CN116471195A - 应用于智能网联车辆自动驾驶的通信方法和装置 - Google Patents

应用于智能网联车辆自动驾驶的通信方法和装置 Download PDF

Info

Publication number
CN116471195A
CN116471195A CN202210028788.1A CN202210028788A CN116471195A CN 116471195 A CN116471195 A CN 116471195A CN 202210028788 A CN202210028788 A CN 202210028788A CN 116471195 A CN116471195 A CN 116471195A
Authority
CN
China
Prior art keywords
qos
prediction
vehicle
network cell
network
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.)
Pending
Application number
CN202210028788.1A
Other languages
English (en)
Inventor
雷艺学
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202210028788.1A priority Critical patent/CN116471195A/zh
Priority to PCT/CN2022/135818 priority patent/WO2023134321A1/zh
Publication of CN116471195A publication Critical patent/CN116471195A/zh
Priority to US18/448,423 priority patent/US20230388849A1/en
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
    • 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • 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
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
    • 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]
    • 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]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种应用于智能网联车辆自动驾驶的通信方法和装置，涉及智能网联车辆自动驾驶技术领域。该通信方法通过获取车辆的行驶信息，并根据车辆的行驶信息，确定该车辆需要经过的路径的网络小区，并进一步确定针对该网络小区进行服务质量QoS预测所采用的预测机制，之后根据该小区信息和预测机制，获取该网络小区的QoS预测结果。本申请实施例能够有助于降低智能网联车辆自动驾驶中的QoS预测的复杂度，降低QoS预测的算力消耗。

Description

应用于智能网联车辆自动驾驶的通信方法和装置
技术领域
本申请实施例涉及智能网联车辆自动驾驶技术领域，尤其涉及一种应用于智能网联车辆自动驾驶的通信方法和装置。
背景技术
智能网联车辆(Intelligent Connected Vehicle)是指车联网与智能车的有机联合，不仅搭载先进的车载传感器、控制器、执行器等单车智能装置，还能通过通信网络(例如5G网络)实现车与人、车、路、后台等智能信息交换共享的新一代汽车。
智能网联车辆可以支持车辆自主驾驶。车辆自主驾驶，也可以称为自动驾驶，自动驾驶车辆通常具有一定的自动驾驶等级(L1-L5)。自动驾驶功能可以依托通信网络进行，例如通过5G网联进行信息辅助，甚至接管操作。与此同时，由于自动驾驶需要依托通信网络，因此需要对通信网络的性能进行监测。如果通信网络不可靠，则应根据路况及车辆自身能力，提前进行自动驾驶等级的调整，例如依赖单车智能方式进行驾驶，或者停止驾驶并停靠在安全的位置。
相关技术中，服务质量(Quality of Service，QoS)预测过程复杂度较高，可能会消耗大量的算力资源。因此，亟需一种方法，来解决智能网联车辆自动驾驶中的QoS预测的算力和复杂度较高的问题。
发明内容
本申请提供一种应用于智能网联车辆自动驾驶的通信方法和装置，能够有助于降低智能网联车辆自动驾驶中的QoS预测的复杂度和/或算力消耗。
第一方面，本申请实施例提供一种应用于智能网联车辆自动驾驶的通信方法，包括：
获取车辆的行驶信息；
根据所述行驶信息，确定所述车辆需要经过的路径的网络小区；
确定针对所述网络小区进行服务质量QoS预测所采用的预测机制；
根据所述预测机制，获取所述网络小区的QoS预测结果。
第二方面，本申请实施例提供一种应用于智能网联车辆自动驾驶的通信装置，包括：
获取单元，用于获取车辆的行驶信息；
处理单元，用于根据所述行驶信息，确定所述车辆需要经过的路径的网络小区；
所述处理单元还用于确定针对所述网络小区进行服务质量QoS预测所采用的预测机制；
所述获取单元还用于根据所述预测机制，获取所述网络小区的QoS预测结果。
第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或其各实现方式中的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时使得计算机执行如第一方面或其各实现方式中的方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
第六方面，本申请实施例提供一种计算机程序，计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
在本申请实施例中，通过确定针对车辆经过路径的网络小区进行QoS测量时所采用的预测机制，能够灵活地对自动驾驶中的QoS进行预测，有助于降低自动驾驶中QoS预测的算力要求和/或复杂度。
附图说明
图1为本申请实施例的方案的应用场景的一个示意图；
图2为一种QoS预测的流程的示意图；
图3为本申请实施例提供的一种应用于智能网联车辆自动驾驶的通信方法的示意流程图；
图4为本申请实施例提供的另一种应用于智能网联车辆自动驾驶的通信方法的示意流程图；
图5为本申请实施例提供的应用场景的另一个示意图；
图6为本申请实施例提供的另一种应用于智能网联车辆自动驾驶的通信方法的示意流程图；
图7为本申请实施例提供的一种应用于智能网联车辆自动驾驶的通信方法的交互流程图；
图8为本申请实施例提供的一种应用于智能网联车辆自动驾驶的通信装置的示意图；
图9是本申请实施例提供的电子设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例应用于人工智能技术领域。
其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例可涉及人工智能技术中的自动驾驶技术。自动驾驶技术依靠人工智能、计算机视觉、雷达、监测装置和全球定位系统的协同合作，让计算机可以在没有任何人类主动操作下，自动安全地操作机动车辆。自动驾驶技术通常包括高精度地图、环境感知、行为决策、路径规划、运动控制等技术。自动驾驶技术有广泛的应用前景。具体的，本申请实施例提供的技术方案涉及一种应用于智能网联车辆自动驾驶的通信方法，具体可以用于自动驾驶的QoS预测。
本申请实施例还可涉及人工智能技术中的云计算技术。本申请实施例提供的应用于自动驾驶的通信方法，可以采用云计算的方式进行QoS预测，该方法可以由部署在云平台的网元执行。
云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。
作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。
按照逻辑功能划分，在基础设施即服务(Infrastructure as a Service，IaaS)层上可以部署平台即服务(Platform as a Service,PaaS)层，PaaS层之上再部署软件即服务(Software as a Service,SaaS)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。
图1为本申请实施例的方案的一种应用场景的示意图。如图1所示，智能网联车辆依托5G网联进行自动驾驶。云平台可以为智能网联车辆创建服务实例，该服务实例可以获取智能网联车辆的位置和状态，以及该智能网联车辆的周边的网络状态。示例性的，云平台中可以作为应用功能(application function，AF)，与5G网络(例如核心网)交互，实现对智能网联车辆周边的5G网络进行QoS监测。
可选的，云平台还可以从定位系统获取智能网联车辆的位置信息。示例性的，定位系统可以为全球定位系统(Global Positioning System，GPS)，不作限定。
需要说明的是，图1中以网络为5G网络为例进行描述，该5G网络还可以替换为全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、下一代网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线网络，不作限定。
第三代移动通信伙伴项目(3rd Generation Partnership Project，3GPP)在5G网络中引入了一种QoS预测机制。图2示出了该QoS预测的流程的示意图。在该QoS预测机制中，网络数据分析功能(network data analytics function，NWDAF)可以对5G网络的QoS特性进行历史数据的统计，以及未来趋势的预测。如图2所示，该QoS预测的流程可以包括步骤201至204。
201，网络功能(network function，NF)消费者(consumer)向NWDAF发送分析信息请求/分析订阅(Nnwdaf_AnalyticsInfo_Request/Nnwdaf_AnalyticsSubscription_Subscribe)。该分析信息请求/分析订阅中可以包括分析标识(Analytics_ID)，该分析标识可以用于指示QoS可持续性(QoS Sustainability)。
NWDAF在接收到该分析信息请求/分析订阅后，可以提供基于大数据和人工智能等技术的网络数据采集和分析功能，例如如下步骤202和203。
202，NWDAF从操作维护管理(Operation Administration and Maintenance，OAM)收集数据。
示例性的，这里数据可以指对网络进行操作(Operation)、管理(Administration)、维护(Maintenance)等工作生成的相关数据，例如对日常网络和业务进行的分析、预测、规划和配置工作的相关数据，和/或对网络及其业务的测试和故障管理等进行的日常操作活动的相关数据，不作限定。
203，NWDAF进行网络性能及QoS相关的统计分析。
示例性的，NWDAF可以根据步骤202中收集的数据，进行网络性能及QoS相关的统计分析，以监测不同网元的参数，并进行预测。示例性的，对应于上述QoS可持续性的分析标识，NWDAF可以对5G网络的QoS特性进行历史数据的统计分析以及未来趋势的预测。
204，NWDAF向NF消费者发送分析信息响应/分析订阅通知(Nnwdaf_AnalyticsInfo_Response/Nnwdaf_AnalyticsSubscription_Notify)。其中，该分析信息响应/分析订阅通知中包括对5G网络的QoS预测结果。
对于图1中的应用场景，即基于5G网联的自动驾驶(也可以称为5G网联式自动驾驶)，云平台将对大量智能网联车辆在行驶过程中的网络状态进行预测。如果采用图2所示的QoS预测机制，对每个智能网联汽车的5G网络的QoS特性进行历史数据的统计分析以及未来趋势的预测，由于该预测算法复杂度较高，将会耗费大量的算力资源。尤其当需要依托网联对智能网联车辆进行实时性操作的情况下，对QoS预测算法的收敛时间也有很高的要求。
有鉴于此，本申请实施例提供了一种应用于智能网联车辆自动驾驶的通信方法，能够有助于降低智能网联车辆自动驾驶中的QoS预测的复杂度，以及降低QoS预测的算力消耗。
具体而言，本申请实施例通过根据车辆的行驶信息，确定该车辆需要经过的路径的网络小区，并进一步确定针对该网络小区进行服务质量QoS预测所采用的预测机制，之后根据该小区信息和预测机制，获取该网络小区的QoS预测结果。
因此本申请实施例通过确定针对车辆经过路径的网络小区进行QoS测量时所采用的预测机制，能够灵活地对自动驾驶中的QoS进行预测，有助于降低自动驾驶中QoS预测的算力要求和/或复杂度。
进一步的，当自动驾驶中QoS预测的算力要求和/或复杂度降低时，QoS预测算法的收敛时间也能够相应的降低，进而能够有利于满足需要依托网联对智能网联车辆进行实时性操作的要求。
下面结合附图对本申请实施例涉及的应用于智能网联车辆自动驾驶的通信方法进行介绍。
图3为本申请实施例提供的一种应用于智能网联车辆自动驾驶的通信方法300的示意流程图。方法300可以由任何具有数据处理能力的电子设备执行。例如，该电子设备可实施为网元实体或功能实体，或部署有网元功能的虚拟机或服务器。示例性的，方法300可以用于5G网联式自动驾驶的QoS预测。作为示例该方法300应用于应用功能AF网元，例如由该AF网元执行，该AF网元可以部署在云平台上。
如图3所示，方法300包括步骤310至340。
310，获取车辆的行驶信息。
示例性的，该车辆可以为智能网联车辆，或者其他能够依托网络进行智能驾驶/自动驾驶的智能汽车，不作限定，
示例性的，该车辆的行驶信息包括车辆的车速信息、驾驶意图信息和行驶轨迹预测信息中的至少一种。
作为一种可能的实现方式，车辆可以向AF上报车速信息。示例性的，车辆可以利用安装的各种传感器(例如毫米波雷达、激光雷达、单目或双目摄像头、卫星导航)，在车辆行驶过程中实施感应周围环境，收集行驶过程中的各类数据，并可以结合导航地图数据，对数据进行系统的运算和分析，得到并向AF上报实时的车速信息。相应的，AF可以根据车辆上报的信息，获取该车辆的车速信息。
作为另一种可能的实现方式，AF可以获取车辆不同时刻的位置信息，并根据该不同时刻的位置信息，计算出车辆的速度信息。可选的，AF可以通过GPS，或者路侧传感器上报的数据获取车辆不同时刻的位置信息。
在一些可选的实施例中，AF可以从用户应用获取用户输入的第一信息，该第一信息包括用户的驾驶意图信息和/或行驶轨迹信息。示例性的，该用户应用可以安装在用户客户端，用于用户与云平台进行交互，例如用户可以通过该用户应用输入用户的驾驶意图，例如用户期望到达的目的地，所需的行驶速度等信息；或者用户可以通过该用户应用输入用户的行驶轨迹，例如用户期望的行驶路径等信息。
在一些实施例中，用户应用还可以向用户展示车辆的相关信息，例如车辆的速度信息、云平台为用户规划的路径等信息，本申请对此不作限定。
320，根据该行驶信息，获取该车辆需要经过的路径的网络小区。
示例性的，AF可以根据车辆的行驶信息，例如车速信息、驾驶意图信息和行驶轨迹预测信息，确定车辆的行驶路径，并确定能够覆盖该行驶路径的网络小区。作为示例，该网络小区在该行驶路径上的信号强度最大，或者在该行驶路径上的信号强度大于预设门限，本申请对此不作限定。
需要说明的是，本申请实施例对该路径上的网络小区的数量不作限定，例如可以为一个、两个或多个。
示例性的，该网络小区可以是GSM、WCDMA、4G网络、5G网络、未来下一代网络、Wi-Fi、通话网络等无线网络的网络小区，不作限定。
可选的，在确定车辆需要经过的路径的网络小区之后，可以获取该网络小区的小区信息。示例性的，网络小区的小区信息可以包括车辆在该网络小区中经过的路段、该网络小区的小区标识(Cell Identity)、区域标识(Area Identity，AI)、注册区域标识(Registering Area Identity，RAI)中的至少一种。这里，车辆在该网络小区中经过的路段可以根据该网络小区的覆盖范围和车辆需要经过的路径确定，例如可以将车辆需要经过的路径中的在该网络小区的覆盖范围内的路段，作为车辆在该网络小区中经过的路段。
其中，小区标识用于标识小区，为公共陆地移动网(Public Land MobileNetwork，PLMN)内小区的唯一标识，例如可以为物理小区标识(Physical Cell Identity，PCI)、NR小区全局标识符(NR Cell Global Identifier，NCGI)等；AI为PLMN内区域的标识，能够用于终端设备(例如智能联网车辆)的位置管理，在PLMN内唯一，例如可以包括区域码标识(Area Code，AC)；RAI为PLMN内注册区域的标识，也能够用于终端设备(例如智能联网车辆)的位置管理，在PLMN内唯一，例如可以包括注册区域码标识(Registration AreaCode，RAC)。
330，确定针对该网络小区进行服务质量QoS预测所采用的预测机制。其中，不同所述预测机制的预测算法的复杂度和/或算力要求不同。
在一些可选的实施例中，参见图4，可以通过以下步骤331和332，实现确定针对网络小区进行QoS预测所采用的预测机制。
331，根据车辆的行驶信息，确定该车辆到达第一位置区域的时间。
在一些实施例中，第一位置区域可以包括车辆在该网络小区中经过的路段。参见图5，网络小区1的覆盖范围为区域501，则车辆在该区域501中需要经过的路段可以作为第一位置区域的一个示例；网络小区2的覆盖范围为区域502，则车辆在该区域502中需要经过的路段可以作为第一位置区域的另一个示例。
在另一些实施例中，第一位置区域可以为车辆需要经过的路径上的位置和/或区域。作为一个具体的例子，第一位置区域可以是在车辆将要经过的路径上，距离车辆当前所在位置一定距离(例如1m，10m，30m，50m等距离)的范围之内的位置或区域。
可选的，可以预先设置该第一位置区域，例如可以设置第一位置区域为车辆在网络小区中经过的路段，或者设置第一位置区域为车辆需要经过的路径上的位置和/或区域，本申请对此不作限定。
这里，车辆到达该第一位置区域的时间越小，例如小于某一特定门限值，则表示车辆即将到达该第一位置区域；车辆到达该第一位置区域的时间越大，例如大于某一特定门限值，则表示车辆还需要较长时间才能够到达该第一位置区域。
332，根据该时间，确定对该第一位置区域对应的网络小区进行QoS预测所采用的预测机制。
示例性的，当车辆到达第一位置区域的时间表示车辆即将到达该第一位置区域时，那么第一位置区域对应的网络小区的QoS预测数据对车辆的安全驾驶很有价值，此时对该网络小区的QoS预测所采用的预测机制的预测算法可以具有较高的复杂度和/或算力要求，以有利于提高自动驾驶中QoS预测的精度。
当车辆到达第一位置区域的时间表示车辆还需要较长的时间才能够到达该第一位置区域时，由于时间差的原因，该第一位置区域对应的网络小区的QoS预测数据对车辆的驾驶来讲意义不大，此时对该网络小区的QoS预测所采用的预测机制的预测算法可以具有较低的复杂度和/或算力要求，以有利于降低自动驾驶中QoS预测的算力要求和/或复杂度。
需要说明的是，本申请实施例对第一位置区域的数量不作限定，例如可以是1个，2个，或者多个。当第一位置区域的数量为至少两个时，可以分别确定车辆处于在这些不同位置区域的情况下，针对网络小区进行QoS预测所采用的预测机制。并且，由于相对于当前时刻，车辆到达这些不同区域位置的时间不同，从而可以采用具有不同算力要求和/或复杂度的QoS预测机制。
在一些可选的实施例中，若车辆到达第一位置区域的时间大于第一门限值，则确定对网络小区进行QoS预测所采用的预测机制为第一预测机制，该第一预测机制包括对该网络小区的QoS特性进行历史数据的统计。
具体而言，当车辆还需要较长的时间才能够到达第一位置区域时，由于该第一位置区域对应的网络小区的QoS预测数据对车辆的驾驶来讲意义不大，因此可以采用第一预测机制对该网络小区进行QoS预测，即对该网络小区的QoS特性进行历史数据的统计，而不对该网络小区的QoS特性进行未来趋势的预测。示例性的，继续参见图5，对区域502而言，可以采用该第一预测机制对网络小区进行QoS测量，即只进行QoS特性参数的历史数据的统计。
由于对网络小区的QoS特性进行未来趋势的预测所采用的算法相对更为复杂，耗费的算力更多，因此通过对需要较长时间才能到达的位置采用该第一预测机制进行QoS预测，能够在不影响QoS预测的有效性和可靠性的前提下，适当降低自动驾驶中QoS预测的算力要求和/或复杂度。
在一些可选的实施例中，若车辆到达第一位置区域的时间小于或等于第二门限值，则确定对该网络小区进行QoS预测所采用的预测机制为第二预测机制，该第二预测机制包括对该网络小区的QoS特性进行历史数据的统计，以及进行未来趋势的预测。
具体而言，当车辆即将到达该第一位置区域时，由于该第一位置区域对应的网络小区的QoS预测数据对车辆的安全驾驶很有价值，因此可以采用第二预测机制对该网络小区进行QoS预测，即对该网络小区的QoS特性进行历史数据的统计，以及进行未来趋势的预测。示例性的，继续参见图5，对区域501而言，可以采用该第二预测机制对网络小区进行QoS测量，即进行QoS特性参数的历史数据的统计，以及未来趋势的预测。
因此，本申请实施例对即将到达的位置采用该第二预测机制进行QoS预测，能够有利于提高自动驾驶中QoS预测的精度，进而有助于提高QoS预测的有效性和可靠性。
作为示例，第一门限值或第二门限值可以预先配置。可选的，第一门限值与第二门限值可以相同，本申请对此不作限定。
340，根据该预测机制，获取该网络小区的QoS预测结果。
示例性的，针对该网络小区进行QoS预测的过程可以基于当前QoS预测的框架，例如图2所示的QoS预测流程进行。与图2所示的QoS预测流程不同的是，在步骤340中，针对车辆需要行驶的路径上的不同区域，预测机制可以不同，并且不同的预测机制的预测算法的复杂度和/或算力要求不同。
在一些可选的实施例中，参见图6，可以通过以下步骤341和342获取该网络小区的QoS预测结果。
341，根据上述预测机制，向网络数据分析功能NWDAF发送QoS分析订阅请求。这里，该预测机制例如为上述第一预测机制，或第二预测机制。可选的，该QoS分析订阅请求中可以包括指示信息，用于指示该小区信息和预测机制。
342，获取该NWDAF发送的QoS分析订阅通知，该QoS分析订阅通知包括QoS预测结果。
示例性的，当步骤341中的预测机制为第一预测机制时，该QoS预测结果包括仅统计类的QoS分析结果。当步骤341中的预测机制为第二预测机制时，该QoS预测结果可以包括统计类和预测类的QoS分析结果。这里，该统计类的QoS分析结果可以包括对网络小区的QoS特性进行历史数据的统计得到的数据，预测类的QoS分析结果可以包括对网络小区的QoS特性进行未来趋势的预测得到的数据。
示例性的，该网络小区的QoS预测结果包括所述网络小区的带宽、时延、可靠性、抖动中的至少一种，本申请对此不作限定。
在一些实施例中，如果QoS预测结果表示通信网络不可靠时，则应根据路况及车辆自身能力，进行自动驾驶等级的调整，例如依赖单车智能方式进行驾驶，或者停止驾驶并停靠在安全的位置。
因此，本申请实施例能够确定针对车辆经过路径的网络小区进行QoS测量时所采用的预测机制，能够灵活地对自动驾驶中的QoS进行预测，有助于降低自动驾驶中QoS预测的算力要求和/或复杂度。
进一步的，当自动驾驶中QoS预测的算力要求和/或复杂度降低时，QoS预测算法的收敛时间也能够相应的降低，进而能够有利于满足需要依托网联对智能网联车辆进行实时性操作的要求。
图7为本申请实施例提供的一种应用于智能网联车辆自动驾驶的通信方法的交互流程图，该方法可以由用户设备(例如V-UEs)、接入网设备(例如gNB)、5G核心网(5GC)和AF共同执行。示例性的，5GC中可以包括接入和移动性管理功能(access and mobilitymanagement function，AMF)/用户面功能(user plane function，UPF)、NWDAF、策略控制功能(policy control function，PCF)、网络开放功能(network exposure function，NEF)等网元或功能，AF可以部署在云平台上。
应理解，图7示出了应用于智能网联车辆自动驾驶的通信方法的步骤或操作，但这些步骤或操作仅是示例，本申请实施例还可以执行其他操作或者图7中的各个操作的变形。此外，图7中的各个步骤可以按照与图7呈现的不同的顺序来执行，并且有可能并非要执行图7中的全部操作。如图7所示，该应用于智能网联车辆自动驾驶的通信方法包括步骤701至706。
701，V-UEs与AF之间建立端到端的5G网络连接。这样，V-UEs与AF可以通过该5G网络连接进行无线通信。
示例性的，V-UEs例如为上文中的智能网联车辆，不作限定。
702，AF获取车辆的车速、驾驶意图和行驶轨迹。
示例性的，AF可以获取V-UEs上报的车辆的车速信息，或者根据车辆的位置计算车辆的车速信息。示例性的，AF可以通过与用户应用交互，获取用户在用户应用上输入的驾驶意图信息和行驶轨迹信息。
703，AF与5GC交互，确定5G网络小区。
示例性的，AF可以根据车辆的车速信息、驾驶意图信息和行驶轨迹信息，确定车辆将要经过的路径的5G网络小区，并进一步和5GC交互，获取该5G网络小区的相关信息，例如车辆在该网络小区中经过的路段、该网络小区的小区标识、TAI、RAI中的至少一种。
704，AF确定网络小区的QoS预测机制。
示例性的，AF可以根据车辆到达第一位置区域的时间，确定对网络小区进行QoS测量所采用的的QoS预测机制。
示例性的，当该时间大于第一门限值，则确定该QoS预测机制为第一预测机制，该第一预测机制包括对该网络小区的QoS特性进行历史数据的统计。当该时间小于或等于第二门限值，则确定该QoS预测机制为第二预测机制，该第二预测机制包括对该网络小区的QoS特性进行历史数据的统计，以及进行未来趋势的预测。
705，获取仅统计类的QoS分析结果。
具体的，当QoS预测机制为第一预测机制时，获取仅统计类的QoS分析结果。
这里通过对需要较长时间才能到达的位置采用该第一预测机制进行QoS预测，能够在不影响QoS预测的有效性和可靠性的前提下，适当降低自动驾驶中QoS预测的算力要求和/或复杂度。
706，获取统计类+预测类的QoS分析结果。
具体的，当QoS预测机制为第二预测机制时，获取统计类+预测类的QoS分析结果。
这里通过对即将到达的位置采用该第二预测机制进行QoS预测，能够有利于提高自动驾驶中QoS预测的精度，进而有助于提高QoS预测的有效性和可靠性。
因此，本申请实施例能够确定针对车辆经过路径的网络小区进行QoS测量时所采用的预测机制，能够灵活地对自动驾驶中的QoS进行预测，有助于降低自动驾驶中QoS预测的算力要求和/或复杂度。
进一步的，当自动驾驶中QoS预测的算力要求和/或复杂度降低时，QoS预测算法的收敛时间也能够相应的降低，进而能够有利于满足需要依托网联对智能网联车辆进行实时性操作的要求。
以上结合附图详细描述了本申请的具体实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。又例如，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容。
还应理解，在本申请的各种方法实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。应理解这些序号在适当情况下可以互换，以便描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
上文详细描述了本申请的方法实施例，下文结合图8至图9，详细描述本申请的装置实施例。
图8为本申请实施例提供的一种应用于智能网联车辆自动驾驶的通信装置800的示意框图。示例性的，该通信装置800例如为AF。如图8所示，该装置800可以包括获取单元810和处理单元820。
获取单元810，用于获取车辆的行驶信息；
处理单元820，用于根据所述行驶信息，确定所述车辆需要经过的路径的网络小区；
所述处理单元820还用于确定针对所述网络小区进行服务质量QoS预测所采用的预测机制；
所述获取单元810还用于根据所述预测机制，获取所述网络小区的QoS预测结果。
在一些可选的实施例中，该处理单元820具体用于：
根据所述行驶信息，确定所述车辆到达第一位置区域的时间；
根据所述时间，确定对所述第一位置区域对应的所述网络小区进行QoS预测所采用的预测机制。
在一些可选的实施例中，该处理单元820具体用于：
若所述时间大于第一门限值，则确定所述预测机制为第一预测机制，所述第一预测机制包括对所述网络小区的QoS特性进行历史数据的统计。
在一些可选的实施例中，该处理单元820具体用于：
若所述时间小于或等于第二门限值，则确定所述预测机制为第二预测机制，所述第二预测机制包括对所述网络小区的QoS特性进行历史数据的统计，以及进行未来趋势的预测。
在一些可选的实施例中，所述网络小区的QoS预测结果包括所述网络小区的带宽、时延、可靠性、抖动中的至少一种。
在一些可选的实施例中，该获取单元810具体用于：
根据所述预测机制，向网络数据分析功能NWDAF发送QoS分析订阅请求；
获取所述NWDAF发送的QoS分析订阅通知，所述QoS分析订阅通知包括所述QoS预测结果。
在一些可选的实施例中，所述行驶信息包括车速信息、驾驶意图信息和行驶轨迹信息中的至少一种。
在一些可选的实施例中，该获取单元810具体用于：
从用户应用获取用户输入的第一信息作为所述行驶信息，所述第一信息包括所述驾驶意图信息和/或行驶轨迹信息。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图8所示的装置800可以执行上述方法实施例，并且装置800中的各个模块的前述和其它操作和/或功能分别为了实现上述各个方法中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置800。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图9是本申请实施例提供的电子设备900的示意性框图。
如图9所示，该电子设备900可包括：
存储器910和处理器920，该存储器910用于存储计算机程序，并将该程序代码传输给该处理器920。换言之，该处理器920可以从存储器910中调用并运行计算机程序，以实现本申请实施例中的方法。
例如，该处理器920可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请的一些实施例中，该处理器920可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中，该存储器910包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器910中，并由该处理器920执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图9所示，该电子设备900还可包括：
收发器930，该收发器930可连接至该处理器920或存储器910。
其中，处理器920可以控制该收发器930与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器930可以包括发射机和接收机。收发器930还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本申请还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上该，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (12)

1.一种应用于智能网联车辆自动驾驶的通信方法，其特征在于，包括：
获取车辆的行驶信息；
根据所述行驶信息，确定所述车辆需要经过的路径的网络小区；
确定针对所述网络小区进行服务质量QoS预测所采用的预测机制；
根据所述预测机制，获取所述网络小区的QoS预测结果。
2.根据权利要求1所述的方法，其特征在于，所述确定针对所述网络小区进行QoS预测所采用的预测机制，包括：
根据所述行驶信息，确定所述车辆到达第一位置区域的时间；
根据所述时间，确定对所述第一位置区域对应的所述网络小区进行QoS预测所采用的预测机制。
3.根据权利要求2所述的方法，其特征在于，所述根据所述时间，确定对所述第一位置区域对应的所述网络小区进行QoS预测所采用的预测机制，包括：
若所述时间大于第一门限值，则确定所述预测机制为第一预测机制，所述第一预测机制包括对所述网络小区的QoS特性进行历史数据的统计。
4.根据权利要求2所述的方法，其特征在于，所述根据所述时间，确定对所述第一位置区域对应的所述网络小区进行QoS预测所采用的预测机制，包括：
若所述时间小于或等于第二门限值，则确定所述预测机制为第二预测机制，所述第二预测机制包括对所述网络小区的QoS特性进行历史数据的统计，以及进行未来趋势的预测。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述网络小区的QoS预测结果包括所述网络小区的带宽、时延、可靠性、抖动中的至少一种。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述预测机制，获取所述网络小区的QoS预测结果，包括：
根据所述预测机制，向网络数据分析功能NWDAF发送QoS分析订阅请求；
获取所述NWDAF发送的QoS分析订阅通知，所述QoS分析订阅通知包括所述QoS预测结果。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述行驶信息包括车速信息、驾驶意图信息和行驶轨迹信息中的至少一种。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述获取车辆的行驶信息，包括：
从用户应用获取用户输入的第一信息作为所述行驶信息，所述第一信息包括所述驾驶意图信息和/或行驶轨迹信息。
9.一种应用于智能网联车辆自动驾驶的通信装置，其特征在于，包括：
获取单元，用于获取车辆的行驶信息；
处理单元，用于根据所述行驶信息，确定所述车辆需要经过的路径的网络小区；
所述处理单元还用于确定针对所述网络小区进行服务质量QoS预测所采用的预测机制；
所述获取单元还用于根据所述预测机制，获取所述网络小区的QoS预测结果。
10.一种电子设备，其特征在于，包括：
处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时使得计算机执行如权利要求1至8中任一项所述的方法。
12.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至8中任一项所述的方法。
CN202210028788.1A 2022-01-11 2022-01-11 应用于智能网联车辆自动驾驶的通信方法和装置 Pending CN116471195A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210028788.1A CN116471195A (zh) 2022-01-11 2022-01-11 应用于智能网联车辆自动驾驶的通信方法和装置
PCT/CN2022/135818 WO2023134321A1 (zh) 2022-01-11 2022-12-01 自动驾驶的通信方法和装置、设备、存储介质、程序产品
US18/448,423 US20230388849A1 (en) 2022-01-11 2023-08-11 Communication method and apparatus for automatic driving, device, storage medium and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210028788.1A CN116471195A (zh) 2022-01-11 2022-01-11 应用于智能网联车辆自动驾驶的通信方法和装置

Publications (1)

Publication Number Publication Date
CN116471195A true CN116471195A (zh) 2023-07-21

Family

ID=87175778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210028788.1A Pending CN116471195A (zh) 2022-01-11 2022-01-11 应用于智能网联车辆自动驾驶的通信方法和装置

Country Status (3)

Country Link
US (1) US20230388849A1 (zh)
CN (1) CN116471195A (zh)
WO (1) WO2023134321A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6957074B2 (en) * 2002-12-26 2005-10-18 Nokia Corporation Apparatus, and an associated method, for reserving resources in a mobile communication system through the use of historical indicia
WO2019232746A1 (en) * 2018-06-07 2019-12-12 Huawei Technologies Co., Ltd. Method of mobility based on prediction and pre-preparation
WO2020027639A1 (ko) * 2018-08-03 2020-02-06 엘지전자 주식회사 무선 통신 시스템에서 qos 만족 여부를 표시하는 이동 단말기
EP3634017B1 (en) * 2018-10-02 2024-03-06 Volkswagen Aktiengesellschaft Predicting quality of service for a communication link of a device of a vehicle along a planned travel route
WO2020069742A1 (en) * 2018-10-04 2020-04-09 Huawei Technologies Co., Ltd. Network node and client device for quality-of-service change management

Also Published As

Publication number Publication date
US20230388849A1 (en) 2023-11-30
WO2023134321A1 (zh) 2023-07-20

Similar Documents

Publication Publication Date Title
Raza et al. A survey on vehicular edge computing: architecture, applications, technical issues, and future directions
Chekired et al. 5G-slicing-enabled scalable SDN core network: Toward an ultra-low latency of autonomous driving service
US11197042B2 (en) Distributed 3D video for navigation
EP4020935A1 (en) Transportation operator collaboration system
Stojmenovic Fog computing: A cloud to the ground support for smart things and machine-to-machine networks
US20200007409A1 (en) INTELLIGENT INTERNET OF EVERYTHING (IoE) EDGE COMPUTIING SYSTEM FOR HIGH RELIABLE INTERNET OF THINGS (IoT) SERVICE
EP4099635A1 (en) Method and device for selecting service in wireless communication system
US11614974B2 (en) Enabling a fog service layer with application to smart transport systems
US9986366B2 (en) Controlling data collection interval of M2M device
CN112188533A (zh) 一种网络性能的上报方法及装置
Cheng et al. Geelytics: Enabling on-demand edge analytics over scoped data sources
WO2020191790A1 (en) System and method for improving road safety and/or management
CN110800324A (zh) 一种改善道路安全和/或管理的系统和方法
Xiao et al. AdaptiveFog: A modelling and optimization framework for fog computing in intelligent transportation systems
Lee et al. Design of V2X-based vehicular contents centric networks for autonomous driving
CN116471195A (zh) 应用于智能网联车辆自动驾驶的通信方法和装置
JP2022519818A (ja) クラウド側のロールをデバイスへ委譲（デリゲーション）
Chebaane et al. Time‐Critical Fog Computing for Vehicular Networks
Li Computation offloading and task scheduling on network edge
Bartolini et al. SIDE: Self drIving DronEs embrace uncertainty
Peixoto et al. Design and development of a machine learning-based task orchestrator for intelligent systems on edge networks
EP4336944A1 (en) Method and device for adjusting periodic message generation time point in v2x terminal in wireless communication system
US20240214971A1 (en) Quality of Service Based Positioning
US20230413155A1 (en) Systems and methods for dynamic rate and hotspot identification for a user device
WO2023179893A1 (en) Connecting to a non-terrestrial network

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40090198

Country of ref document: HK