CN117560638A - 应用于移动端通信系统的融合通信方法、装置及设备 - Google Patents

应用于移动端通信系统的融合通信方法、装置及设备 Download PDF

Info

Publication number
CN117560638A
CN117560638A CN202410032593.3A CN202410032593A CN117560638A CN 117560638 A CN117560638 A CN 117560638A CN 202410032593 A CN202410032593 A CN 202410032593A CN 117560638 A CN117560638 A CN 117560638A
Authority
CN
China
Prior art keywords
mobile terminal
operation data
data
future period
current mobile
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
CN202410032593.3A
Other languages
English (en)
Other versions
CN117560638B (zh
Inventor
罗映
高洪旭
姚琳
李丙洋
亓新春
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.)
Shandong Promote Electromechanical Technology Co ltd
Original Assignee
Shandong Promote Electromechanical Technology 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 Shandong Promote Electromechanical Technology Co ltd filed Critical Shandong Promote Electromechanical Technology Co ltd
Priority to CN202410032593.3A priority Critical patent/CN117560638B/zh
Publication of CN117560638A publication Critical patent/CN117560638A/zh
Application granted granted Critical
Publication of CN117560638B publication Critical patent/CN117560638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H04W4/203—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for converged personal network application service interworking, e.g. OMA converged personal network services [CPNS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/50—Secure pairing of devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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]
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开的实施例提供了一种应用于移动端通信系统的融合通信方法、装置及设备。应用于通信技术领域，所述方法包括：采集当前移动端的实时运行数据，并将实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备；利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端的激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路。以此方式，可以构建较为安全稳定的移动通信环境。

Description

应用于移动端通信系统的融合通信方法、装置及设备
技术领域
本公开涉及通信技术领域，进一步涉及融合通信技术领域，尤其涉及一种应用于移动端通信系统的融合通信方法、装置及设备。
背景技术
目前车辆、飞行器等移动端的通信系统主要依赖于无线电波通信技术，如WIFI、UWB（Ultra Wide Band，超宽带无线通信技术）、蓝牙等；然而，无线电波在传播过程中容易被截获，这使得其安全性相对较弱，且无线电波传输速率有限、频带窄、容量小、易受频谱的干扰。
激光通信技术安全性及隐蔽性较强，不易被发现、被截获，频带宽、传输速率高，但移动端激光通信设备往往会受到复杂动态环境的影响而导致通信链路不稳定。
发明内容
有鉴于此，本公开提供了一种应用于移动端通信系统的融合通信方法、装置及设备。
根据本公开的第一方面，提供了一种应用于移动端通信系统的融合通信方法，该通信系统中包括主控制器，该方法包括：
采集当前移动端的实时运行数据，并将实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；
利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备；
利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端的激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
在第一方面的一些可实现方式中，利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备，包括：
利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；
以便目标移动端根据当前移动端未来时段的运行数据计算未来时段激光通信设备的姿态及指向参数，并根据姿态及指向参数控制激光通信设备执行相应动作。
在第一方面的一些可实现方式中，利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端的激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路，包括：
利用无线数传，接收目标移动端未来时段的运行数据，根据目标移动端未来时段的运行数据计算未来时段激光通信设备的姿态及指向参数，并根据姿态及指向参数控制当前移动端的激光通信设备执行相应动作；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
在第一方面的一些可实现方式中，运行模型，通过以下步骤训练生成：
获取当前移动端的历史运行数据并对历史运行数据进行预处理，获得有效运行数据；
预设划分阈值，将有效运行数据按照其对应的时间信息划分为多个数据集；
基于数据集，进行模型训练与更新，直至生成运行模型；其中，运行模型为LSTM-LR（Long Short-Term Memory-Logistic Regression，长短时记忆-逻辑回归）混合模型。
在第一方面的一些可实现方式中，获取当前移动端的历史运行数据并对历史运行数据进行预处理，获得有效运行数据，包括：
获取当前移动端的历史运行数据并对历史运行数据进行集成、清洗、变换、归一化处理，获得有效运行数据；其中，
历史运行数据包括：当前移动端在每一历史时刻的位置信息、状态信息、性能信息、环境信息及驾驶员行为信息。
在第一方面的一些可实现方式中，基于数据集，进行模型训练与更新，直至生成运行模型，包括：
以数据集中每一组连续时刻的数据作为样本，以样本对应的下一连续时刻的数据作为样本标签，根据每一样本及其对应的标签生成训练集；
确定模型的评价指标，利用训练集进行模型训练与更新，直至生成运行模型。
在第一方面的一些可实现方式中，该方法还包括：
将当前移动端的实时运行数据与运行模型所预测的未来时段的运行数据进行对比，评估运行模型预测结果的准确性，并生成评估报告；
根据评估报告和激光通信链路质量监控结果，对运行模型进行调参优化。
根据本公开的第二方面，提供了应用于移动端通信系统的融合通信装置，该通信系统中包括主控制器，该装置包括：
第一处理模块，用于采集当前移动端的实时运行数据，并将实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；
第二处理模块，用于利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备；
第三处理模块，用于利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端的激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
根据本公开的第三方面，提供了一种电子设备。该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如以上所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如以上所述的方法。
在本公开中，通信双方基于运行模型与自身的实时运行数据，预测自身下一时段的运行数据并利用无线电传输给对方，以便对方根据接收到的运行数据调整激光通信设备，以此方式综合无线电波通信技术的稳定传输性和激光通信技术的安全性、隐蔽性，构建了较为安全稳定的移动通信环境。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本公开实施例提供的一种应用于移动端通信系统的融合通信方法的流程图；
图2示出了本公开实施例提供的示例性的应用于车载端通信系统的融合通信方法的示意图；
图3示出了本公开实施例提供的一种应用于移动端通信系统的融合通信装置的方框图；
图4示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
针对背景技术中提到的问题，本公开提供了一种应用于移动端通信系统的融合通信方法、装置及设备。
具体地，采集当前移动端的实时运行数据，并将实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备；利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
以此方式，可以基于运行模型，综合利用无线电波通信技术的稳定传输性和激光通信技术的安全性、隐蔽性，提高移动端通信系统的可靠性，构建较为安全、稳定、高效的移动通信环境。
下面结合附图及具体实施例对本公开所提供的一种应用于移动端通信系统的融合通信方法、装置及设备进行详细说明。
图1示出了本公开实施例提供的一种应用于移动端通信系统的融合通信方法的流程图；如图1所示，应用于移动端通信系统的融合通信方法100可以包括：
S110，采集当前移动端的实时运行数据，并将实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据。
示例性地，若当前移动端运行时刻为t，则采集t-n时刻至t时刻的移动端实时运行数据，将t-n时刻至t时刻的移动端实时运行数据输入预先训练好的运行模型中，预测出t时刻至t＋n时刻的移动端运行数据。
具体地，上述运行模型，可以通过以下步骤训练生成：
获取当前移动端的历史运行数据并对历史运行数据进行预处理，获得有效运行数据；
预设划分阈值，采用滑窗法，将有效运行数据按照其对应的时间信息划分为多个数据集；
基于数据集，进行模型训练与更新，直至生成运行模型。
其中，运行模型为LSTM-LR（Long Short-Term Memory-Logistic Regression，长短时记忆-逻辑回归）混合模型。
需要说明的是，移动端运行数据可以被视为时间序列数据，其中每一时刻都对应于移动端的某一状态或行为，LSTM的记忆能力可以捕捉到移动端运行数据中移动端的速度加速度、位置等与时间的依赖关系；而LR可以用于对LSTM提取的特征进行分类，以预测移动端未来时刻的状态或行为。
根据本公开的实施例，利用LSTM捕捉时间依赖关系，利用LR对特征进行分类，以预测移动端未来时段的运行数据，以此可以结合深度学习和传统机器学习的优点，提高模型的预测准确性。
进一步地，获取当前移动端的历史运行数据并对历史运行数据进行预处理，获得有效运行数据，可以包括：
获取当前移动端的历史运行数据并对历史运行数据进行集成、清洗、变换、归一化处理，获得有效运行数据；其中，历史运行数据包括：当前移动端每一历史时刻的位置信息、状态信息、性能信息、环境信息及驾驶员行为信息。具体地：
位置信息包括：移动端的经纬度。
状态信息包括：移动端的启动时间、怠速时间、工作时间、发动机转速、发动机工作小时、工作模式。
性能信息包括：移动端的油耗、排放量、速度、加速度、行驶里程、养护记录。
环境信息包括：移动端行驶过程中的天气情况、道路状况、交通状况。
驾驶员的行为信息包括：驾驶员的驾驶习惯、行驶速度、刹车频率。
进一步地，基于数据集，进行模型训练与更新，直至生成运行模型，可以包括：
以数据集中每一组连续时刻的数据作为样本，以样本对应的下一连续时刻的数据作为样本标签，根据每一样本及其对应的标签生成训练集；
确定模型的评价指标，利用训练集进行模型训练与更新，直至生成运行模型。
其中，模型的评价指标可以是以下指标中的一个或多个：RMSE（Root MeanSquared Error，均方根误差）、MSE（Mean Squared Error，均方误差）、MAE（Mean AbsoluteError，平均绝对误差）、MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）、SMAPE（Symmetric Mean Absolute Percentage Error，对称平均绝对百分比误差）、R-Square（R2，决定系数）。
示例性地，运行模型训练过程可以如下所示：
1、获取当前移动端的历史运行数据，并对历史运行数据进行集成、清洗、变换、归一化处理，获得有效运行数据。具体地：
a、对历史运行数据进行集成
由于历史运行数据为多源数据，因此需要对历史运行数据进行实体识别，集成不同源数据的矛盾之处；对集成以后的数据进行冗余属性识别并剔除冗余属性。
b、对集成以后的数据进行清洗
检测集成以后的数据，删除其中的无关数据、重复数据及噪声数据，
进一步采用拉格朗日插值法对数据中的缺失值进行处理。
c、对清洗以后的数据进行变换
为便于训练模型，对清洗以后的数据进行数据变换。
d、对变换以后的数据进行归一化处理
为消除数据差异，对变换以后的数据进行标准化（即归一化）处理，获得有效运行数据。
2、预设划分阈值，采用滑窗法，将有效运行数据按照其对应的时间信息划分为多个数据集。
首先，为便于训练模型，在划分数据集之前需要对有效运行数据进行特征提取，选择对预测结果有用的特征，以减少输入数据的维度。
接下来，选择一个窗口大小，将有效运行数据划分为多个数据集。
3、以数据集中每一组连续时刻的数据作为样本，以样本对应的下一连续时刻的数据作为样本标签，根据每一样本及其对应的标签生成训练集；训练模型。
具体训练过程包括前向传播过程和反向传播过程；前向传播过程是将输入数据通过LSTM模型得到隐藏状态，然后将隐藏状态通过LR模型得到预测结果。反向传播过程是使用损失函数来计算模型的误差，并通过梯度下降法来更新模型的参数，以减小误差。
4、确定模型的评价指标，评估模型的性能，若评估结果未达到期望值，则调整参数继续执行训练与评估步骤，直至评估结果达到期望值，生成运行模型。
为更好地对上述内容进行说明，进一步提供一代码示例：
#include <iostream>
#include <vector>
#include <cmath>
// 定义LSTM模型
class LSTMModel {
private:
double w1, w2, b;
public:
LSTMModel() {
w1 = 0.0;
w2 = 0.0;
b = 0.0;
}
double predict(std::vector<double> x) {
// 使用LSTM模型处理输入序列
double lstm_output = lstm(x);
// 使用LR模型进行预测
return w1 * lstm_output + w2 * x[0] + b;
}
void train(std::vector<std::vector<double>> x_train, std::vector<std::vector<double>> y_train, int epochs, double learning_rate) {
for (int epoch = 0; epoch < epochs; epoch++) {
double dw1 = 0.0;
double dw2 = 0.0;
double db = 0.0;
int n = x_train.size();
for (int i = 0; i < n; i++) {
double y_pred = predict(x_train[i]);
double error = y_pred - y_train[i][0];
// 使用LSTM模型处理输入序列
double lstm_output = lstm(x_train[i]);
dw1 += error * lstm_output;
dw2 += error * x_train[i][0];
db += error;
}
dw1 /= n;
dw2 /= n;
db /= n;
w1 -= learning_rate * dw1;
w2 -= learning_rate * dw2;
b -= learning_rate * db;
}
}
double lstm(std::vector<double> x) {
// TODO: 添加LSTM模型代码
// 使用平均值作为LSTM模型的输出
double output = 0.0;
for (int i = 0; i < x.size(); i++) {
output += x[i];
}
output /= x.size();
return output;
}
void setW1(double w1) {
this->w1 = w1;
}
void setW2(double w2) {
this->w2 = w2;
}
void setB(double b) {
this->b = b;
}
double getW1() {
return w1;
}
double getW2() {
return w2;
}
double getB() {
return b;
}
};
// 定义滑窗法处理数据函数
std::vector<std::vector<double>> slidingWindow(std::vector<double>data, int window_size) {
std::vector<std::vector<double>> result;
for (int i = 0; i < data.size() - window_size + 1; i++) {
std::vector<double> window;
for (int j = i; j < i + window_size; j++) {
window.push_back(data[j]);
}
result.push_back(window);
}
return result;
}
int main() {
// 示例数据
std::vector<double> x = {1.0, 2.0, 3.0, 4.0, 5.0};
std::vector<double> y = {2.0, 4.0, 6.0, 8.0, 10.0};
// 设置滑窗大小和学习率
int window_size = 2;
double learning_rate = 0.01;
// 使用滑窗法处理数据
std::vector<std::vector<double>> x_windows = slidingWindow(x,window_size);
std::vector<std::vector<double>> y_windows = slidingWindow(y,window_size);
// 创建LSTM-LR混合模型
LSTMModel model;
// 训练模型
int epochs = 100;
model.train(x_windows, y_windows, epochs, learning_rate);
// 输出训练结果
std::cout << "Trained model parameters:" << std::endl;
model.setW1(2 * model.getW1());
std::cout << "w1: " << model.getW1() << std::endl;
model.setW2(2 * model.getW2());
std::cout << "w2: " << model.getW2() << std::endl;
model.setB(2 * model.getB());
std::cout << "b: " << model.getB() << std::endl;
// 使用测试数据进行预测
std::vector<double> x_test = {6.0, 7.0};
std::vector<std::vector<double>>x_test_windows= slidingWindow(x_test, window_size);
std::vector<double> y_test_pred;
for (int i = 0; i < x_test_windows.size(); i++) {
y_test_pred.push_back(model.predict(x_test_windows[i]));
}
// 输出预测结果
std::cout << "Predicted y values:" << std::endl;
for (int i = 0; i < y_test_pred.size(); i++) {
std::cout << y_test_pred[i] << " ";
}
std::cout << std::endl;
return 0;
}
// 计算模型性能指标
double mse = 0.0;
double rmse = 0.0;
double mae = 0.0;
int n_samples = y_test_pred.size();
for (int i = 0; i < n_samples; i++) {
double error = y_test_pred[i] - y_test[i];
mse += pow(error, 2);
mae += abs(error);
}
mse /= n_samples;
rmse = sqrt(mse);
mae /= n_samples;
// 输出模型性能指标
std::cout << "Model evaluation results:" << std::endl;
std::cout << "MSE: " << mse << std::endl;
std::cout << "RMSE: " << rmse << std::endl;
std::cout << "MAE: " << mae << std::endl。
以上代码实施例提供了一个LSTM-LR混合模型，其中LSTM层用于处理输入序列，LR层用于预测输出。在代码的主函数中，首先定义了输入数据和输出数据，然后使用滑窗法将数据划分为多个序列。接着，创建了一个LSTMModel对象，使用该LSTMModel对象来实现LSTM-LR模型，该对象中包含了模型的权重和偏置，以及模型的训练和预测函数。进一步使用训练数据对模型进行了训练；在训练过程中，使用了梯度下降法对模型进行训练和优化，训练完成后，使用setW1、setW2和setB函数来设置模型的权重和偏置，使用测试数据进行预测并输出预测结果，并根据预测结果对模型进行了性能评估。
需要说明的是，以上代码实施例为一简易示例，在实际应用场景中，往往会设置更加复杂的多层模型来处理输入序列。
根据本公开的实施例，以预处理后的多维度的历史运行数据作为样本，划分训练集，可以训练出更加精准的运行模型，进一步能够获得更加精准的移动端运行预测结果。
S120，利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备。
具体地，利用无线数据传输方式，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据计算未来时段激光通信设备的姿态及指向参数，并根据姿态及指向参数控制激光通信设备执行相应动作。
S130，利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端的激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
具体地，利用无线数据传输方式，接收目标移动端未来时段的运行数据，根据目标移动端未来时段的运行数据计算未来时段激光通信设备的姿态及指向参数，并根据姿态及指向参数控制当前移动端的激光通信设备执行相应动作；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
进一步地，移动端通信系统包括无线数传模块和激光通信模块，其中，无线数传模块用于实现无线数据传输，激光通信模块用于完成两个移动载体间的激光通信。
当前移动端和目标移动端在启动以后，通信系统进行初始化，主控制器首先读取激光通信设备数据，检查无线数传模块的状态；接着控制激光通信设备进行粗对准和精对准；进一步地：
在粗对准阶段，主控制器接收组合导航的定位数据及对方移动端未来时段的运行数据，根据组合导航的定位数据及对方移动端未来时段的运行数据计算出相应的俯仰和旋转电机的姿态及指向参数，并控制电机及快反镜执行相应的粗对准动作。
在精对准阶段，主控制器根据信标激光模块的反馈，同时接收CMOS相机模块参数，根据信标激光模块的反馈及CMOS相机模块参数计算校正数据，校正俯仰和旋转电机的姿态参数，并进一步控制电机及快反镜执行相应的精对准动作。
在粗对准和精对准阶段完成后，确定两激光通信设备对准，此时主控制器对激光通信模块发送通信指令，两移动端开始进行激光通信；由于通信中的两移动端处于相互运动的动态环境中，因此，双方的主控制器会实时根据组合导航的定位数据及对方移动端未来时段的运行数据计算相应当前及未来时刻的俯仰和旋转电机的姿态及指向参数，以及时控制电机及快反镜执行相应的粗对准动作，并进一步通过计算控制电机及快反镜执行相应的精对准动作，以此确保通信链路的稳定性。
下面以车载端通信系统为例，结合附图2对本公开实施例所提供的应用于移动端通信系统的融合通信方法100进行更加详细的说明。
图2示出了本公开实施例提供的示例性的应用于车载端通信系统的融合通信方法的示意图。
如图2所示，车载通信系统包括无线数传模块和激光通信模块，其中，无线数传模块用于实现无线数据传输，激光通信模块用于完成两个车辆间的激光通信。
当前车辆和目标车辆在启动以后，通信系统进行初始化，主控制器首先读取激光通信设备数据，检查无线数传模块的状态。进一步地：
假设当前车辆的运行时刻为t，主控制器采集t-n时刻至t时刻的当前车辆的实时运行数据，将t-n时刻至t时刻的当前车辆的实时运行数据输入预先训练好的LSTM-LR运行模型中，预测出t时刻至t＋n时刻的当前车辆的运行数据，并将该运行数据通过无线数传模块发送给目标车辆。
同时，主控制器根据车载组合导航的定位数据及对方车辆未来时段的运行数据，根据组合导航的定位数据及对方车辆未来时段的运行数据计算出相应的俯仰和旋转电机的姿态及指向参数，并控制电机及快反镜执行相应的粗对准动作。
进一步地，主控制器根据信标激光模块的反馈，同时接收CMOS相机模块参数，根据信标激光模块的反馈及CMOS相机模块参数计算校正数据，校正俯仰和旋转电机的姿态参数，并进一步控制电机及快反镜执行相应的精对准动作。
在粗对准和精对准阶段完成后，确定两激光通信设备对准，此时主控制器对激光通信模块发送通信指令，两车辆之间开始进行激光通信；两车在进行激光通信期间，其各自的主控制器分别实时计算并调整各自的激光通信设备，以确保通信链路的稳定性。
需要注意的是，若在上述过程中出现信标光对准失败，则发送相关指令暂停激光通信，重新计算并调整参数，并尝试重新建立激光通信链路。
进一步地，为了使上述步骤更加清楚，可以将激光通信具体的工作过程分为数引，捕获、对准、跟踪、动态通信五个阶段。
（1）数引阶段
系统启动进行初始化时，主控系统通过组合导航GPS／INS（IMU）对激光通信设备进行位置和姿态检测，在激光通信开始前，通信双方载体的位置数据及未来时段的运行数据由各自的数传模块传输给对方，通信双方的光端机按照各自终端的主控系统所解算的方位和俯仰角等参数进行随动指向。
（2）捕获阶段
数引指向完成后，双方互相发射信标光，使信标光进入对方观瞄中心视场（即跟踪视场）并捕获对方的信标光。
（3）对准阶段
捕获对方的信标光以后，主控系统通过调节激光通信设备中的转台和快反镜使得信标光指向光束进入己方COMS相机视场的通信中心点。
（4）跟踪阶段
主控系统检测到对方信标光进入己方通信中心点后，开启自动跟踪模式，由CMOS跟踪相机检测计算脱靶量，通过接口传输给主控制器，主控制器通过总线控制转台的方位和俯仰伺服电机共同实现动态跟踪功能。
（5）动态通信阶段
APT跟踪系统进入动态跟踪状态并达到跟踪精度要求后启动通信，具体地通信过程由激光链路中的发送EDFA(erbium-doped fiber amplifier，掺铒光纤放大器)、接收EDFA和通讯控制模块完成。
在通信过程中，APT跟踪系统会对平台的低频扰动、高频振动进行补偿和抑制，以保持链路的跟踪和对准精度，确保激光通信稳定可靠的进行。
进一步地，可以通过在APT跟踪系统中建立低频扰动模型，预测低频扰动以及时对低频扰动进行补偿和抑制。
进一步地，可以采用滤波法，在APT跟踪系统中加入陷波滤波器以消除特定频率的范围内的高频振动；也可以在APT跟踪系统中加入适应性滤波器以动态跟随并抑制高频振动。
根据本公开的实施例，利用训练好的运行模型预测通信双方未来时段的运行数据，以辅助通信双方主控系统结合其他信息提前计算出指向角度， 辅助通信双方主控系统快速建立安全、稳定的激光通信链路。
可以理解的是，本公开实施例中的激光通信模块还具有图像实时处理及存储、系统参数设置、自检、故障诊断、状态监视和电源电路保护等功能。
在一些实施例中，通信双方的主控制器获取移动端的实时运行数据，将实时运行数据与运行模型所预测的未来时段的运行数据进行对比，评估运行模型预测结果的准确性，并生成评估报告；根据评估报告和链路质量监控结果，对运行模型、角度调整策略等进行优化，以提高激光通信链路的稳定性，进一步提高激光通信的效率。
本公开的实施例以车载通信系统为例进行了详细说明，可以理解的是，本公开所提供的应用于移动端通信系统的融合通信方法、装置及设备也可以应用于其他位于复杂动态环境中的移动端。
应该理解，可以使用各种形式的流程，重新排序、增加或删除上述步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本公开在此不进行限制。
根据本公开的实施例，实现了以下技术效果：
通过融合多种通信技术，提高了移动端之间信息传输的安全性、稳定性和可靠性；优化了信息传输效率；实现了更加高效的动态激光通信，为移动端之间的信息交互和协同控制提供了更好的支持。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图3示出了本公开实施例提供的一种应用于移动端通信系统的融合通信装置的方框图。如图3所示，应用于移动端通信系统的融合通信装置300可以包括：
第一处理模块310，用于采集当前移动端的实时运行数据，并将实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；
第二处理模块320，用于利用无线数传，将当前移动端未来时段的运行数据传输至目标移动端；以便目标移动端根据当前移动端未来时段的运行数据控制激光通信设备；
第三处理模块330，用于利用无线数传，接收目标移动端未来时段的运行数据，并根据目标移动端未来时段的运行数据控制当前移动端的激光通信设备；以便当前移动端与目标移动端建立安全稳定的激光通信链路。
在一些实施例中，应用于移动端通信系统的融合通信装置300还可以包括：
第四处理模块，用于将当前移动端的实时运行数据与运行模型所预测的未来时段的运行数据进行对比，评估运行模型预测结果的准确性，并生成评估报告；根据评估报告和激光通信链路质量监控结果，对运行模型进行调参优化。
可以理解的是，图3所示的应用于移动端通信系统的融合通信装置300中的各个模块/单元具有实现本公开实施例提供的应用于移动端通信系统的融合通信方法100中的各个步骤的功能，并能达到其相应的技术效果，所描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，为描述的方便和简洁，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质。
图4示出了能够实施本公开的实施例的示例性电子设备的方框图。
如图4所示，电子设备400旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备400包括计算单元401，其可以根据存储在ROM402中的计算机程序或者从存储单元408加载到RAM403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM402以及RAM403通过总线404彼此相连。I/O接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM403并由计算单元401执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种应用于移动端通信系统的融合通信方法，所述通信系统中包括主控制器，其特征在于，所述方法包括：
采集当前移动端的实时运行数据，并将所述实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；
利用无线数传，将所述当前移动端未来时段的运行数据传输至目标移动端；以便所述目标移动端根据所述当前移动端未来时段的运行数据控制激光通信设备；
利用无线数传，接收所述目标移动端未来时段的运行数据，根据所述目标移动端未来时段的运行数据控制所述当前移动端的激光通信设备；以便所述当前移动端与所述目标移动端建立安全稳定的激光通信链路。
2.根据权利要求1所述的应用于移动端通信系统的融合通信方法，其特征在于，所述利用无线数传，将所述当前移动端未来时段的运行数据传输至目标移动端；以便所述目标移动端根据所述当前移动端未来时段的运行数据控制激光通信设备，包括：
利用无线数传，将所述当前移动端未来时段的运行数据传输至目标移动端；
以便所述目标移动端根据所述当前移动端未来时段的运行数据计算未来时段激光通信设备的姿态及指向参数，并根据所述姿态及指向参数控制激光通信设备执行相应动作。
3.根据权利要求1所述的应用于移动端通信系统的融合通信方法，其特征在于，所述利用无线数传，接收所述目标移动端未来时段的运行数据，并根据所述目标移动端未来时段的运行数据控制所述当前移动端的激光通信设备；以便所述当前移动端与所述目标移动端建立安全稳定的激光通信链路，包括：
利用无线数传，接收所述目标移动端未来时段的运行数据，根据所述目标移动端未来时段的运行数据计算未来时段激光通信设备的姿态及指向参数，并根据所述姿态及指向参数控制所述当前移动端的激光通信设备执行相应动作；以便所述当前移动端与所述目标移动端建立安全稳定的激光通信链路。
4.根据权利要求1所述的应用于移动端通信系统的融合通信方法，其特征在于，所述运行模型，通过以下步骤训练生成：
获取所述当前移动端的历史运行数据并对所述历史运行数据进行预处理，获得有效运行数据；
预设划分阈值，将所述有效运行数据按照其对应的时间信息划分为多个数据集；
基于所述数据集，进行模型训练与更新，直至生成所述运行模型；其中，所述运行模型为LSTM-LR混合模型。
5.根据权利要求4所述的应用于移动端通信系统的融合通信方法，其特征在于，所述获取所述当前移动端的历史运行数据并对所述历史运行数据进行预处理，获得有效运行数据，包括：
获取所述当前移动端的历史运行数据并对所述历史运行数据进行集成、清洗、变换、归一化处理，获得有效运行数据；其中，
所述历史运行数据包括：所述当前移动端在每一历史时刻的位置信息、状态信息、性能信息、环境信息及驾驶员行为信息。
6.根据权利要求4所述的应用于移动端通信系统的融合通信方法，其特征在于，所述基于所述数据集，进行模型训练与更新，直至生成所述运行模型，包括：
以所述数据集中每一组连续时刻的数据作为样本，以样本对应的下一连续时刻的数据作为样本标签，根据每一样本及其对应的标签生成训练集；
确定模型的评价指标，利用训练集进行模型训练与更新，直至生成所述运行模型。
7.根据权利要求1所述的应用于移动端通信系统的融合通信方法，其特征在于，所述方法还包括：
将所述当前移动端的实时运行数据与所述运行模型所预测的未来时段的运行数据进行对比，评估所述运行模型预测结果的准确性，并生成评估报告；
根据评估报告和激光通信链路质量监控结果，对所述运行模型进行调参优化。
8.一种应用于移动端通信系统的融合通信装置，所述通信系统中包括主控制器，其特征在于，所述装置包括：
第一处理模块，用于采集当前移动端的实时运行数据，并将所述实时运行数据输入预先训练好的运行模型中，获得当前移动端未来时段的运行数据；
第二处理模块，用于利用无线数传，将所述当前移动端未来时段的运行数据传输至目标移动端；以便所述目标移动端根据所述当前移动端未来时段的运行数据控制激光通信设备；
第三处理模块，用于利用无线数传，接收所述目标移动端未来时段的运行数据，并根据所述目标移动端未来时段的运行数据控制所述当前移动端的激光通信设备；以便所述当前移动端与所述目标移动端建立安全稳定的激光通信链路。
9. 一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一权利要求所述的应用于移动端通信系统的融合通信方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一权利要求所述的应用于移动端通信系统的融合通信方法。
CN202410032593.3A 2024-01-10 2024-01-10 应用于移动端通信系统的融合通信方法、装置及设备 Active CN117560638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410032593.3A CN117560638B (zh) 2024-01-10 2024-01-10 应用于移动端通信系统的融合通信方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410032593.3A CN117560638B (zh) 2024-01-10 2024-01-10 应用于移动端通信系统的融合通信方法、装置及设备

Publications (2)

Publication Number Publication Date
CN117560638A true CN117560638A (zh) 2024-02-13
CN117560638B CN117560638B (zh) 2024-03-22

Family

ID=89813150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410032593.3A Active CN117560638B (zh) 2024-01-10 2024-01-10 应用于移动端通信系统的融合通信方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117560638B (zh)

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2279165A1 (en) * 1999-07-30 2001-01-30 Intersite Technologies Inc. A system and method for use with a moveable platform
JP2005500537A (ja) * 2001-08-16 2005-01-06 レイセオン・カンパニー 近接物体検出システム
US20080040023A1 (en) * 1997-10-22 2008-02-14 Intelligent Technologies International, Inc. Intra-Vehicle Information Conveyance System and Method
EP2738519A2 (de) * 2012-11-29 2014-06-04 Technische Fachhochschule Wildau Orten eines mobilen Endgeräts unter Nutzung von optisch detektierbaren Landmarken
CN106850058A (zh) * 2015-12-07 2017-06-13 李欣颖 基于全双工无线毫米波通信和全双工自由空间相干光激光通信的混合光无线链路架构
US20180262271A1 (en) * 2017-03-13 2018-09-13 Bae Systems Information And Electronic Systems Integration Inc. Celestial navigation using laser communication system
US20190118829A1 (en) * 2017-10-19 2019-04-25 Uber Technologies, Inc. Systems and Methods for a Vehicle Controller Robust to Time Delays
WO2019138485A1 (ja) * 2018-01-11 2019-07-18 住友電気工業株式会社 衝突可能性判定装置、衝突可能性判定方法、及びコンピュータプログラム
US20190304097A1 (en) * 2018-03-29 2019-10-03 Aurora Innovation, Inc. Relative atlas for autonomous vehicle and generation thereof
WO2019192172A1 (zh) * 2018-04-04 2019-10-10 歌尔股份有限公司 一种姿态预测方法、装置和电子设备
US20200025931A1 (en) * 2018-03-14 2020-01-23 Uber Technologies, Inc. Three-Dimensional Object Detection
US20200086858A1 (en) * 2018-09-13 2020-03-19 Honda Motor Co., Ltd. System and method for egocentric-vision based future vehicle localization
US20200172091A1 (en) * 2018-11-30 2020-06-04 International Business Machines Corporation Preemptive mitigation of collision risk
EP3721313A1 (en) * 2018-01-09 2020-10-14 Uatc, Llc Systems and methods for controlling an autonomous vehicle
US20200334155A1 (en) * 2019-04-17 2020-10-22 EMC IP Holding Company LLC Aggregated write and caching operations based on predicted patterns of data transfer operations
CN112766023A (zh) * 2019-11-04 2021-05-07 北京地平线机器人技术研发有限公司 目标对象的姿态确定方法、装置、介质及设备
US11012873B1 (en) * 2020-03-20 2021-05-18 Verizon Patent And Licensing Inc. Systems and methods for utilizing time series and neural network models to deploy autonomous vehicles for 5G network coverage gaps
CN113990500A (zh) * 2021-10-22 2022-01-28 深圳市艾美迪电子科技有限公司 一种生命体征参数的监测方法、装置以及储存介质
WO2022022721A1 (zh) * 2020-07-31 2022-02-03 商汤集团有限公司 轨迹预测方法、装置、设备、存储介质及程序
CN115189762A (zh) * 2022-07-12 2022-10-14 中国科学院空天信息创新研究院 星地激光通信地面站通信可用度的检测方法及装置
WO2022227460A1 (zh) * 2021-04-27 2022-11-03 深圳市商汤科技有限公司 位姿预测方法、装置、电子设备及存储介质
CN116438913A (zh) * 2020-11-03 2023-07-14 埃尔构人工智能有限责任公司 用于数据卸载和上载以在载具交通基础设施系统的节点之间交换数据的系统和方法
US20230349693A1 (en) * 2009-09-03 2023-11-02 Electronic Scripting Products, Inc. System and method for generating input data from pose estimates of a manipulated object by using light data and relative motion data
CN117168488A (zh) * 2023-09-28 2023-12-05 新石器慧通（北京）科技有限公司 一种车辆的路径规划方法、装置、设备及介质

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080040023A1 (en) * 1997-10-22 2008-02-14 Intelligent Technologies International, Inc. Intra-Vehicle Information Conveyance System and Method
CA2279165A1 (en) * 1999-07-30 2001-01-30 Intersite Technologies Inc. A system and method for use with a moveable platform
JP2005500537A (ja) * 2001-08-16 2005-01-06 レイセオン・カンパニー 近接物体検出システム
US20230349693A1 (en) * 2009-09-03 2023-11-02 Electronic Scripting Products, Inc. System and method for generating input data from pose estimates of a manipulated object by using light data and relative motion data
EP2738519A2 (de) * 2012-11-29 2014-06-04 Technische Fachhochschule Wildau Orten eines mobilen Endgeräts unter Nutzung von optisch detektierbaren Landmarken
CN106850058A (zh) * 2015-12-07 2017-06-13 李欣颖 基于全双工无线毫米波通信和全双工自由空间相干光激光通信的混合光无线链路架构
US20180262271A1 (en) * 2017-03-13 2018-09-13 Bae Systems Information And Electronic Systems Integration Inc. Celestial navigation using laser communication system
US20190118829A1 (en) * 2017-10-19 2019-04-25 Uber Technologies, Inc. Systems and Methods for a Vehicle Controller Robust to Time Delays
EP3721313A1 (en) * 2018-01-09 2020-10-14 Uatc, Llc Systems and methods for controlling an autonomous vehicle
WO2019138485A1 (ja) * 2018-01-11 2019-07-18 住友電気工業株式会社 衝突可能性判定装置、衝突可能性判定方法、及びコンピュータプログラム
US20200025931A1 (en) * 2018-03-14 2020-01-23 Uber Technologies, Inc. Three-Dimensional Object Detection
US20190304097A1 (en) * 2018-03-29 2019-10-03 Aurora Innovation, Inc. Relative atlas for autonomous vehicle and generation thereof
WO2019192172A1 (zh) * 2018-04-04 2019-10-10 歌尔股份有限公司 一种姿态预测方法、装置和电子设备
US20200086858A1 (en) * 2018-09-13 2020-03-19 Honda Motor Co., Ltd. System and method for egocentric-vision based future vehicle localization
US20200172091A1 (en) * 2018-11-30 2020-06-04 International Business Machines Corporation Preemptive mitigation of collision risk
US20200334155A1 (en) * 2019-04-17 2020-10-22 EMC IP Holding Company LLC Aggregated write and caching operations based on predicted patterns of data transfer operations
CN112766023A (zh) * 2019-11-04 2021-05-07 北京地平线机器人技术研发有限公司 目标对象的姿态确定方法、装置、介质及设备
US11012873B1 (en) * 2020-03-20 2021-05-18 Verizon Patent And Licensing Inc. Systems and methods for utilizing time series and neural network models to deploy autonomous vehicles for 5G network coverage gaps
WO2022022721A1 (zh) * 2020-07-31 2022-02-03 商汤集团有限公司 轨迹预测方法、装置、设备、存储介质及程序
CN116438913A (zh) * 2020-11-03 2023-07-14 埃尔构人工智能有限责任公司 用于数据卸载和上载以在载具交通基础设施系统的节点之间交换数据的系统和方法
WO2022227460A1 (zh) * 2021-04-27 2022-11-03 深圳市商汤科技有限公司 位姿预测方法、装置、电子设备及存储介质
CN113990500A (zh) * 2021-10-22 2022-01-28 深圳市艾美迪电子科技有限公司 一种生命体征参数的监测方法、装置以及储存介质
CN115189762A (zh) * 2022-07-12 2022-10-14 中国科学院空天信息创新研究院 星地激光通信地面站通信可用度的检测方法及装置
CN117168488A (zh) * 2023-09-28 2023-12-05 新石器慧通（北京）科技有限公司 一种车辆的路径规划方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张东兵;: "基于数据挖掘的排球动员训练动作评价模型研究", 电脑知识与技术, no. 04, 5 February 2020 (2020-02-05) *
王翔;白茹;崔晓阳;吴涛;钱正洪;: "姿态检测系统中的数据融合算法综述", 电子科技, no. 10, 15 October 2018 (2018-10-15) *

Also Published As

Publication number Publication date
CN117560638B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN108134640B (zh) 一种基于节点运动状态约束的协作定位系统和方法
US20170200325A1 (en) Diagnostic test performance control system and method
CN108983271A (zh) 基于rtk-gps/ins列车组合定位方法
US11703874B2 (en) System and method for collection of performance data by a vehicle
CN115743101A (zh) 车辆轨迹预测方法、轨迹预测模型训练方法和装置
CN117560638B (zh) 应用于移动端通信系统的融合通信方法、装置及设备
CN115291108A (zh) 数据生成方法、装置、设备及计算机程序产品
CN113645280A (zh) 车辆位置数据上传方法、装置、电子设备及存储介质
CN112165402A (zh) 一种网络安全态势预测的方法和装置
US20220244068A1 (en) Dynamic map generation with focus on construction and localization field of technology
KR102517062B1 (ko) 전기차를 위한 구독형 충전 예약 보장 시스템 및 방법
CN114528972A (zh) 移动边缘计算中深度学习模型训练方法及相应系统
Wotawa et al. Adaptive system for autonomous driving
CN114356737A (zh) 模型监测方法、设备、存储介质及计算机程序产品
Kuratomi GNSS position error estimated by machine learning techniques with environmental information input
CN111934755B (zh) Sdn控制器以及光通信设备的光信噪比预测方法
Stepanov et al. On machine learning applicability to transaction time prediction for time-critical C-ITS applications
Wang et al. Integrity monitoring of Global Navigation Satellite System/Inertial Navigation System integrated navigation system based on dynamic fading filter optimisation
CN115019420B (zh) 开关锁控制方法、装置、设备和存储介质
CN111260105B (zh) 一种平面路网的优化方法、装置和计算机可读存储介质
CN116972837B (zh) 自适应车载组合导航定位方法及相关设备
CN114879502B (zh) 一种位置环自抗扰控制器参数自整定方法
CN116027346A (zh) 一种无人机激光链路中的光斑位置预测算法
CN115166670A (zh) 双站量测信息融合下的多目标跟踪方法、系统和电子设备
Wang et al. Multiple Fading Factors Extended Kalman Filter Based on Mahalanobis Distance for Robot Localization Under Measurement Abnormality

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