车联网C-V2X技术原理及测试解决方案

随着互联网、物联网和无线传感器网络技术的广泛应用,车联网成为实现未来智能交通目标的有效途径之一。C-V2X是车联网的关键核心技术,决定着车联网的整体性能。本文从车联网的概念入手,阐述了车联网C-V2X的技术标准演进、通信原理以及车联网C-V2X的测试解决方案,包括C-V2X协议一致性测试方案、C-V2X应用场景测试方案及C-V2X产线测试方案。

车联网V2I场景下基于GNN的SC-FDMA智能信道估计

随着车联网的迅猛发展,车对路基础设施(Vehicle to Infrastructure,V2I)通信对车联网的可靠性和时延提出了更高的要求,而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题,本文提出基于图神经网络(Graph Neural Network,GNN)的单载波频分多址(Single Carrier-Frequency Division Multiple Access,SC-FDMA)智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边,将图化后的数据送入GraphSAGE信道插值器(GraphSAGE Channel Interpolator,GCI)中,通过边更新、聚合操作、节点更新三大模块进行网络训练,同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道,使得网络具备可解释性.最后,系统仿真验证了在不同速度环境下算法的有效性和鲁棒性,较线性插值、样条插值以及全连接网络,本文所提GCI在低、中和高速移动环境下具有最优的误码率(Bit Error Rate,BER)和归一化均方误差(Normalized Mean Square Error,NMSE)性能,特别地,在200 km/h高速移动条件下GCI的优势更为明显.

基于公众移动通信网的V2X运营需求

简要介绍了两种V2X技术路线,以典型的V2X应用场景为例,提出了V2X应用部署初期应仅提供车辆主动安全提醒服务的观点。从公众移动通信网提供V2X应用的角度,提出了V2X运营中所需的功能需求,包括:身份鉴权、通信功能、通信兼容性、与交通系统对接、运行维护等功能,并提出了身份证书发放、运行维护测量消息的具体设想。

可重构智能表面辅助的V2I通信系统联合波束赋形算法

为解决基于信道先验知识的联合波束赋形方法受限于多变的车辆与交通基础设施(V2I)通信场景且信道估计开销过大等问题,该文结合环境态势感知,提出一种基于无线传播链路预测的联合波束赋形方法。该方法首先利用射线追踪模拟器构建了可重构智能表面(RIS)辅助的V2I毫米波通信系统模型,通过改变环境态势以获取多样的无线传播链路数据来构建数据集。其次,使用该数据集训练基于机器学习的无线传播链路预测模型。最后,在最大发射功率约束条件下,构建了联合波束赋形问题模型,并基于预测结果采用交替迭代优化方法(AIOA)优化基站波束赋形矩阵和RIS相移矩阵,以实现同步通信车辆用户最小信干噪比(SINR)的最大化。仿真结果验证了该方法的有效性,通过引入非信道先验知识驱动,降低了信道探测开销,提高了该方法在V2I场景中的可行性。

基于5G+V2X的融合组网车路协同系统

随着5G通信技术的发展,传统的基于PC5接口方式的车联网系统在时延和可靠性等方面,性能指标无法匹配车联网系统快速发展的要求。本文深入探讨了5G通信技术与V2X融合组网在车路协同系统中的应用前景,通过集成5G网络的高速率、低时延特性与V2X的广泛连接能力,提出了一种创新的融合组网架构,旨在构建更高效、安全的智慧交通生态。研究内容涵盖了系统架构设计、关键技术分析、应用场景示例、实验验证以及对未来的展望,为未来车路协同系统的部署与优化提供了全面的理论依据和技术指南。

基于改进MobileNet V2的多视图三维人脸重建

针对多视图三维人脸重建时,由于图像特征提取能力有限而导致三维人脸模型重建效果不佳的问题,本文提出了一种基于改进MobileNet V2网络的三维人脸重建方法。首先在MobileNet V2网络中引入多路径结构,使不同子路径的特征能够进行交互,从而增强网络的表达能力;然后在通道维度上加入压缩激励(Squeeze and Excitation,SE)模块,在空间维度上加入空间分组增强(Spatial Group-wise Enhance,SGE)模块,从而有效提取人脸形状参数和表情参数;最后使用三维可形变模型(3D Morphable Model,3DMM),并根据形状参数和表情参数完成三维人脸重建。在300W-LP数据集上,与基于卷积神经网络(Convolutional Neural Network,CNN)的重建方法以及基于Visual Geometry Group Batch Normalization(VGG-BN)改进网络的重建方法进行对比实验,实验结果表明平均重建精度分别提升约0.46%和0.31%。

基于MobileNet V2模型迁移学习的垃圾图像分类算法

垃圾分类结合人工智能图形识别技术,是对传统垃圾处理方式的改革,旨在实现垃圾的有效分类处置,是一种科学管理方法[1]。本文基于MobileNet V2网络结构,使用迁移学习提高模型特征表达的能力,改进并选择合适的损失函数和优化方案,使得模型能够区分不同种类的垃圾,训练完毕的模型导出后可以部署在嵌入式系统或者APP中。

基于移动机器人的V2X室内仿真平台

针对V2X场景测试存在费用高、危险系数大和场景难搭建等问题,提出了一种基于移动机器人的V2X室内仿真平台。该仿真平台由室内移动机器人、V2X设备和显示终端组成,移动机器人实时获取自身的坐标、速度、偏航角等数据,通过滤波和校准处理后转换为GNSS数据,并通过网络通信将GNSS数据发送给V2X设备。为了验证该仿真平台的有效性,设计了V2X前向碰撞场景,并进行了实验测试。测试结果表明,该仿真平台能有效地进行V2X场景的测试。

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块(Mixed attention module,MAM),提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。

单原子Al修饰空位缺陷V2C(MXene)对H_(2)气体表面吸附的第一性原理研究

基于第一性原理计算方法,对含空位缺陷的V2C(MXene)在不同位点修饰单原子Al的相关性能进行系统研究.研究表明,几何优化后得到含空位缺陷的V2C稳定结构表面能为-3075.53 J/m2,单原子Al修饰本征V2C单原子的吸附能为1.5511eV、单原子Al修饰空位缺陷V2C的吸附能为-2.0763 eV,这表明含空位缺陷的V2C,由于单原子Al的修饰可以明显改善晶体结构稳定性.进一步从态密度、分波态密度、吸氢能力研究发现,各体系态密度和分波态密度均出现分波越过费米能级的现象,表现出较强的金属性;V2C吸附H_(2)气体分子吸附能为-7.5867 eV,而空位缺陷V2C和单原子Al修饰空位缺陷V2C两个体系对H_(2)气体分子的吸附能仅为-0.9851 eV、-2.7130 eV,均未能进一步改善V2C对H_(2)气体分子的吸附性能,这对于储氢材料研发提供了一定的理论指导.

基于改进MobileNet v2的服装图像分类算法

针对现有服装图像分类算法参数量较多、识别精度低的问题,提出了一种基于注意力机制和迁移学习的改进型MobileNet v2算法。首先,选取MobileNet v2作为特征提取网络,确保服装分类算法的整体轻量性。其次,将通道与空间注意力机制嵌入特征提取单元,自适应地选择和强化有用的特征信息,从而提高服装图像分类算法的识别精度。最后,通过迁移学习方法对模型进行参数初始化,使得模型能够从源域中获得先验知识。在Fashion MNIST数据集上的实验结果表明:所提算法的分类精度为93.28%,相较于ResNet50、EfficientNet v2_l、ShuffleNet v2和MobileNet v2模型,分别提高了1.85%、1.34%、3.86%和3.17%;在DeepFashion数据集上的准确率为88.24%。此外,该算法参数量低至2.35M,单张图像推理速度仅为7.5 ms,在参数量基本不变的的情况下提升了分类精度与推理速度。

基于V2G潜力模糊评估与移动储能协调调度的灾后供电恢复策略

目前用户侧电动汽车(EV)等新型应急资源尚未形成系统化调配机制。对此,提出一种考虑EV与电网互动(V2G)潜力模糊评估与移动式储能协调调度的灾后供电恢复策略。在固定式可调配能源有限的前提下,将V2G加入配电网孤岛主动划分与移动式储能对电能的时空转移协调调度过程中,建立孤岛间的能量连接,保证供电连续性与稳定性。考虑主客观影响因素,运用模糊模型评估EV响应潜力,引导EV集群参与供电恢复,提高可调度容量利用率。结合配电网运行约束,建立以停电损失与恢复资源调度成本最小化、电动汽车聚合商收益最大化为目标的灾后恢复模型,兼顾电网侧、电动汽车聚合商、用户的利益,降低灾后停电损失。设立评估指标,在仿真算例中验证所提策略的有效性与经济性。

GNSS+1588v2高精度时间同步技术实现

5G高精度时间同步是作为5G基站建设的重要要求之一,但随着5G室内基站数量呈现几何级数增长,使用GNSS授时同步时钟势必会存在很多限制,比如容易受场地环境的影响无法获取卫星信号、GNSS接收机的成本突增,所以使用GNSS时钟同步技术不适合5G基站的大规模部署。文中提出一种基于OCTEON Fusion平台的GNSS+1588v2时间同步技术实现方案,其特点在于使用层次式同步,通过GNSS给一个时钟系统同步授时,被授时的时钟系统作为主时钟系统通过1588v2地面链路给下一级时钟系统授时,实现一个GNSS给多个基站同步授时。文中对现有的GNSS时钟同步授时进行分析,在此基础上提出一种基于OCTEON Fusion平台的GNSS+1588v2时间同步方案,在对此方案的同步精度和同步稳定性的测试中,时钟同步精度达到10 ns左右,同步稳定性达到10 ns以内。

路网耦合下计及电动汽车V2G潜力的充电站选址定容研究

电动汽车具备交通运输和移动负荷的双重特性,其大规模的集中充电过程会对交通网和电网同时造成冲击。利用电动汽车的移动属性和车辆到电网(V2G)技术,能够在时空层面优化其充电需求,不仅可以抑制上述冲击,还可以为电网提供额外的储能容量,协助电网削峰填谷和促进新能源消纳。以电网投资建设的充电站为例,提出一种同时考虑交通网和电网因素的充电站选址定容策略,在满足电动汽车充电需求的前提下,优化电动汽车的充电需求以最大化可用储能容量。首先,建立动态交通网模型,结合Floyd算法与区域特性精确模拟电动汽车的行驶路径,预测电动汽车充电负荷的时空特性。其次,基于电动汽车的充电负荷预测结果,以最大化储能容量、充电负荷平均分布、车辆驻车时间最长3个指标初步确定电站选址,然后再根据全时段的统计结果确定充电站的最优选址与容量。最后,以某市主城区的部分实际道路为例,预测充电负荷的时空分布,以最大储能容量为目标完成充电站的选址定容,并分析了优化结果对交通网和电网的影响,结果证明了所提方法的有效性。

基于多角度Kinect v2的羊只三维模型重构方法研究

羊只的体尺参数是衡量其生长发育状况、生产性能和遗传特性的关键指标。重建羊只的三维模型可以为自动化获取多种羊只体尺参数提供数据基础,因此提出一种基于多角度Kinect v2的羊只三维模型重构方法。该方法通过放置在羊只顶部和左右两个侧面的Kinect v2设备,获取羊只的三维点云数据;利用这些数据中的点云之间的相对位置关系,进行点云坐标的转换和初始配准;采用ICP算法进行精确配准建立三维模型。结果表明:当Kinect v2深度相机高度为120 cm、俯视角为30°时,获取的点云质量较高,自动配准的平均误差为0.233 cm,平均耗时为12.89 s。根据模型计算出的羊只体高、体斜长、十字部高和腰脚宽等体尺参数与实际测量平均误差均在5%以内。

基于移动储能和电动汽车V2G的弹性配电网经济性灾后恢复决策方法

近年来,为应对频发的极端事件,配电网弹性提升技术迅猛发展。在实际应用中,技术方案经济成本过高成为制约其应用落地的重要因素。针对上述问题,本文提出了一个融合移动储能与电动汽车并网(V2G)技术的配电网弹性提升方案,其具体目标为优化灾后供电恢复过程中的经济成本,同时确保恢复效能。在灾害初期,通过建立预先的电动汽车调度模型来获取电动汽车的分布状况以及各个V2G站点的最大供电能力。接着,基于实际的道路网络规划和电力负荷数据,决定临时的移动储能(MESS)仓库的安置地点。在灾害后期,将恢复过程中的综合经济成本作为优化目标,通过调整V2G站点的输出和MESS的调度策略来进行优化决策。对所提方法运用多组算例进行了验证,仿真结果表明,所提协同恢复方案在降低系统灾后失电量的同时能够有效改善弹性策略的经济性。

基于5G-CV2X的多路口智慧公交绿波通行方法

提出了一种基于5G-CV2X的多路口智慧公交绿波通行方法。该方法通过5G-CV2X设备实时采集公交车行驶状态(速度、位置等)、公交车与当前路口的距离、路口位置和红绿灯的相位,云端使用基于遗传的非侵入式信号控制算法对多个路口红绿灯相位时长和公交车车速进行全局优化,然后云端将全局优化后的行车建议速度和指导相位通过5G发送至公交车和信号机,实现多路口绿波通行。实际道路测试验证,该方法能够实现多路口公交快速绿波通行,提升了公交系统的运行效率。

V2X系统感知参数优先级的分析与探索

V2X系统是支持自动驾驶和智慧交通的关键使能技术之一,V2X系统以及车上的各类传感器为自动驾驶车辆提供路径规划相应的参数。针对自动驾驶,V2X系统感知参数优先级的分析变得非常重要,直接决定了自动驾驶车辆的运动控制策略和路线规划。基于此,首先确定V2X系统参数的获取能力,其次确定感知参数的关键系数,最后确定系数在融合算法中的优先级和权重,从而实现高效、安全、稳定的自动驾驶融合算法,应用到自动驾驶及相关的功能的开发。

基于知识蒸馏及改进ShuffleNet v2的棉花病虫害识别方法

为探索及时、准确识别危害棉花叶片病虫害的方法,做好防护和治理工作。针对自然环境下棉花叶片图像受复杂背景影响导致分类精度降低以及模型参数量大使其不便于移动端部署的问题,提出了一种基于知识蒸馏的棉花病虫害识别模型ESSKNet。首先构建了包含8种类别的棉花病虫害图像数据集,其次通过在ShuffleNet v2模型引入SK-Attention自适应调整卷积核的大小关注棉花叶片不同尺寸大小的病斑信息并降低棉花病虫害图像复杂背景对模型的影响,将卷积核大小从3×3调整为5×5使神经网络更好地捕捉图像中的上下文信息和长程依赖关系。然后选取EfficientNet v2模型作为教师模型,ESSKNet模型作为学生模型,使用MGD方法进行知识蒸馏。试验结果表明,改进后的模型对棉花病虫害的识别准确率达96.06%,并且该模型参数量仅有EfficientNet v2的6.6%。该模型能有效识别棉花病虫害且更便于部署在移动设备上,以实现对棉花病虫害图像实时、精确地识别。

基于Point Transformer v2的点云枝叶分离方法研究

准确高效的点云枝叶分离对精确计算森林树木的垂直参数至关重要。然而,当前的研究方法计算成本高,且依赖先验知识导致泛化能力不足。针对以上问题,文章提出利用基于点特征的Transformer网络进行自动化的森林场景三维点云的枝叶分离研究。该方法使用Point Transformer v2网络,首先利用网格编码模块提取可学习的局部结构关系,保留点云的几何拓扑结构;其次使用分组注意力实现多通道联合学习,降低特征的冗余度,提高计算的效率;最后构建了基于点的Transformer网络实现高精度森林树木三维点云语义分割,降低了对于先验知识的需求。使用地基激光扫描仪获取的加拿大和芬兰7个不同树种样地的三维点云数据,进行枝叶分离实验和精度评价。实验结果表明,网络整体精度(OA)为94.42%,mIoU为78.89%,能够适应不同树种、不同点云密度的森林场景的枝叶分离。