CN114926977B - 一种适用于协同自动驾驶的多任务分配方法 - Google Patents

一种适用于协同自动驾驶的多任务分配方法 Download PDF

Info

Publication number
CN114926977B
CN114926977B CN202210408057.XA CN202210408057A CN114926977B CN 114926977 B CN114926977 B CN 114926977B CN 202210408057 A CN202210408057 A CN 202210408057A CN 114926977 B CN114926977 B CN 114926977B
Authority
CN
China
Prior art keywords
task
vehicle
function
client
data
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
CN202210408057.XA
Other languages
English (en)
Other versions
CN114926977A (zh
Inventor
王玉环
马杰
谢鑫磊
朱超
卜祥元
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.)
Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Beijing Institute of Technology BIT
Original Assignee
Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Beijing Institute of Technology BIT
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 Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing, Beijing Institute of Technology BIT filed Critical Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Priority to CN202210408057.XA priority Critical patent/CN114926977B/zh
Publication of CN114926977A publication Critical patent/CN114926977A/zh
Application granted granted Critical
Publication of CN114926977B publication Critical patent/CN114926977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开的一种适用于协同自动驾驶中车辆雾计算的多任务分配方法，属于协同自动驾驶领域。本发明将车辆雾计算与MIMO系统结合，采用模拟波束赋形。在发射机，每个客户车辆产生的任务数据信号经串并转换为并行信号向量，后通过混合预编码矩阵生成传输信号向量。在接收机，传输信号向量经信道矩阵变换和解码得到最终信号向量。计算得天线阵列信道容量，将多车辆能耗与传输速率优化问题建模为联合优化问题函数。函数经添加约束，运用凸集规划转换为可迭代求近似最优解模型。管理节点依据模型计算任务分配方法并下发实施。本发明适用于自动驾驶领域，实现具备多天线的车辆协同自动驾驶时高效地并行卸载任务，提高数据传输速率、降低能量消耗。

Description

一种适用于协同自动驾驶的多任务分配方法
技术领域
本发明涉及一种适用于协同自动驾驶中车辆雾计算的多任务分配方法，属于协同自动驾驶领域。
背景技术
近年来，在汽车协同自动驾驶领域，全球各大公司不断提高协同自动驾驶水平，逐步尝试将L2,L3,L4级别的协同自动驾驶汽车带进消费市场。对于协同自动驾驶来说，如果说算法能力决定协同自动驾驶能力的上限的话，那么车规芯片就决定着下限。L5级别协同自动驾驶的最低算力标准是500+TOPS，而目前最顶尖的车规芯片英伟达Orin x算力仅达到254TOPS，国内最顶尖芯片算力只有72TOPS，且供不应求。所以对于大多数车辆来说，算力远远满足不了需求。例如2019年第四季度乘用车自动泊车方案中，92.8％的车辆选择超声波方案，7.2％的车辆选择超声波+摄像头方案。虽然明显后者的效果更好，但因为芯片算力无法支持全车8颗摄像头全频36帧/秒，共计288帧/秒的图像处理，而不得不被放弃。与此同时，协同自动驾驶所需的高性能芯片，冗余的传感器，也大大增加了能耗。云计算是目前车联网大数据分析处理的主要平台。但是云计算也有很多不足，离车载终端很远切数据传输不仅会占用很大一部分网络带宽，会增加网络传输时延，导致紧急情况处理延迟，造成大量车辆过度拥挤。车载雾计算(VFC)将通信和计算资源集中在网络边缘，成为车载场景中流行的计算范式。车辆雾计算在协同自动驾驶中的应用，既可以提供算力，又可以减少延迟和能耗，有效解决了上述问题。而车载雾计算的关键就在于任务的卸载，不同的任务卸载技术与方法决定着应用实现的能耗与延迟。
协同自动驾驶系统包含感知、决策规划、行车控制三部分，车辆传感器获得的感知数据，经过处理算法压缩之后，即可通过车辆雾计算任务卸载发往服务车辆，也就是携带大量计算资源的大型车辆进行决策规划和行车控制。协同自动驾驶功能在不断发展，从最初的自动紧急刹车，到现在的AVP(Automated Valet Parking)自动代客泊车，到将来的城市领航，这些功能产生了越来越多的应用任务。在协同自动驾驶场景中，应用任务处理的命脉是低时延，低能耗。因此低时延，低能耗，并行的任务分配方法成为了研究重点。Alahmadi等人用混合整数线性规划模型来确定任务分配模式，通过减少其平均处理工作量和网络流量来降低系统总能耗，但该方法没有考虑服务延迟。而且，这些理论研究和平台仿真仅仅止步于网络层面的任务卸载，未曾考虑车辆本身的配置。随着天线制造技术越来越成熟，天线的成本越来越低，完全可以在一辆车上安装多个无线天线。多天线可以有效地利用信道，显著地提高数据传输的速率，减少能耗。但是，不同的天线在同一频段内的信道上传输会对彼此造成很大的干扰。如何能够有效的分配车辆雾计算网络中这些不同的任务，减少通信干扰的同时使更多的任务能够并行传输也是一个问题。
发明内容
为了克服上述协同自动驾驶现有技术能耗高，算力要求高，数据传输速率低的缺点，本发明的主要目的在于提供一种适用于协同自动驾驶的多任务分配方法，通过车辆雾计算，实现具备多天线的车辆协同自动驾驶时高效地并行卸载任务，从而提高数据传输速率、降低能量消耗。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种适用于协同自动驾驶中车辆雾计算的多任务分配方法，将车辆雾计算与MIMO系统结合，采用了模拟波束赋形技术。在发射机，每个客户车辆产生的任务数据信号经串并转换为并行信号向量，后通过混合预编码矩阵生成传输信号向量。在接收机，传输信号向量经信道矩阵变换和解码得到最终信号向量。计算得天线阵列信道容量，将多车辆能耗与传输速率优化问题建模为联合优化问题函数。函数经添加约束，运用凸集规划转换为可迭代求近似最优解模型。应用场景下，客户车辆发送请求，管理节点依据模型计算任务分配方法并下发实施。实现具备多天线的车辆协同自动驾驶时高效地并行卸载任务，从而提高数据传输速率、降低能量消耗。
本发明公开的一种适用于协同自动驾驶的多任务分配方法，包括如下步骤：
步骤1：将求任务分配方案的非凸非凹优化问题建模为一个可求解的近似优化问题，通过求解近似最优任务分配方案实现能耗与延迟的有效减少；
步骤1.1，单客户车辆产生的多个任务数据流经过串并转换转换为并行信号向量si，由即并行信号向量通过数字预编码矩阵和模拟预编码矩阵获得传输向量xi，I＝{i}表示客户端车辆，J＝{j}表示服务端车辆集，Ki＝{k}表示由客户车辆i产生的任务，aij＝{0,1}表示客户车辆i和服务车辆j的地理关联，如果j在i的通信范围则值为1，/>表示任务k是否会分配给服务车辆j，值为1时分配，为0不分配，Gi为车辆i的数字预编码矩阵,Bi为车辆i的模拟预编码矩阵，si＝[s1,s2,···,s|Ki|]表示车辆i产生的并行信号向量，sk表示任务k的信号，gk表示任务k的数字预编码向量，xi表示车辆i的传输信号向量；
步骤1.2：传输向量xi通过信道矩阵变换可以得到服务车辆接收到的信号向量 经过解码得到信号向量/> 由服务车辆的预期信号、其他干扰信号和噪声干扰三部分组成。根据/>客户车辆i和服务车辆j之间任务k的天线阵列信道容量可以计算为其中σ2为高斯白噪声的方差，为一个常数；带'的k'指移除第i个任务之后的K的集合K'i中的任务。设置对每个生成的任务使用统一的数字预编码方法，即gk＝g，令hij＝|fj·Hij·g·Bi|2,则简化/>为 表示分配给任务k的传输功率，fj是服务车辆j所使用的模拟波束形成向量，Hij表示客户端i和服务器j之间的信道矩阵，/>表示客户车辆i和服务车辆j之间任务k的天线阵列信道容量；
步骤1.3：设置一个代表数据速率的敏感度变量α，则优化问题函数P1为
其中α∈[0,1]表示对速率敏感程度的权重，显然α越大则的影响力越大同时功率pk的影响力就越小；1a表示任务k消耗功率范围，/>表示传输任务k所消耗的最小和最大功率；1b表示服务车辆j最多可以服务于ηj任务ηj为服务车辆j的负载容量；1c表示传输数据速率约束，其中τk为任务k的最小传输数据速率。
步骤1.4：要保证问题函数和约束函数为凸函数，必须要解决和pk这2个变量耦合的问题，为此引入了一个新的变量/> 并引入2个新的约束(2a)和(2b)从而保证/>在任何情况下能等于/>的值，并且函数中不包含两者相乘的部分，/>所有可能取值如下：
额外约束：
通过这个变换，P1等价变换为变为P2：
其中为：
步骤1.5：用xk代替的集合，变量为i和j，k为定量，用h表示hij的集合，其中i
和j为变量。然后利用凸集(D.C.)规划求解P2，P2转化为P3：
P3:
其中：
步骤1.6：用微分的方式，利用线性函数去逼近数据传输速率，有：
方程转变为log-(kx+b)形式，从而保证函数的凹凸性唯一，可以通过迭代得到近似最优解，于是P3转化为P4：
其中l为迭代次数，因为凸差求解总是能逼近最优解，因此通过线性函数迭代逼近的最优解点会趋近于原函数的最优解点。其中为上一次迭代的值，是一个确定的数。初始可行解/>是通过以Q(xk)为目标函数求解的凸优化问题而得到的。当l达到预先设定最大值后，迭代终止。
步骤2：针对不同数据不同的计算需求，车辆产生多任务数据流，开始向通信范围内的管理节点发送任务卸载需求信息，包含延迟要求，数据量，数据类型；
步骤3：车辆运行地域分为六边形网格，每个网格中最靠近中心的基站作为管理节点，管理节点通过广播获得范围内服务车辆的信息；
步骤4：管理节点引用步骤1中所建立模型，通过综合任务信息和服务车辆信息进行任务卸载决策，具体步骤如下：
步骤4a)：将客户车辆集，服务车辆集，未分配任务集作为输入；
步骤4b)：根据应用对于数据速率的敏感度设置变量α，设置迭代索引为0，最大迭代次数，收敛容忍度等参数；
步骤4c)：引用的步骤1中最大化总任务数据传输速率和能耗均值的函数P3可表示为一个可求解函数Q(xk)减一个非凸非凹函数Z(xk)，通过将非凸非凹函数Z(xk)置零求得初始分配决定集x0,x0作为标准分配决定集；
步骤4d)：通过对函数Z(xk)进行线性化，得到Z(xk)的关于迭代次数一阶泰勒展开的全局上估计量，最大化总任务数据传输速率和能耗均值的函数表示为一个可以求解的凸函数P4；步骤4e)：将标准分配决定集带入P4求得新的分配决定集，同时将新的分配集作为标准分配决定集，迭代索引加1，如果收敛度大于预定的收敛容忍度或迭代索引小于预定的最大迭代次数，则按照步骤4e)重新计算；
步骤5：按照步骤4，求得最优任务分配决定集，并将该集发送至客户车辆；
步骤6：客户车辆将任务数据流进行串并转换成并行信号向量；
步骤7：对并行信号向量进行数字预编码，模拟预编码，生成传输信号向量并通过多天线开始传输；
步骤8：传输信号向量通过波束赋形技术传输到服务车辆，服务车辆经过解码接收到指定任务数据开始计算任务。
步骤9：经过计算得到的决策方案传输回客户车辆，客户车辆开始决策执行，实现具备多天线的车辆协同自动驾驶时高效地并行卸载任务，提高数据传输速率、降低能量消耗。
有益效果：
1、相对于其他的任务卸载方法，本发明公开的一种适用于协同自动驾驶的多任务分配方法，利用MIMO系统提高信道容量，通过将多天线阵列应用于车载雾计算，并采用凸优化方法解决并发计算问题，同时收发多个任务流，有效提高数据传输速率，使得车辆能够拥有更快的反应速度。
2、相比同类使用多天线的任务卸载方法，本发明公开的一种适用于协同自动驾驶的多任务分配方法，通过混合预编码和凸优化方法，实现更加合理的分配方案，不仅数据传输速率更快，能耗也得到极大的减少，使得车辆拥有更长的续航。
附图说明
图1是本发明公开的一种适用于协同自动驾驶的多任务分配方法的流程示意图；
图2是协同自动驾驶场景下不同速率敏感度α的多任务分配方法与基准任务分配方法的传输速率对比图。
图3是协同自动驾驶场景下不同速率敏感度α的多任务分配方法与基准任务分配方法的能耗对比图。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
首先，要介绍一下MIMO系统。MIMO系统(Multiple-Input Multiple-Output)是指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量。
在协同自动驾驶的应用场景下，为了提高频率利用率，增加系统的容量，常常采用频率复用技术，而这会带来同频干扰的问题。同频干扰，即指无用信号的载频与有用信号的载频相同，并对接收同频有用信号的接收机造成的干扰。协同自动驾驶应用，例如APA自动泊车辅助，AVM全景环视监控，TJP交通拥堵导航等等应用，往往会产生大量计算需求，同时也需要传输处理大量数据，同时因为应用场景对于时间的敏感度，又需要尽可能的减速传输时间，如何利用MIMO系统提高协同自动驾驶应用任务卸载的数据传输速率使得车辆反应更灵敏，减少能耗增加车辆续航，同时又能够减小MIMO系统带来的同频干扰问题以及噪声问题，就是本发明旨在解决的问题。
本实施例为本发明公开的一种适用于协同自动驾驶的多任务分配方法在自动驾驶场景下的具体应用。本实施例采集了2018年9月18日08:00～08:05期间出现在赫尔辛基1平方公里区域内的公交车的真实轨迹，该区域纬度范围为60°1201500～60°1205000，经度范围为24°5301500～24°5402400，另外利用SUMO仿真软件生成了240条那个时期的车辆轨迹，其中50％车辆被认为有协同自动驾驶计算需求，需要进行任务卸载。任务卸载具体步骤如下：
步骤1：将求任务分配方案的非凸非凹优化问题建模为一个可求解的近似优化问题，通过求解近似最优任务分配方案实现能耗与延迟的有效减少；
步骤1.1：单客户车辆产生的多个任务数据流经过串并转换转换为并行信号向量si，由即并行信号向量通过数字预编码矩阵和模拟预编码矩阵获得传输向量xi，I＝{i}表示客户端车辆，J＝{j}表示服务端车辆集，Ki＝{k}表示由客户车辆i产生的任务，aij＝{0,1}表示客户车辆i和服务车辆j的地理关联，如果j在i的通信范围则值为1，/>表示任务k是否会分配给服务车辆j，值为1时分配，为0不分配，Gi为车辆i的数字预编码矩阵,Bi为车辆i的模拟预编码矩阵，si＝[s1,s2,···,s|Ki|]表示车辆i产生的并行信号向量，sk表示任务k的信号，gk表示任务k的数字预编码向量，xi表示车辆i的传输信号向量；
步骤1.2：传输向量xi通过信道矩阵变换可以得到服务车辆接收到的信号向量 经过解码得到信号向量/> 由服务车辆的预期信号、其他干扰信号和噪声干扰三部分组成。根据/>客户车辆i和服务车辆j之间任务k的天线阵列信道容量可以计算为其中σ2为高斯白噪声的方差，为一个常数；带'的k'指移除第i个任务之后的K的集合K'i中的任务。设置对每个生成的任务使用统一的数字预编码方法，即gk＝g，令hij＝|fj·Hij·g·Bi|2,则简化/>为 表示分配给任务k的传输功率，fj是服务车辆j所使用的模拟波束形成向量，Hij表示客户端i和服务器j之间的信道矩阵，/>表示客户车辆i和服务车辆j之间任务k的天线阵列信道容量；
步骤1.3：设置一个代表数据速率的敏感度变量α，则优化问题函数P1为
其中α∈[0,1]表示对速率敏感程度的权重，显然α越大则的影响力越大同时功率pk的影响力就越小；1a表示任务k消耗功率范围，/>表示传输任务k所消耗的最小和最大功率；1b表示服务车辆j最多可以服务于ηj任务ηj为服务车辆j的负载容量；1c表示传输数据速率约束，其中τk为任务k的最小传输数据速率。
步骤1.4：要保证问题函数和约束函数为凸函数，必须要解决和pk这2个变量耦合的问题，为此引入了一个新的变量/> 并引入2个新的约束(2a)和(2b)从而保证/>在任何情况下能等于于/>的值，并且函数中不包含两者相乘的部分，/>所有可能取值如下：
额外约束：
通过这个变换，P1等价变换为变为P2：
其中为：
步骤1.5：用xk代替的集合，变量为i和j，k为定量，用h表示hij的集合，其中i
和j为变量。然后利用凸集(D.C.)规划求解P2，P2转化为P3：
P3:
其中：
步骤1.6：用微分的方式，利用线性函数去逼近数据传输速率，有：
方程转变为log-(kx+b)形式，从而保证函数的凹凸性唯一，可以通过迭代得到近似最优解，于是P3转化为P4：
其中l为迭代次数，因为凸差求解总是能逼近最优解，因此通过线性函数迭代逼近的最优解点会趋近于原函数的最优解点。其中为上一次迭代的值，是一个确定的数。初始可行解/>是通过以Q(xk)为目标函数求解的凸优化问题而得到的。当l达到预先设定最大值后，迭代终止。
步骤2：经过计算，仿真中出现的15辆公交车和120辆汽车，分别变成了服务车辆和客户车辆，针对应用的的计算需求，假设每个客户车辆将生成3个任务。开始向通信范围内的管理节点发送任务卸载需求信息；
驾驶员选择某项协同自动驾驶功能，例如城市领航，客户车辆开始通过摄像头，超声波雷达，毫米波雷达等传感器采集数据，车辆状态信息实时产生，同时，驾驶员可能会开启娱乐功能产生相关数据。
步骤3：为了保证传输数据率，将服务车辆的有效通信距离设置为100米。此外，管理节点通过广播获得范围内服务车辆的信息，包含位置，负载信息，在进行的模拟中，服务车辆的负载容量ηj的值从18到69不等，以保证迭代问题可解；
步骤4：管理节点引用步骤1中所建立模型，通过综合任务信息和服务车辆信息进行任务卸载决策，具体步骤如下：
步骤4a)：将客户车辆集i＝120，服务车辆集j＝5，未分配任务集作为输入；
步骤4b)：将发射任务消耗的功率范围设置为[10dBm,23dBm](即[0.01W,0.2W])，并使用0.1W作为初始发射功率。通过多次迭代可以得到所有关联的客户车辆和服务车辆对的天线阵列信道参数值，hij＝2046。在仿真中，假设每辆车的天线阵列是全向的，变量σ设置为σ2＝0.1，迭代索引设置为0，最大迭代次数设置为30。标量权重α是指传输数据速率和功耗之间的权衡。α越小，所提出的策略对功率越敏感，反之亦然。以0.2的步长将α从0.2调整到1；
步骤4c)：引用的步骤1中最大化总任务数据传输速率和能耗均值的函数P3可表示为一个可求解函数Q(xk)减一个非凸非凹函数Z(xk)，通过将非凸非凹函数Z(xk)置零求得初始分配决定集x0,x0作为标准分配决定集；
步骤4d)：通过对函数Z(xk)进行线性化，得到Z(xk)的关于迭代次数一阶泰勒展开的全局上估计量，最大化总任务数据传输速率和能耗均值的函数表示为一个可以求解的凸函数P4；步骤4e)：将标准分配决定集带入P4求得新的分配决定集，同时将新的分配集作为标准分配决定集，迭代索引加1，如果收敛度大于预定的收敛容忍度或迭代索引小于预定的最大迭代次数，则按照步骤4e)重新计算；
步骤5：按照步骤4，求得最优任务分配决定集，并将该集发送至客户车辆；
步骤6：客户车辆将任务数据流进行串并转换成并行信号向量；
步骤7：对并行信号向量进行数字预编码，模拟预编码，生成传输信号向量并通过多天线开始传输；
步骤8：传输信号向量通过波束赋形技术传输到服务车辆，服务车辆经过解码接收到指定任务数据开始计算任务。
步骤9：经过计算得到的决策方案传输回客户车辆，客户车辆开始决策执行。
为了进行比较，仿真实现了一个正在应用的成熟的任务分配方法，称为基准任务分配方法，其中使用概率分布方法将任务分配操作与运行在服务车辆来实现其负载平衡。在基准任务分配方法中，服务车辆当前承载的任务越多，新任务分配给服务车辆的概率就越低。具体来说，将任务分配给服务车辆的概率为：
图2是协同自动驾驶场景下不同速率敏感度α的任务分配方法与基准任务分配方法的传输速率对比图。横坐标为基准任务分配方法,α为0.4，0.6和0.8的本发明方法，纵坐标为与基准任务分配方法的传输功率的对比。平均传输数据速率随着α的增加而增加。当α＝1时，最大数据速率可达2.07bps/Hz，α为0.4,0.6，0.8时，在传输数据速率方面分别比基准方法高5.8％、6.4％、8.2％。
图3是协同自动驾驶场景下不同速率敏感度α的任务分配方法与基准任务分配方法的能耗对比图。横坐标为基准任务分配方法,α为0.4，0.6和0.8的本发明方法，纵坐标为与基准任务分配方法的能耗的对比。平均能耗随着α的增加而增加。当α＝0.2时，最小功耗可达0.03W。随着α从0.8变为1，平均能耗显着增加。这是因为当α＝1时，平均能耗几乎可以达到其上限。α为0.4时和α为0.8时，在能耗方面分别比基准方法降低了38.3％和23.3％。
根据图2，图3所示，α为0.8时获得最高的传输数据率，而α为0.4时获得最低的功耗。因此当应用任务对于延迟特别敏感时，我们推荐设置α为0.8，当应用任务对于延迟不敏感时，我们推荐设置α为0.4，可以有效节能。
本发明适用于协同自动驾驶车辆雾计算的基于凸优化的多任务分配方法，有效地利用车辆雾计算网络中的车载多天线进行并行任务卸载，可以最大限度地提高数据传输速率减少能量消耗。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种适用于协同自动驾驶的多任务分配方法，其特征在于：包括如下步骤，
步骤1：将求任务分配方案的非凸非凹优化问题建模为一个可求解的近似优化问题，通过求解近似最优任务分配方案实现能耗与延迟的有效减少；
步骤1的实现方法为，
步骤1.1，单客户车辆产生的多个任务数据流经过串并转换转换为并行信号向量si，由即并行信号向量通过数字预编码矩阵和模拟预编码矩阵获得传输向量xi，I＝{i}表示客户端车辆，J＝{j}表示服务端车辆集，Ki＝{k}表示由客户车辆i产生的任务，aij＝{0,1}表示客户车辆i和服务车辆j的地理关联，如果j在i的通信范围则值为1，/>表示任务k是否会分配给服务车辆j，值为1时分配，为0不分配，Gi为车辆i的数字预编码矩阵,Bi为车辆i的模拟预编码矩阵，si＝[s1,s2,···,s|Ki|]表示车辆i产生的并行信号向量，sk表示任务k的信号，gk表示任务k的数字预编码向量，xi表示车辆i的传输信号向量；
步骤1.2：传输信号向量xi通过信道矩阵变换可以得到服务车辆接收到的信号向量 经过解码得到信号向量/> 由服务车辆的预期信号、其他干扰信号和噪声干扰三部分组成；根据/>客户车辆i和服务车辆j之间任务k的天线阵列信道容量可以计算为其中σ2为高斯白噪声的方差，为一个常数；带'的k'指移除第i个任务之后的K的集合K'i中的任务；设置对每个生成的任务使用统一的数字预编码方法，即gk＝g，令hij＝|fj·Hij·g·Bi|2,则简化/>为 表示分配给任务k的传输功率，fj是服务车辆j所使用的模拟波束形成向量，Hij表示客户端i和服务器j之间的信道矩阵，/>表示客户车辆i和服务车辆j之间任务k的天线阵列信道容量；
步骤1.3：设置一个代表数据速率的敏感度变量α，则优化问题函数P1为
s.t.
其中α∈[0,1]表示对速率敏感程度的权重，显然α越大则的影响力越大同时功率pk的影响力就越小；1a表示任务k消耗功率范围，/>表示传输任务k所消耗的最小和最大功率；1b表示服务车辆j最多可以服务于ηj任务，ηj为服务车辆j的负载容量；1c表示传输数据速率约束，其中τk为任务k的最小传输数据速率；
步骤1.4：要保证问题函数和约束函数为凸函数，必须要解决和pk这2个变量耦合的问题，为此引入了一个新的变量/>并引入2个新的约束(2a)和(2b)从而保证/>在任何情况下能等于/>的值，并且函数中不包含两者相乘的部分，/>所有可能取值如下：
额外约束：
通过这个变换，P1等价变换为变为P2：
其中为：
步骤1.5：用xk代替的集合，变量为i和j，k为定量，用h表示hij的集合，其中i和j为变量；然后利用凸集(D.C.)规划求解P2，P2转化为P3：
P3:
其中：
步骤1.6：用微分的方式，利用线性函数去逼近数据传输速率，有：
方程转变为log-(kx+b)形式，从而保证函数的凹凸性唯一，可以通过迭代得到近似最优解，于是P3转化为P4：
其中l为迭代次数，因为凸差求解总是能逼近最优解，因此通过线性函数迭代逼近的最优解点会趋近于原函数的最优解点；其中为上一次迭代的值，是一个确定的数；初始可行解/>是通过以Q(xk)为目标函数求解的凸优化问题而得到的；当l达到预先设定最大值后，迭代终止；
步骤2：针对不同数据不同的计算需求，车辆产生多任务数据流，开始向通信范围内的管理节点发送任务卸载需求信息，包含延迟要求，数据量，数据类型；
步骤3：车辆运行地域分为六边形网格，每个网格中最靠近中心的基站作为管理节点，管理节点通过广播获得范围内服务车辆的信息；
步骤4：管理节点引用步骤1中所建立模型，通过综合任务信息和服务车辆信息进行任务卸载决策；
步骤5：按照步骤4，求得最优任务分配决定集，并将该集发送至客户车辆；
步骤6：客户车辆将任务数据流进行串并转换成并行信号向量；
步骤7：对并行信号向量进行数字预编码，模拟预编码，生成传输信号向量并通过多天线开始传输；
步骤8：传输信号向量通过波束赋形技术传输到服务车辆，服务车辆经过解码接收到指定任务数据开始计算任务；
步骤9：经过计算得到的决策方案传输回客户车辆，客户车辆开始决策执行，实现具备多天线的车辆协同自动驾驶时高效地并行卸载任务，提高数据传输速率、降低能量消耗。
2.如权利要求1所述的一种适用于协同自动驾驶的多任务分配方法，其特征在于：步骤4的实现方法为，
步骤4a)：将客户车辆集，服务车辆集，未分配任务集作为输入；
步骤4b)：根据应用对于数据速率的敏感度设置变量α，设置迭代索引为0，最大迭代次数，收敛容忍度等参数；
步骤4c)：引用的步骤1中最大化总任务数据传输速率和能耗均值的函数P3可表示为一个可求解函数Q(xk)减一个非凸非凹函数Z(xk)，通过将非凸非凹函数Z(xk)置零求得初始分配决定集x0,x0作为标准分配决定集；
步骤4d)：通过对函数Z(xk)进行线性化，得到Z(xk)的关于迭代次数一阶泰勒展开的全局上估计量，最大化总任务数据传输速率和能耗均值的函数表示为一个可以求解的凸函数P4；步骤4e)：将标准分配决定集带入P4求得新的分配决定集，同时将新的分配集作为标准分配决定集，迭代索引加1，如果收敛度大于预定的收敛容忍度或迭代索引小于预定的最大迭代次数，则按照步骤4e)重新计算。
CN202210408057.XA 2022-04-19 2022-04-19 一种适用于协同自动驾驶的多任务分配方法 Active CN114926977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210408057.XA CN114926977B (zh) 2022-04-19 2022-04-19 一种适用于协同自动驾驶的多任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210408057.XA CN114926977B (zh) 2022-04-19 2022-04-19 一种适用于协同自动驾驶的多任务分配方法

Publications (2)

Publication Number Publication Date
CN114926977A CN114926977A (zh) 2022-08-19
CN114926977B true CN114926977B (zh) 2024-04-05

Family

ID=82807131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210408057.XA Active CN114926977B (zh) 2022-04-19 2022-04-19 一种适用于协同自动驾驶的多任务分配方法

Country Status (1)

Country Link
CN (1) CN114926977B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104821838A (zh) * 2015-04-24 2015-08-05 浙江理工大学 基于能效最大化的多用户信能同传系统收发机设计方法
US9883511B1 (en) * 2012-12-05 2018-01-30 Origin Wireless, Inc. Waveform design for time-reversal systems
CN111614419A (zh) * 2020-01-10 2020-09-01 南京邮电大学 一种基于noma的移动边缘计算网络任务高安全卸载资源分配方法
CN112567673A (zh) * 2018-08-09 2021-03-26 康维达无线有限责任公司 用于nr v2x的波束赋形和分组
CN113721198A (zh) * 2021-09-09 2021-11-30 哈尔滨工程大学 双功能mimo雷达通信系统物理层安全性联合波束赋形方法
CN113743469A (zh) * 2021-08-04 2021-12-03 北京理工大学 一种融合多源数据及综合多维指标的自动驾驶决策方法
CN113904947A (zh) * 2021-11-15 2022-01-07 湖南大学无锡智能控制研究院 车路协同分布式边缘计算任务卸载与资源分配方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10805022B2 (en) * 2018-01-12 2020-10-13 The Euclide 2012 Investment Trust Method of using time domain subspace signals and spatial domain subspace signals for location approximation through orthogonal frequency-division multiplexing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9883511B1 (en) * 2012-12-05 2018-01-30 Origin Wireless, Inc. Waveform design for time-reversal systems
CN104821838A (zh) * 2015-04-24 2015-08-05 浙江理工大学 基于能效最大化的多用户信能同传系统收发机设计方法
CN112567673A (zh) * 2018-08-09 2021-03-26 康维达无线有限责任公司 用于nr v2x的波束赋形和分组
CN111614419A (zh) * 2020-01-10 2020-09-01 南京邮电大学 一种基于noma的移动边缘计算网络任务高安全卸载资源分配方法
CN113743469A (zh) * 2021-08-04 2021-12-03 北京理工大学 一种融合多源数据及综合多维指标的自动驾驶决策方法
CN113721198A (zh) * 2021-09-09 2021-11-30 哈尔滨工程大学 双功能mimo雷达通信系统物理层安全性联合波束赋形方法
CN113904947A (zh) * 2021-11-15 2022-01-07 湖南大学无锡智能控制研究院 车路协同分布式边缘计算任务卸载与资源分配方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数模混合架构的波束赋形技术研究;张砚秋;《中国优秀硕士学位论文全文数据库信息科技辑》(第01期);I136-1039 *

Also Published As

Publication number Publication date
CN114926977A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Cheng et al. Air-ground integrated mobile edge networks: Architecture, challenges, and opportunities
He et al. 6G cellular networks and connected autonomous vehicles
CN111464976B (zh) 一种基于车队的车辆任务卸载决策和总体资源分配方法
CN110650457B (zh) 一种车联网中任务卸载计算成本与时延的联合优化方法
CN113904947B (zh) 车路协同分布式边缘计算任务卸载与资源分配方法和系统
CN110928658A (zh) 一种车边云协同架构的协同任务迁移系统及算法
CN113163365B (zh) 基于交替方向乘子算法的无人机支持物联网资源优化方法
CN112272232B (zh) 毫米波车联网资源调度方法、装置、电子设备及存储介质
Yu et al. Edge-assisted collaborative perception in autonomous driving: A reflection on communication design
Jayaweera et al. Factory automation: Resource allocation of an elevated LiDAR system with URLLC requirements
CN117498900A (zh) 去蜂窝大规模mimo通感一体化系统的资源分配装置及方法
CN116709249A (zh) 一种关于车联网中边缘计算的管理方法
CN114153515A (zh) 一种基于5g毫米波通信的高速公路车联网任务卸载算法
CN116866933A (zh) 一种基于智能反射面辅助的无人机协助边缘计算网络资源分配方法
CN117240343A (zh) 一种感知通信一体化无人机辅助移动车辆的方法
CN113825236B (zh) 一种无线网络中感知、计算和通信的融合方法
CN114926977B (zh) 一种适用于协同自动驾驶的多任务分配方法
CN111132298B (zh) 一种功率分配方法和装置
CN108540246B (zh) 一种基于认知无线电的资源分配方法
CN115964178A (zh) 一种车联网用户计算任务调度方法、装置及边缘服务网络
CN115665805A (zh) 一种面向点云分析任务的边缘计算资源调度方法和系统
CN115103376A (zh) 面向空地一体化车联网的动态资源切片方法
CN114885351A (zh) 异构网络多目标优化干扰方法、装置及终端设备
CN114599041B (zh) 一种计算和通信的融合方法
CN114666766B (zh) 一种物联网网关通信分载方法及系统

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