基于联邦学习的交通标志识别

由于交通运输行业的不断发展,传统驾驶方式在安全性、效率性等方面出现了不可忽视的问题,辅助驾驶技术和自动驾驶技术的需求也在日益增加,其中数据集隐私问题和算力分配问题也是一个重大的研究方向。对此可以结合联邦学习和辅助驾驶场景两个方面,在保护车辆数据隐私和信息安全的前提下,利用驾驶车辆自身的数据资源,通过联邦学习模式搭建出交通标志识别分布式架构系统,训练出有实际应用场景的神经网络模型。

基于强化学习的5G URLLC承载网切片流量调度优化

随着5G通信技术的发展,各式各样的网络业务层出不穷。与此同时,新型网络业务使得传统通信承载网的基础设施面临着新的挑战。一方面,有一部分新型网络业务需要在5G网络的超低时延超高可靠性条件下(Ultra-reliable andLow Latency Communications,URLLC)场景下进行服务,此业务需要5G网络提供超低时延以及超高可靠性的通信保障。另一方面,此类型业务流量在传统承载网架构下容易形成局部链路拥塞从而影响交付质量。为解决这些问题,提出了一种基于SDN软件定义网络与强化学习URLLC场景承载网切片流量管理方法。此方法利用SDN转发与控制分离特性并借助深度强化学习来进行决策,从而达到最小化网络负载的效果。通过仿真实验,提出的流量调度方法优于传统的基本管理方法。

面向多车协同的非机动车转弯意向判定研究

针对非机动车容易被智能汽车阻挡视野的问题,提出一种面向多车协同的非机动车转弯意向判定的方法。通过附近的车辆获取非机动车的角速度与其速度的单位矢量,附近的车就可以通过这些数据判断非机动车是否有转弯意向,与控制主车进行沟通,让控制主车有提前反应的时间,从而达到避免碰撞的效果。通过实验证明,利用非机动车角速度特性能够有效判断出非机动车是否有转弯的意向,从一定程度上保证了控制主车的行驶安全。