针对含光伏(photovoltaic,PV)、电动汽车(electric vehicle,EV)及家庭电器负荷的智能社区,以车入户(vehicle to home,V2H)的形式将EV纳入家庭需求响应框架,利用EV的双向输能特性并考虑EV充/放电带来的电池容量退化成本,协同PV、电网的...针对含光伏(photovoltaic,PV)、电动汽车(electric vehicle,EV)及家庭电器负荷的智能社区,以车入户(vehicle to home,V2H)的形式将EV纳入家庭需求响应框架,利用EV的双向输能特性并考虑EV充/放电带来的电池容量退化成本,协同PV、电网的实时电价和用户需求的可容忍时延,基于Lyapunov优化理论提出随机环境下V2H用户的EV充/放电调度策略和每户家庭的负荷响应策略,最小化家庭用户的长期平均购电成本。并提出一种智能社区在线能量交易方案,旨在最小化智能社区总的购电成本、最大限度提高社区能源利用率。理论分析和仿真结果表明,所提算法无需实时电价、PV出力、用户负荷需求的先验概率信息,仅基于当前系统状态就可使优化目标趋于最优值,实现家庭用户的能量调度和家庭用户之间的能量共享,减少家庭购电成本,提高用户之间能量交易的灵活性。展开更多
This study proposes a lightweight rice disease detection model optimized for edge computing environments.The goal is to enhance the You Only Look Once(YOLO)v5 architecture to achieve a balance between real-time diagno...This study proposes a lightweight rice disease detection model optimized for edge computing environments.The goal is to enhance the You Only Look Once(YOLO)v5 architecture to achieve a balance between real-time diagnostic performance and computational efficiency.To this end,a total of 3234 high-resolution images(2400×1080)were collected from three major rice diseases Rice Blast,Bacterial Blight,and Brown Spot—frequently found in actual rice cultivation fields.These images served as the training dataset.The proposed YOLOv5-V2 model removes the Focus layer from the original YOLOv5s and integrates ShuffleNet V2 into the backbone,thereby resulting in both model compression and improved inference speed.Additionally,YOLOv5-P,based on PP-PicoDet,was configured as a comparative model to quantitatively evaluate performance.Experimental results demonstrated that YOLOv5-V2 achieved excellent detection performance,with an mAP 0.5 of 89.6%,mAP 0.5–0.95 of 66.7%,precision of 91.3%,and recall of 85.6%,while maintaining a lightweight model size of 6.45 MB.In contrast,YOLOv5-P exhibited a smaller model size of 4.03 MB,but showed lower performance with an mAP 0.5 of 70.3%,mAP 0.5–0.95 of 35.2%,precision of 62.3%,and recall of 74.1%.This study lays a technical foundation for the implementation of smart agriculture and real-time disease diagnosis systems by proposing a model that satisfies both accuracy and lightweight requirements.展开更多
精确的环境感知是实现自主代客泊车(automated valet parking,AVP)功能的基础,传统的AVP系统主要依赖于单车的感知,但随着场端智能技术的不断发展,车端与场端之间协同交互成为自主代客泊车落地的必然趋势。本文提出了一种基于V2X车场协...精确的环境感知是实现自主代客泊车(automated valet parking,AVP)功能的基础,传统的AVP系统主要依赖于单车的感知,但随着场端智能技术的不断发展,车端与场端之间协同交互成为自主代客泊车落地的必然趋势。本文提出了一种基于V2X车场协同的地下停车场全域感知方法,该方法将地下停车场的全域感知问题转化为大规模图模型的构建与优化问题。通过输入场端激光雷达、摄像头的传感器信息以及智能网联车的感知数据,以车辆位姿为节点,建立多种边约束关系。为了提高感知精度,本文提出了一种融合车道级地图信息的大规模图模型方法,通过将停放车辆作为半静态信息约束,并结合车道级地图信息构建横向约束,在求解过程中引入滑动窗口以减小图模型的规模,最终以地图形式输出感知结果供车端使用。通过仿真实验和在占地面积为2 500 m^(2)以上的地下停车场场景中进行实地实验,结果表明,该方法显著提升了在复杂停车场环境下的感知能力,实现了地下停车场的全域感知。展开更多
为了提高远程驾驶过程中道路信息的获取量进而提高远程驾驶的安全性,提出基于车用无线通信技术(Vehicle to X,V2X)、边缘计算技术和云平台组合而成的“云-边-V2X”技术架构用于智能公交车远程驾驶,即驾驶员在模拟驾驶舱由5G网络实现人...为了提高远程驾驶过程中道路信息的获取量进而提高远程驾驶的安全性,提出基于车用无线通信技术(Vehicle to X,V2X)、边缘计算技术和云平台组合而成的“云-边-V2X”技术架构用于智能公交车远程驾驶,即驾驶员在模拟驾驶舱由5G网络实现人车交互,靠常规摄像头、激光雷达和超声波等传感器捕获道路传感信息的同时,通过“云-边-V2X”架构实时获取道路事件状况提示为远程驾驶提供安全保障,并在此基础上搭建模拟驾驶舱对远端道路上的车辆进行操作控制。已有研究结果表明,论文提出的方法在不影响原有远程驾驶功能的前提下,加入道路事件信息提高远程驾驶安全冗余且远程驾驶系统的性能不受影响。展开更多
本文分析了单北斗时钟同步源背景下的授时配置方案,制定了时钟同步对接和传递方案,结合现网提出了光传送网络(Optical Transport Network,OTN)1588v2改造方案,包括技术和硬件改造方案,并通过实施案例验证了方案的有效性,同时提出了北斗...本文分析了单北斗时钟同步源背景下的授时配置方案,制定了时钟同步对接和传递方案,结合现网提出了光传送网络(Optical Transport Network,OTN)1588v2改造方案,包括技术和硬件改造方案,并通过实施案例验证了方案的有效性,同时提出了北斗智能多路分配系统优化思路。展开更多
文摘针对含光伏(photovoltaic,PV)、电动汽车(electric vehicle,EV)及家庭电器负荷的智能社区,以车入户(vehicle to home,V2H)的形式将EV纳入家庭需求响应框架,利用EV的双向输能特性并考虑EV充/放电带来的电池容量退化成本,协同PV、电网的实时电价和用户需求的可容忍时延,基于Lyapunov优化理论提出随机环境下V2H用户的EV充/放电调度策略和每户家庭的负荷响应策略,最小化家庭用户的长期平均购电成本。并提出一种智能社区在线能量交易方案,旨在最小化智能社区总的购电成本、最大限度提高社区能源利用率。理论分析和仿真结果表明,所提算法无需实时电价、PV出力、用户负荷需求的先验概率信息,仅基于当前系统状态就可使优化目标趋于最优值,实现家庭用户的能量调度和家庭用户之间的能量共享,减少家庭购电成本,提高用户之间能量交易的灵活性。
文摘This study proposes a lightweight rice disease detection model optimized for edge computing environments.The goal is to enhance the You Only Look Once(YOLO)v5 architecture to achieve a balance between real-time diagnostic performance and computational efficiency.To this end,a total of 3234 high-resolution images(2400×1080)were collected from three major rice diseases Rice Blast,Bacterial Blight,and Brown Spot—frequently found in actual rice cultivation fields.These images served as the training dataset.The proposed YOLOv5-V2 model removes the Focus layer from the original YOLOv5s and integrates ShuffleNet V2 into the backbone,thereby resulting in both model compression and improved inference speed.Additionally,YOLOv5-P,based on PP-PicoDet,was configured as a comparative model to quantitatively evaluate performance.Experimental results demonstrated that YOLOv5-V2 achieved excellent detection performance,with an mAP 0.5 of 89.6%,mAP 0.5–0.95 of 66.7%,precision of 91.3%,and recall of 85.6%,while maintaining a lightweight model size of 6.45 MB.In contrast,YOLOv5-P exhibited a smaller model size of 4.03 MB,but showed lower performance with an mAP 0.5 of 70.3%,mAP 0.5–0.95 of 35.2%,precision of 62.3%,and recall of 74.1%.This study lays a technical foundation for the implementation of smart agriculture and real-time disease diagnosis systems by proposing a model that satisfies both accuracy and lightweight requirements.
文摘精确的环境感知是实现自主代客泊车(automated valet parking,AVP)功能的基础,传统的AVP系统主要依赖于单车的感知,但随着场端智能技术的不断发展,车端与场端之间协同交互成为自主代客泊车落地的必然趋势。本文提出了一种基于V2X车场协同的地下停车场全域感知方法,该方法将地下停车场的全域感知问题转化为大规模图模型的构建与优化问题。通过输入场端激光雷达、摄像头的传感器信息以及智能网联车的感知数据,以车辆位姿为节点,建立多种边约束关系。为了提高感知精度,本文提出了一种融合车道级地图信息的大规模图模型方法,通过将停放车辆作为半静态信息约束,并结合车道级地图信息构建横向约束,在求解过程中引入滑动窗口以减小图模型的规模,最终以地图形式输出感知结果供车端使用。通过仿真实验和在占地面积为2 500 m^(2)以上的地下停车场场景中进行实地实验,结果表明,该方法显著提升了在复杂停车场环境下的感知能力,实现了地下停车场的全域感知。
文摘为了提高远程驾驶过程中道路信息的获取量进而提高远程驾驶的安全性,提出基于车用无线通信技术(Vehicle to X,V2X)、边缘计算技术和云平台组合而成的“云-边-V2X”技术架构用于智能公交车远程驾驶,即驾驶员在模拟驾驶舱由5G网络实现人车交互,靠常规摄像头、激光雷达和超声波等传感器捕获道路传感信息的同时,通过“云-边-V2X”架构实时获取道路事件状况提示为远程驾驶提供安全保障,并在此基础上搭建模拟驾驶舱对远端道路上的车辆进行操作控制。已有研究结果表明,论文提出的方法在不影响原有远程驾驶功能的前提下,加入道路事件信息提高远程驾驶安全冗余且远程驾驶系统的性能不受影响。
