立体交通系统通感算一体化关键技术

以无人机、智能网联汽车、道路基础设施等空地平台为载体的立体交通系统是智慧城市综合交通在6G网络中发展的前沿方向。随着海量无线通信终端、智能传感器等物理设备与交通运输环境、载运工具和道路基础设施深度融合,立体交通系统对通信感知的需求日益增长;然而,当前系统的发展受网络体系结构、通信资源、计算资源和感知能力的制约,其信息交互与综合处理能力亟待协同提高。另一方面,通信感知与边缘计算一体化(ISACEC)技术发展及其在空地协同网络中应用,为立体交通系统演进提供了新的推动力。面向立体交通系统应用场景,总结了ISAC-EC技术发展与应用现状,然后构建了空对地、地对空通信感知联合优化模型,给出了通信波束和雷达波束联合设计的关键技术思路;最后,针对典型应用场景开展仿真实验,结果展现了通感算一体化关键技术在立体交通系统中的应用潜力和优势,可为系统发展建设提供指导。

基于分布式融合定位的无人机集群自组织协同飞行控制方法

针对无人机集群如何精确估计目标位置并协同打击目标的问题,开展了无人机集群自组织协同飞行控制方法研究。考虑噪声对定位精度的影响,建立了无人机对目标位置的含噪测量模型,设计了无人机集群自主协同移动算法。具体地,首先建立无人机集群对目标位置进行测量的全局误差最小化模型,结合梯度下降的更新机制和加权融合机制,提出了分布式感知融合算法,实现无人机集群对目标位置以及集群平均飞行速度的精确估计;在此基础上,提出了具有自适应能力的无人机位置、速度控制策略,实现集群自主协同飞行。仿真结果表明,提出的算法可以有效降低噪声干扰,显著提高无人机对目标位置和集群平均速度的测量精度,集群向多个目标点飞行的条件下,无人机对目标位置测量的均方偏差降低95%,对平均速度测量的均方偏差降低183%,实现无人机集群的自组织协同飞行控制。

基于深度强化学习的自动驾驶决策行为研究综述

决策系统是自动驾驶的重要组成部分。目前,基于传统算法的决策系统在复杂的交通场景下的应用还欠缺,而深度强化学习(DRL)方法更适合在复杂交通场景中智能地处理自动驾驶决策问题,并有效地提高自动驾驶的智能性。本文首先对自动驾驶系统进行了简要介绍;其次,介绍了强化学习的原理和DRL的典型算法,并总结了DRL在自动驾驶决策系统中的应用;最后,根据目前存在的问题,总结了DRL方法在自动驾驶决策系统中遇到的挑战,并对DRL在自动驾驶决策中的未来应用进行了展望。

实验数据信息的处理和应用

21世纪是一个电子信息的时代,如何收集实验数据信息、存储数据信息、处理数据信息、运用数据信息为社会服务将是人类社会生活和社会生产的重要内容。本文中,将简单地探讨这一问题。

离散数据与数据信息化

21st century is an electronic times over the World.如何设计信息化的概念、收集离散数据、处理离散数据、并使之信息化是21世纪中最为重要的问题,本文就离散数据信息化的三条途径给出定义且进行离散数据处理具体方法的讨论。

车辆编队的队形控制方法及应用综述

车辆编队的队形控制研究主要集中于队形成形、队形切换和队形保持三个方面。首先介绍分析了多种队形控制方法包括行动选择法、人工势场法、虚拟结构法、复拉普拉斯矩阵法、领航-跟随法等控制方法;其次介绍了如公路无人卡车辆编队场景、无人战车编队场景等多智能车队形控制应用场景;最后总结了未来队形控制问题的一些研究方向。

自动驾驶汽车安全问题探讨

自动驾驶汽车已经成为当前社会高度关注的热点问题，诸多科研机构和商业公司已投入应用研究，自动驾驶汽车是否能在纷杂繁复的道路交通中脱颖而出，帮助实现“安全、畅通”的目标，以及将会给交通安全带来怎样的影响都需要深入研究。本期“道路交通安全研究信息共享平台”的专家学者们围绕自动驾驶汽车安全问题展开讨论。

无人机辅助下空地协同组网与传输优化方法

无人机辅助空地协同组网通信技术在军民两个领域有着广阔应用前景,是世界发达国家空天领域争相发展的战略前瞻性技术,然而强通信拒止环境以及密集网络节点竞争频谱资源对空地协同网络性能带来严峻挑战。针对无人机飞行空域受限和频谱资源有限的空地协同组网传输场景,提出无人机移动性与空地协同传输的联合优化方法。首先,建立空中无人机和地面运动节点的移动性模型、空地协同组网传输的物理信道模型以及空地节点的能耗模型;然后,综合考虑无人机飞行运动控制的边界约束、飞行空域约束、频谱资源约束以及空地协同网络传输需求,构建以系统能耗最小化为目标的非线性规划模型,进而基于序列凸逼近算法实现模型求解,从而获得无人机飞行控制、频谱时空资源分配比率、空地协同传输功率的联合优化方案。仿真结果表明,所提出的联合优化方法与传统的等时长中继方法和完全中继方法相比,平均能耗降低约11.77%~43.50%,有效提高了空地协同网络系统的能量和频谱资源使用效益,有力地支撑无人机辅助下空地协同组网和高能效传输应用场景。

基于链路质量评估的飞行自组网抗干扰多路径路由协议

随着通信网络不断向各领域延伸,飞行自组网作为一种新型移动自组织网络,以飞行器作为空中无线通信节点建立网络,实现网络层高效通信。首先,通过考虑链路质量、流量负载和空间距离构建多路径路由模型,并设计抗干扰的多路径路由算法;其次,构建基于源节点路由回复包接收速率的解析模型;然后,对模型进行分析与评价;最后,通过仿真实验验证所提出路由协议的效能。仿真结果表明,所提出的协议与传统协议相比,当节点数相同时,数据包传递率可提升约4.04%~12.13%;干扰器数量为6时,数据包传输延迟可提升约38.48%~52.53%,并且端到端通信中断率降低约34.54%~41.67%,在各项性能指标中都具备优势。所提出的抗干扰多路径路由协议可以为飞行器提供有效且可靠的通信数据传输,并在存在恶意干扰的情况下为飞行自组网提供网络弹性保证。未来将考虑更复杂的链路情况,使其具有更大的实际应用价值。

基于V2X通信网络的车辆协同定位增强方法

鉴于车辆位置精度对车联网应用的重要性和传统的卫星定位系统在城市"高楼峡谷"或隧道等弱卫星信号覆盖区域失效或定位精度不足等问题,本文中研究了基于V2X通信网络的车辆定位方法,研发了专用短程通信和多模式通信网络定位终端,完成了终端的性能测试和应用部署,设计了基于多模型滤波算法的车辆协作定位增强方法。结果显示,与传统GPS定位相比,本文方法能提升定位精度近40%。

深度学习在自动驾驶领域应用综述

成熟的自动驾驶技术能够极大降低交通事故率,保障驾驶人员与行人的安全,优化交通流运行,但早期的自动驾驶系统可靠性与智能性都很低,不能满足实际应用需求。近年来,深度学习技术迅速发展,并与自动驾驶领域结合,其在机器视觉、自然语言处理等领域的成功应用使得自动驾驶越来越接近现实。介绍了目前自动驾驶系统的主流技术框架,并对其各模块中深度学习技术的应用情况进行系统梳理,将自动驾驶系统分为分解式和端到端式两种技术方案,并将分解式方案进一步分为感知、决策、控制3大模块,分别对以上两类解决方案中深度学习技术应用的历史沿革、研究现状以及典型算法性能进行综合评述。已有的研究成果表明,分解式方案的技术路径较为成熟,感知、决策、控制3个功能模块分工清晰,可解释性强,但系统复杂度高,计算量大,软件架构庞大,硬件要求高,应进一步简化各问题的算法,加强各个算法模块间的功能整合,降低系统复杂度与硬件要求;端到端式方案计算量小,硬件要求低,且系统复杂度低,但对算法要求高,安全性低,可解释性、可靠性差,建议未来通过完善智能道路基础设施,推进5G传输的应用,加强车路、车云协同,进一步完善现有算法来解决以上问题。