路配对决策DQN结构框图;
图4是本申请实施例所提供的车路通信链路匹配系统的结构示意图;
图5是本申请实施例所提供的一种计算机设备的示意图。
具体实施方式
下面结合附图与实施例对本申请作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1和图2中所示,本申请实施例提供了一种车路通信链路匹配方法,包括以下步骤:
S101:根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度。
在具体实施中,作为一可选实施例,根据车辆的设定感知区域和车辆行驶速度,确定所述自车感知范围。
设车辆的感知范围为一个直径为L1的圆,车辆以速度v匀速行驶,移动条件下车辆感知范围为一个长方形与两个半圆拼接图形。其中,长方形长为vT(T为决策周期),宽为L1。每个基站部署N个路基设备J1、J2、...Jn,设各路基设备的感知范围均为直径为L2的圆,且相邻两个路基设备的感知范围相交面积为S0,基站内部署的N个路基设备感知范围覆盖该基站所属的全路段。车辆行驶进入该基站感知范围内时,车辆感知范围与路基设备Jn感知范围相交,则车辆与路基设备Jn构成一链路匹配关系。首先,由下式计算车辆、路基设备感知范围:
其中,SA表示车辆感知范围,SJ表示路基设备感知范围。
其次,由下式计算车路两两协同的感知范围,即车辆与路基设备Jn感知范围的并集:
所有路基设备感知范围总并集:
经处理可得归一化感知范围:
作为一可选实施例,获取路基设备的感知范围,根据所述自车感知范围和路基设备的感知范围,得到车辆与路基设备感知范围的并集,将该并集确定为车路协同感知范围。可选的,根据路基设备分布和自车行驶距离进行感知空间的划分,形成全局感知地图;根据车辆在所述全局感知地图内的位置和部署的路基设备,确定自车周围区域的置信度分布;针对所述全局感知地图内的每一个网格,确定车辆检测到的占用概率对数似然比,将车辆与基站对网格的占用概率对数似然比相加,并进行融合,得到车辆与基站设备感知融合后该网格的置信度;所述车路感知置信度为所有网格置信度之和。
在具体实施中,自车和基站感知范围内划分网格地图,根据路基设备分布和自车行驶距离进行感知空间的划分。根据前一时刻的概率和当前测量值综合输入,形成全局感知地图。设自车在全局占用网格地图的坐标为MA,t,基站部署有J1,J2,...Jn,它们在全局地图的坐标为设t时刻自车位置为/>其协方差矩阵是Σt,由下式计算自车周围区域的置信度分布:
其中,pt为感知传感器置信概率。
对某一网格k,由下式计算车辆检测到的占用概率对数似然比:
则基站对于网格k检测到的占用概率对数似然比为:
将车辆与基站对网格k的占用概率对数似然比相加进行融合,可得
其中,即为车辆与基站设备感知融合后网格k的置信度,车路配对感知数据的融合置信度为所有网格之和/>
S102:利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集。具体地,通过以下方式训练所述深度强化学习网络:
自车随机与部署的路基设备配对,从经验池随机抽取小批量数据训练,经验池中的经验来自于自车、设备基站和道路交通的不断交互,当动作使评价网络感知范围和置信度提高,则给予奖励;通过奖励和Q不断更新网络权重,使自车学会与路基设备配对;所述深度强化学习网络的评价网络是车路协同感知范围和车路感知置信度的加权值,使其最大化。
在具体实施中,本实施例采用深度Q网络(Deep Q-Network,DQN)对车路协同链路匹配进行初步决策,DQN首先定义一个动作策略π(s,a),其中表示DQN学习状态,其由自车最大感知范围SA、基站部署J1...Jn、基站的感知范围SJi组成;a表示DQN动作值,表示为自车与基站配对的决策组合;r为DQN奖励值。DQN根据当前状态与值函数选取一个动作进行,执行完动作后,观察奖励值r和新的状态st+1。
自车一开始先随机和一个设备配对,训练时,算法从经验池随机抽取小批量数据训练,经验池中的经验来源于自车、设备基站和道路交通的不断交互,当动作a使评价网络感知范围和置信度提高,则给予奖励r,通过r和Q不断更新网络权重,使自车逐渐学会与路基配对,评价网络是置信度和感知面积的加权,使其最大化。对网络中Q值采用以下方式更新:
Q(st,at)←Q(st,at)+α(r+γmaxQ(st+1,at+1)-Q(st,at));
其中,α参数用来表示新的值对更新后值所造成的影响大小,r为在状态s下采取动作a后获得的奖励,γ为折扣因子,DQN网络最后输出动作值函数Q([st,at],[st+1,at+1]...[sn,an])。
这里,自车链路匹配强化学习奖励函数r等于总体置信度与归一化后的感知范围的加权和,即
r=m1c1+m2c2;
其中m1,m2为奖励函数的加权权重。
S103:将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策。
为了确保环境感知效能基础上,减少冗余链路数量,提升车路通信鲁棒性,作为一可选实施例,在将所述配对决策集发送至云端进行全局决策处理之前,还包括:剔除所述配对决策集中车路配对组合与边缘服务器的总传输时延超出预设阈值的配对决策。
在具体实施中,自车经过DQN输出的动作值函数,这些决策在边缘部分传输时应当考虑时延问题,高时延冗余的配对链路可以剔除掉。车路链路匹配和边缘服务器建立连接,配对组合时延包括:自车车辆传输时延τS,配对设备传输时延τD。DS为自车传输数据的信道长度,VS为其传输速率,自车传输时延τS=DS/VS;Di为基站设备传输数据的信道长度,Vi为其传输速率,配对设备传输时延τM=Di/Vi。车路配对组合与边缘服务器的总传输时延τT=τS+τM,通过计算各车路配对时延大小,选取时延更小的配对方案,且可将冗余配对链路筛选掉,输出更佳边缘计算决策集。
本申请实施例中,作为一可选实施例,云端利用协同优化的配对利用率最大化得到最佳配对链路,根据最佳配对链路排除冲突决策,从而确定出全局决策结果。
在具体实施中,在云计算模块,云端收集汇聚各个车辆在边缘计算部分得到的决策结果,部署的路基设备为J1,...,Jn,设他们的最大配对容量分别为U1,...,Un,根据收集数据分析每一个路基设备的配对容量是否超过其配对容量值。若配对决策容量小于Ui,执行下一步,反之则需要将冲突决策排除掉,循环返回边缘计算,然后判断执行直至有解。
协同进化优化算法是通过分解的方法来解决大规模复杂的问题,可以被看作是一种分而治之实现策略,云端获取的决策集,是单车决策的集合,但是为了提高车辆对路基设备的利用率以及避免这些决策之间发生冲突,需要在多个决策间权衡,产生了大规模优化问题。将这些决策分解成若干个普通进化算法可以求解的低维子问题。用动态的分组策略,并采取权重优化的方式将x维的决策变量分为m个n维的子部分。
子部分优化变量为车路配对信息,种群为车辆边缘决策集数据。车路配对信息的差别有编码异或的累加表示,所有路基设备排成一个列向量,车辆与路基设备匹配相连则相应向量位置为1,否则为0,所有车辆与路基设备匹配相连的位置结果一起比较,做异或运算,不同位置为1,相同位置为0,最终得到的1越多则路基设备利用率越大。
选择信息熵最大化目标函数,信息熵最大则优化目标最大,信息熵由下式可得:
其中,e为车路配对信息差别归一化后的配对编码异或值。
基站配对利用率最大化取信息熵最大值得到最佳配对链路为H*=maxH(e)。
S104:在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果。
本实施例提供一种车路通信链路匹配方法,根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果,这样,在车辆行驶过程中,可以根据实时获取的自车感知范围、基站内路基设备的部署信息以及网络的接出入时间,分配出高效节能的车路配对方案,同时,通过基于深度强化学习的车路配对决策,以及云端基于协同优化的云端配对利用率最大化决策,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策,能够在确保环境感知效能基础上,减少冗余链路数量,提升车路通信鲁棒性。
实施例二
请参阅图4,图4是本申请实施例所提供的车路通信链路匹配系统的结构示意图,所述车路通信链路匹配系统400,包括:
获取模块410,用于根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;
确定模块420,用于利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;
筛选模块430,用于将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;
输出模块440,用于在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果。
实施例三
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意图。如图5中所示,所述计算机设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当计算机设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1和图2所示方法实施例中的车路通信链路匹配系统的步骤,具体实现方式可参见方法实施例,在此不再赘述。
实施例四
基于同一申请构思,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法实施例中所述的车路通信链路匹配系统的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种车路通信链路匹配方法,其特征在于,包括:
根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;
根据车辆的设定感知区域和车辆行驶速度,确定所述自车感知范围;
获取路基设备的感知范围,根据所述自车感知范围和路基设备的感知范围,得到车辆与路基设备感知范围的并集,将该并集确定为车路协同感知范围;
根据路基设备分布和自车行驶距离进行感知空间的划分,形成全局感知地图;根据车辆在所述全局感知地图内的位置和部署的路基设备,确定自车周围区域的置信度分布;针对所述全局感知地图内的每一个网格,确定车辆检测到的占用概率对数似然比,将车辆与基站对网格的占用概率对数似然比相加,并进行融合,得到车辆与基站设备感知融合后该网格的置信度;所述车路感知置信度为所有网格置信度之和;
利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;
通过以下方式训练所述深度强化学习网络:
自车随机与部署的路基设备配对,从经验池随机抽取小批量数据训练,经验池中的经验来自于自车、设备基站和道路交通的不断交互,当动作使评价网络感知范围和置信度提高,则给予奖励;通过奖励和Q不断更新网络权重,使自车学会与路基设备配对;所述深度强化学习网络的评价网络是车路协同感知范围和车路感知置信度的加权值,使其最大化;
将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;
在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果。
2.如权利要求1所述的车路通信链路匹配方法,其特征在于,在将所述配对决策集发送至云端进行全局决策处理之前,还包括:剔除所述配对决策集中车路配对组合与边缘服务器的总传输时延超出预设阈值的配对决策。
3.如权利要求1所述的车路通信链路匹配方法,其特征在于,云端利用协同优化的配对利用率最大化得到最佳配对链路,根据最佳配对链路排除冲突决策,从而确定出全局决策结果。
4.执行如权利要求1至3任一项所述的车路通信链路匹配方法的系统,包括:
获取模块,用于根据获取的自车感知范围和基站内路基设备的部署信息,确定车路协同感知范围和车路感知置信度;
确定模块,用于利用训练好的深度强化学习网络,得出车辆与路基设备的配对决策集;
筛选模块,用于将所述配对决策集发送至云端进行全局决策处理,根据云端反馈的全局决策结果,筛选所述配对决策集中的冲突决策;
输出模块,用于在所述配对决策集中没有冲突决策的情况下,输出车路链路配对结果。
5.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至3任一项所述的车路通信链路匹配方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至3任一项所述的车路通信链路匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518661.8A CN114915940B (zh) | 2022-05-13 | 2022-05-13 | 一种车路通信链路匹配方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518661.8A CN114915940B (zh) | 2022-05-13 | 2022-05-13 | 一种车路通信链路匹配方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114915940A CN114915940A (zh) | 2022-08-16 |
CN114915940B true CN114915940B (zh) | 2023-07-21 |
Family
ID=82766155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210518661.8A Active CN114915940B (zh) | 2022-05-13 | 2022-05-13 | 一种车路通信链路匹配方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114915940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116033387B (zh) * | 2022-11-30 | 2023-08-25 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 道路环境协同感知决策方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762245B (zh) * | 2018-03-20 | 2022-03-25 | 华为技术有限公司 | 数据融合方法以及相关设备 |
US11153721B2 (en) * | 2018-12-27 | 2021-10-19 | Intel Corporation | Sensor network enhancement mechanisms |
CN111476999A (zh) * | 2020-01-17 | 2020-07-31 | 武汉理工大学 | 基于车路多传感器协同的智能网联汽车超视距感知系统 |
CN113596102B (zh) * | 2021-07-05 | 2023-07-18 | 哈尔滨工业大学(深圳) | 车路协同式交通系统、路侧系统和数据处理方法 |
CN114173307A (zh) * | 2021-12-17 | 2022-03-11 | 浙江海康智联科技有限公司 | 一种基于车路协同的路侧感知融合系统及优化方法 |
-
2022
- 2022-05-13 CN CN202210518661.8A patent/CN114915940B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114915940A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khatri et al. | Machine learning models and techniques for VANET based traffic management: Implementation issues and challenges | |
US11427215B2 (en) | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment | |
JP2011138487A (ja) | 空間−時間関係に基づく交通予測方法およびシステム | |
CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
Kurmis et al. | Cooperative context data acquisition and dissemination for situation identification in vehicular communication networks | |
CN113643528A (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
CN114915940B (zh) | 一种车路通信链路匹配方法、系统、设备及介质 | |
CN116758744A (zh) | 基于人工智能的智慧城市运维管理方法、系统及存储介质 | |
CN113409598A (zh) | 区域道路交通信号灯协同联动自适应配时方法及装置 | |
Marwah et al. | A hybrid optimization with ensemble learning to ensure VANET network stability based on performance analysis | |
Lin et al. | Multi-level cluster-based satellite-terrestrial integrated communication in internet of vehicles | |
Adart et al. | Vehicular ad-hoc network application for urban traffic management based on markov chains | |
CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
Du et al. | Dynamic urban traffic rerouting with fog‐cloud reinforcement learning | |
CN114842659B (zh) | 一种交通拥堵疏导方法及装置 | |
Jiang et al. | Partitioning of urban networks with polycentric congestion pattern for traffic management policies: Identifying protected networks | |
CN116486624A (zh) | 基于时空图卷积神经网络的交通流预测方法及系统 | |
Silva et al. | Solutions for the deployment of communication roadside infrastructure for streaming delivery in vehicular networks | |
Hasan et al. | Federated Learning for Computational Offloading and Resource Management of Vehicular Edge Computing in 6G-V2X Network | |
Rawlley et al. | Artificial intelligence‐empowered vision‐based self driver assistance system for internet of autonomous vehicles | |
Hakim et al. | CCPAV: Centralized cooperative perception for autonomous vehicles using CV2X | |
CN111105617B (zh) | 基于矩阵稳定性分析的智能交通预测系统 | |
Agate et al. | Reliable Reputation-Based Event Detection in V2V Networks | |
Nahar et al. | Sptframe: A framework for spatio-temporal information aware message dissemination in software defined vehicular networks | |
Kou et al. | Dynamic robust analysis of IoV link delay in cellular Telematics and smart edge networking base on deep reinforcement learning |
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 |