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
随着自动驾驶技术的迅速发展,V2X(Vehicle to Everything)技术成为提升环卫车运行效率与安全性的关键。该技术能实现车辆与外部环境的广泛连接,优化自动驾驶系统的功能,增强车辆间的信息交流和决策支持。为此,详细探讨了V2X技术的组成...随着自动驾驶技术的迅速发展,V2X(Vehicle to Everything)技术成为提升环卫车运行效率与安全性的关键。该技术能实现车辆与外部环境的广泛连接,优化自动驾驶系统的功能,增强车辆间的信息交流和决策支持。为此,详细探讨了V2X技术的组成和工作原理、在自动驾驶系统中的集成,以及智能网联协同工作模式的构建。研究旨在剖析V2X技术在当前交通系统中的应用潜力及环卫车在实际环境中的效能。展开更多
矿山环境由于其复杂性往往会增加车辆事故发生的可能性。为提高矿山车辆预警系统的准确性,研究通过V2X(Vehicle to Everything)技术实现车辆信息共享,结合具备卡尔曼滤波器的神经网络与双向循环神经网络(KalmanNet-BRNN)模型对车辆状态...矿山环境由于其复杂性往往会增加车辆事故发生的可能性。为提高矿山车辆预警系统的准确性,研究通过V2X(Vehicle to Everything)技术实现车辆信息共享,结合具备卡尔曼滤波器的神经网络与双向循环神经网络(KalmanNet-BRNN)模型对车辆状态进行估计。研究结果中,在4种数据集上,研究方法的均方误差平均降低了7.60、1.70、11.01和3.19,动态时间规整平均降低了2.05 m、3.50 m、2.73 m和5.38 m。结果表明,融合V2X技术和KalmanNet-BRNN网络架构可用于矿山车辆的预警,同时研究方法在多个数据集上均方误差最低,动态时间规整值最小,表明了研究方法能够提升矿山车辆预警系统的准确性,同时预测的车辆状态信息更为接近车辆真实状态;研究不仅提高了矿山作业的安全性,同时可为矿山企业的运营效率的提升提供数据支撑。展开更多
In Heterogeneous Vehicle-to-Everything Networks(HVNs),multiple users such as vehicles and handheld devices and infrastructure can communicate with each other to obtain more advanced services.However,the increasing num...In Heterogeneous Vehicle-to-Everything Networks(HVNs),multiple users such as vehicles and handheld devices and infrastructure can communicate with each other to obtain more advanced services.However,the increasing number of entities accessing HVNs presents a huge technical challenge to allocate the limited wireless resources.Traditional model-driven resource allocation approaches are no longer applicable because of rich data and the interference problem of multiple communication modes reusing resources in HVNs.In this paper,we investigate a wireless resource allocation scheme including power control and spectrum allocation based on the resource block reuse strategy.To meet the high capacity of cellular users and the high reliability of Vehicle-to-Vehicle(V2V)user pairs,we propose a data-driven Multi-Agent Deep Reinforcement Learning(MADRL)resource allocation scheme for the HVN.Simulation results demonstrate that compared to existing algorithms,the proposed MADRL-based scheme achieves a high sum capacity and probability of successful V2V transmission,while providing close-to-limit performance.展开更多
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。
文摘随着自动驾驶技术的迅速发展,V2X(Vehicle to Everything)技术成为提升环卫车运行效率与安全性的关键。该技术能实现车辆与外部环境的广泛连接,优化自动驾驶系统的功能,增强车辆间的信息交流和决策支持。为此,详细探讨了V2X技术的组成和工作原理、在自动驾驶系统中的集成,以及智能网联协同工作模式的构建。研究旨在剖析V2X技术在当前交通系统中的应用潜力及环卫车在实际环境中的效能。
基金funded in part by the National Key Research and Development of China Project (2020YFB1807204)in part by National Natural Science Foundation of China (U2001213 and 61971191)+1 种基金in part by the Beijing Natural Science Foundation under Grant L201011in part by the key project of Natural Science Foundation of Jiangxi Province (20202ACBL202006)。
文摘In Heterogeneous Vehicle-to-Everything Networks(HVNs),multiple users such as vehicles and handheld devices and infrastructure can communicate with each other to obtain more advanced services.However,the increasing number of entities accessing HVNs presents a huge technical challenge to allocate the limited wireless resources.Traditional model-driven resource allocation approaches are no longer applicable because of rich data and the interference problem of multiple communication modes reusing resources in HVNs.In this paper,we investigate a wireless resource allocation scheme including power control and spectrum allocation based on the resource block reuse strategy.To meet the high capacity of cellular users and the high reliability of Vehicle-to-Vehicle(V2V)user pairs,we propose a data-driven Multi-Agent Deep Reinforcement Learning(MADRL)resource allocation scheme for the HVN.Simulation results demonstrate that compared to existing algorithms,the proposed MADRL-based scheme achieves a high sum capacity and probability of successful V2V transmission,while providing close-to-limit performance.
