蜂窝车联网侧行链路信道测量与分析

蜂窝车联网侧行链路接口(PC5)采用终端到终端直接通信的形式,因其通信延迟低、传输容量大和传输可靠性高的特点而具备广阔的科研和工程前景。为了实测蜂窝车联网侧行链路信道特性,使用具有PC5接口的车载板卡在城市道路进行了通信测量工作,并依据测量结果从信道特征对PC5接口信道进行了分析。分析了通信收包时延随距离和信噪比变化的特征,将实测参考信号接收功率值与自由空间和双射线两种路径损耗经验模型及对数距离和双斜率两种路径损耗拟合模型的预测值进行了对比,并引入了四种相关性分析算法,从数值偏移量、线性相关程度和几何形态相似度等角度分析了模型预测值与实测数据的关联性,最终验证了双斜率路径损耗模型最适合表征PC5接口通信信道在城市环境下的衰落特征,基于该模型测算得到的路径损耗指数和阴影衰落方差也进一步说明此模型能够更好地结合实验环境表征信道特性。

蜂窝车联网连通性研究综述与展望

作为未来自动驾驶汽车的核心技术之一,蜂窝车联网(Cellular-V2X,C-V2X)在快速普及应用的同时,还面临着一系列与网络连通性相关的发展痛点,如车辆移动性、网络覆盖、频谱资源等问题。C-V2X车路协同连通性直接反映了C-V2X网络联网车辆的整体性能,对于保证信息在C-V2X网络内实现远距离、自适应、低时延、高可靠传输具有重要意义。不同于传统的蜂窝移动通信网络,C-V2X联网车辆具有移动速度快、节点间链路持续时间短暂、无线通信环境可预测性强、移动模型受限于道路拓扑等特点,在高效利用频谱进行通信的同时,还具有自组织网络的无中心和自组织等诸多特性。首先简要介绍了C-V2X的优点与特点,包括C-V2X的进展与结构体系;然后介绍了C-V2X车联网中车路协同连通性的定义及相关发展约束,在此基础上对C-V2X网络连通性研究中基于交通场景、通信方式选择、路侧单元(Road Side Unit,RSU)位置部署、功率控制、模型驱动的研究方法进行了总结与分类;最后探讨了C-V2X的发展趋势,对其未来应用进行展望。

网联交叉口信号-车辆轨迹协同优化控制方法

为了提升网联交叉口车辆通行效率与燃油经济性,设计了一种网联信控交叉口协同控制应用场景,提出了一种分层解耦式网联交叉口信号-车辆轨迹协同优化控制方法,其中顶层采用“作业调度”和遗传算法以最小化交叉口平均旅行时间延误为优化目标实现信号配时与相序优化;底层结合最优配时结果,采用分段优化方法以最小化平均燃油消耗为优化目标实现车辆轨迹优化。仿真结果表明,本文中提出的协同控制方法在交叉口车流量均衡与不均衡、低密度和高密度工况下,均可以有效提升交叉口通行效率和燃油经济性;提出方法效果随最小绿灯时长的减小、V2X通信范围的增加而更加显著,综合考虑交通公平性和建设成本等因素,提出的网联信控交叉口协同控制系统最小绿灯时长应设置为5 s,有效V2X通信范围设置为800 m。

一种兼顾用户满意度与传输效率的车联网网络选择策略

针对车联网终端的不同业务在异构网络环境下进行优化调度的问题,提出了一种兼顾用户满意度与传输效率的车联网网络选择策略。首先分析了不同的效用函数权值系数、发射功率及体验函数灵敏度因子对各网络满意度效用函数的影响,发现:当权值系数较大时,获得的满意度效用函数值也越大;在有限功率范围内,当发射功率不断增大时,起初满意度效用函数值相应地随之急剧增大,随后增加速率减缓,最终函数值趋于稳定;当体验函数灵敏度因子的值越大时,对应的曲线斜率越大,也即灵敏度越高,函数值随着发射功率的变化而变化得更快。然后,应用凸优化的方法求解各网络满意度效用函数的最大值。最后,选用3种具有代表性网络作为研究对象,进行仿真实验。实验结果表明,与基于发射功率的网络选择策略和基于传输速率的网络选择策略相比,所提策略的效用函数最大值分别是前两者的1.08倍和6.5倍,证明是一种高效可靠的网络选择策略。

双目视觉下的自动驾驶车辆多类型障碍物感知

为解决视差变化率与距离变化率呈现非线性关系而导致障碍物感知误差大,本文提出基于双目视觉的多类型障碍物感知方法。利用极性几何约束双目摄像机相对位置关系,将多视极线约束与双目视觉下位置运动信息相结合,高斯滤波滤除图像噪声。采用卷积函数算子提取图像特征信号的角点,设置查找窗口,匹配左右目视觉下图像的相似程度,提高像素点集正确匹配准确率。研究表明:所提方法能够准确感知不同类型障碍物真实位置,障碍物特征匹配正确率高,实际感知误差小,该方法可为智能交通和城市交通管理提供可靠的数据支持,减少交通事故的发生率。

典型车联网基本安全消息机制分析

车联网基本安全消息的生成和传播是影响车联网安全应用及智能网联汽车有效性、可靠性的关键因素。在分析车联网基本安全消息基本定义的基础上,对国内外当前LTE-V2X、车载环境下的无线接入(Wireless Access in the Vehicular Environment,WAVE)等多种典型的车联网通信协议体系结构框架和现行标准体系进行分析阐述。明确了不同车联网通信协议的载波频段和信道划分,基于不同车联网标准协议给出了车联网基本安全消息的标准化数据格式。围绕车联网基本安全消息机制中涉及的发送频率、发送功率参数设定,以及基于交通感知的动态车联网基本安全消息动态生成和传播机制的研究现状进行了分析。

基于信息安全强度的路侧设备任务调度优化策略

车路协同系统中,车辆由于自身计算资源局限性将任务卸载至路侧设备(RSU)进行执行,然后由RSU考虑在本地处理任务或将任务卸载至云端的“车-边-云”架构,是近年来受到广泛关注的边缘计算新模式。由于“边-云”侧无线信道的开放接入以及不确定性,需要增加安全机制来保证数据传输的可靠性,然而增加安全机制会使RSU的计算负载增加,进而使得RSU的能耗增加。针对如何在满足任务时延约束条件下优化路侧设备能耗及信息安全效用,提出了车路协同系统下路侧设备基于能耗-队列均衡的联合任务调度及加密优化(EPTS),并建立车速状态模型、任务加密模型、数据缓存队列模型、任务计算模型及优化目标函数。利用李雅普诺夫优化理论将优化问题模型进行转化,并将转化后的模型描述为背包问题进行求解,仿真结果验证了所提出的EPTS具有较好的收敛性和有效性,平均目标价值优于平均分配策略17%,优于任务队列长度加权分配策略21%。

网联环境下无信控交叉口行车避碰预警方法

为缓解无信控交叉口碰撞问题,提出了一种车联网环境下的避碰预警方法。首先,构建了一种车辆网联环境下的典型无信控平面交叉口行车场景;然后,结合车辆运动学模型和驾驶员模型提出了一种基于安全距离的避碰预警方法;最后,通过仿真测试验证了方法的有效性,并分析了网联车辆渗透率对提出的预警方法的影响。测试结果表明:提出的预警方法可以有效降低无信控交叉口的碰撞风险;随着网联车辆渗透率提升,平均旅行时间、平均碰撞比例和平均碰撞相对动能不断减小,网联车辆渗透率达到60%时,可认为该方法是可靠的。

基于CNN图像增强的雾天跨域自适应目标检测

针对自动驾驶车辆视觉感知系统在雾天条件下捕获图像质量较低,造成目标检测算法精度下降的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)图像增强的跨域自适应雾天目标检测方法。构建一个端到端目标检测网络,融合数字图像处理技术(digital image processing,DIP)和CNN的自适应图像增强模块,通过小型CNN参数预测器自适应学习增强参数,提升雾天图像质量;进一步地,将多尺度领域自适应(domain adaptive,DA)模块与YOLOv4主干网络相连,通过对抗训练减少由雾天造成的领域差异,提高雾天目标检测精度。在训练阶段,所提方法以端到端的方式学习CNN、DA模块以及YOLOv4,而在目标检测阶段将移除CNN及DA模块,仅使用预训练权重在正常天气和雾天天气自适应地检测图像,不会增加原有网络复杂性,从而保证自动驾驶车辆的实时性要求。在公开数据集Foggy Cityscapes上的实验表明,采用所提方法使雾天图像质量显著增强,目标检测平均精度提升了10.4%,有效提升了雾天条件下自动驾驶车辆对目标的识别能力。

不可靠通信条件下的CACC纵向控制仿真分析

近年来基于车联网技术实现的协同式自适应巡航控制(cooperative adaptive cruise control, CACC)已经成为重要的智能网联汽车应用场景。CACC系统的有效性依赖于基于车联网通信实现的车辆速度、加速度等信息的实时、可靠交互,然而受各类天气条件及行车环境的影响,理想、可靠的通信环境难以在实际交通场景中实现。因此迫切需要在不可靠通信条件下对CACC的适应性进行评估分析,以研究不可靠通信条件对CACC模型的影响。针对上述问题,首先围绕测试评估需求,分析了三种典型CACC跟驰模型;其次,基于Veins平台搭建仿真测试环境,并在选取通信延迟和丢包率为不可靠通信条件的基础上设计了测试方法;最后,在头车速度正弦变化和头车紧急刹车两种应用场景下,仿真测试研究了不可靠通信条件对三种典型CACC跟驰模型的影响。仿真结果表明,通信延迟和丢包率都会影响CACC的可靠性,当丢包率达到5%或时延达到5 ms时,对CACC队列稳定性有显著影响;从总体上看,Rajamani控制模型的效果最好,Ploeg控制模型的效果最差。

IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系

根据当前智慧高速公路系统的发展历程,总结一些典型的车路协同系统逻辑与物理模型。在总结国内外智慧高速公路系统的整体架构之后,提出新一代智慧高速系统的总体架构-IntelliWay,包括智慧高速公路系统分层模块化架构、基于变耦合程度的智能分级和基于事件驱动的数据分发机制。同时,根据当前智慧高速公路系统的主流应用技术,总结车载高精度定位、高级驾驶辅助系统(Advanced Driver Assistance System,ADAS)与车载总线、路侧设备优化、异构网络融合、网络负载均衡、网络信息安全、多传感器融合与协同感知、以用户为中心的场景自适应信息发布、车辆群体协同自动驾驶、基于大数据与人工智能的交通态势预测、车道级主动交通管理、组件式应用服务开发等驱动智慧高速公路系统快速发展的新兴技术研究现状,然后基于以上关键技术的特点提出未来智慧高速公路系统应用的实施建议;分析广播式交通信息服务、主动交通管理、伴随式信息服务、自动驾驶专用道、车辆队列协同驾驶等智慧高速公路系统的典型应用场景,进行智慧高速系统的测评方法分析和相关案例分析。最后,系统性地分析和预测智慧高速系统存在的挑战及未来发展趋势,以及“人-货-车-路-云”之间的高可信信息交互与智能协同管控将为高速公路自动驾驶提供一个高可靠、强实时的交通环境,研究成果将对当前和未来智慧高速公路系统的研究和应用具有一定的参考价值。

基于V2X的智能网联交叉口信号控制系统设计

近年来,城市交通拥堵、交通事故等问题日益严重,交叉口作为城市交通网络的核心,解决交叉口的交通问题对解决整个城市交通问题具有重大意义。但现有技术手段难以有效提升交叉口通行效率、减少交通事故,交叉口信号灯的感知能力与智能化不足;随着通信技术和计算机技术的发展,车联网技术成为解决交通问题的关键技术。基于V2X网络设计了一种智能网联交叉口信号控制系统,可以实现交叉口交通要素的准确感知及控制。系统包含人机交互、车载端、路侧端和信号控制四部分,车辆与车辆之间通过V2X网络交换位置、速度、加速度等信息,路侧设备通过V2X网络将信号灯的相位、配时等信息发送给车辆,实现了绿波车速引导、紧急车辆优先通行和左转辅助等先进辅助驾驶应用,可以有效提升交叉口通行效率,降低交通事故发生率。

智能汽车整车在环测试台转向随动系统

针对传统的转鼓平台无法测量智能汽车轮胎转角,且不能用于智能汽车变道场景测试等问题,提出以伺服电机系统为控制对象的转向随动系统,研究基于距离传感器的控制策略对于转角跟随的影响。首先,将被测智能汽车置于转向随动系统的转向台上,轮胎转向带动转向台转动,实现被测智能汽车的转向角采集;其次,在左右转向台上分别安装一对激光传感器,采集转角差作为控制系统的误差输入;然后,将输入的转角差、转角差变化率与单片机控制位置脉冲的比例积分控制参数(PI)建立两输入、两输出的模糊控制关系,以提高转向随动系统定位的准确性和稳定性;最后,根据传感器采集的数据和仿真试验数据调整参数,实现模糊控制器的优化控制。试验时,被测智能汽车的车载电脑控制方向盘以不同角速度转动,车辆控制器局域网络(CAN)总线与测试台上位机程序分别记录方向盘转角和转向随动系统转角。研究结果表明:当被测智能汽车方向盘以不同角速度进行测试时,台架的测试结果能够保持在固定区间且没有明显变化,能为智能汽车的转向性能测试提供可靠参数支持;转向随动系统的延时与被测智能汽车方向盘转角速度没有显著关系,转向随动系统的延时约为235.5 ms。

混行环境下网联信号交叉口车路协同控制方法

为了提高网联信号交叉口车路协同控制对真实交通环境的适应性,以智能网联汽车与网联人工驾驶汽车混行的典型交通应用场景为研究对象,通过构建八相位网联信号交叉口,研究了混行环境下的交通信号和网联车辆轨迹车路协同优化控制方法;在对场景中的网联车辆运动学特性和跟驰行为进行建模的基础上,构建了一种混行车辆编队方法;基于混行车队模型、安全约束与燃油消耗模型,建立了基于滚动优化的交通信号-车辆轨迹协同优化控制方法;基于异步分层优化思路,将该协同控制问题分解为上层交通信号优化与下层车辆轨迹优化两方面,以交叉口车辆行驶延误时间和燃油消耗量为优化目标,利用遗传算法和“三段式”轨迹优化法分别对交通信号优化问题与车辆轨迹优化问题进行求解;对不同稳态车速与智能网联汽车渗透率下构建的混行交通流的稳定性进行了验证,并通过仿真测试分析了所提出的协同优化控制方法的控制效能与关键参数对控制效能的影响。分析结果表明:在不同交通流量与智能网联汽车渗透率下,提出的控制方法均可有效提升交叉口通行效率与燃油经济性;在完全渗透环境下,较固定配时交通信号控制方法最高可分别提升57.3%和13.3%;随着智能网联汽车渗透率的增加,其控制效能不断提高,较无渗透条件最高可分别提升42.0%和14.2%;即使智能网联汽车渗透率仅达到20%,较无渗透条件也可以在交通效率方面实现20.4%的显著改善;较长的交通信号周期与较短的网联人工驾驶汽车驾驶人反应时间有助于协同控制效能的提升。

自动驾驶测试场景研究进展

阐述了目前形成的自动驾驶测试场景的5种定义,并在梳理测试场景、基元场景、场景要素之间逻辑关系的基础上提出了自动驾驶测试场景及有关概念的定义;对比了目前业界较为认可的3种自动驾驶测试场景架构;从场景数据来源梳理了国内外开展的交通事故数据与自然驾驶数据采集与研究现状;概括了利用已知数据、专家数据、测试需求、测试对象以及自动驾驶技术特征等开展未知自动驾驶测试场景构建与自动生成研究的成果。研究结果表明:自动驾驶测试场景的定义及架构与自动驾驶场景的构建与自动生成关系密切;自动驾驶场景可以认为是自动驾驶汽车的行驶环境、交通参与者与驾驶行为等场景要素的有机组合与综合反映,自动驾驶测试场景除包含场景的所有要素外,还应包含场景起始状态、场景发生的态势以及场景结束时造成的影响和结果等内容的动态语义描述;现有测试场景架构已较为完善,但难以满足不同测试目标及测试方法的需求,其优化应充分考虑测试场景设计的流程;交通事故数据采集精度及有效数据特征不一,自然驾驶场景数据难以完全采集,且采集规范不统一,其面向自动驾驶测试场景构建的有效性还有待进一步论证,自动驾驶测试数据有望成为重要补充;提升场景覆盖度、加速测试进程是自动驾驶测试场景构建的重要研究目标,人工智能技术在自动驾驶场景生成领域的深度应用有望满足测试场景的完全覆盖或高覆盖需求;面向不同自动驾驶等级的测试场景分级及面向自动驾驶加速测试场景构建方法将是自动驾驶测试场景构建下一步研究的重要方向。

智能公路发展现状与关键技术

借鉴美国自动公路系统(Automated Highway Systems, AHS)技术框架,系统回顾了初级应用、通信技术、绿色能源技术、自动驾驶技术等不同因素驱动下智能公路的概念演化、技术发展和未来变革。根据当前信息技术的发展趋势,在AHS的研究基础上延伸和扩展了智能公路的概念和技术框架,提出了未来智能公路系统的演化方向以及包含信息管理层、网络通信层和感应控制层的智能公路体系架构。同时,瞄准当前主流技术和未来科技发展方向,总结了泛在无线通信、高精度定位与导航、车辆队列控制、无线充电、道路智能材料、道路主动安全控制、面向出行即服务的车路信息交互、基于基础设施的智能决策规划等驱动智能公路快速发展的新兴技术研究现状,并基于这8项关键技术的自身发展特点,提出了未来智能公路技术应用和推广的建议措施;分析了车路协同一体化、智能平行系统、人工智能、交通信息安全、自动驾驶等新兴技术将对未来智能公路发展带来的冲击和影响;系统性地预测了智能公路技术的商业化推广路线以及未来智能公路的应用将进一步降低自动驾驶的技术设备成本,为自动驾驶提供了一个更安全、更稳定和高效的交通环境。研究成果将对当前和未来智能公路的技术研发和工程应用具有一定指导意义。

面向示范应用与可复制推广的智慧高速公路建设方案

对智慧高速公路建设方案进行了探索和思考,介绍了政策引领市场的形势分析,并总结了智慧高速公路框架体系,从而提出一套基于示范应用的智慧高速公路建设方案,对智慧高速公路未来的方向做了详细地阐述。