一、网络实验协同环境研究(论文文献综述)
张世勇,张雪波,苑晶,方勇纯[1](2022)在《旋翼无人机环境覆盖与探索规划方法综述》文中提出随着微型空中机器人技术的迅速发展,利用小型旋翼无人机对目标环境进行自主覆盖与探索成为当前机器人领域的研究热点.鉴于此,首先对机器人环境覆盖规划与探索规划的研究内容进行简要介绍;然后按照覆盖规划、探索规划以及同时覆盖与探索规划3个方面展开综述,详细分析不同方法的基本工作原理、优势以及局限性;最后根据研究现状总结目前研究中存在的问题与挑战,并对未来研究与发展趋势进行分析.
张立立,王力,刘建东,张玲玉[2](2021)在《基于车路协同的城市应急车辆优先控制:概述与展望》文中指出面向中国城市常态应急车辆优先通行需求和车路协同智能交通发展的实际情况,总结了应急车辆优先控制发展历程和研究现状,分析并讨论了存在的问题和未来的研究重点。首先,回顾了中国常态应急车辆优先的发展情况;其次,概述了车路协同应急车辆优先控制、结合优先与路径规划的应急车辆优先控制的国内外研究现状;最后,针对当前研究存在的问题进行了讨论并立足车路协同、自动驾驶等新理论与技术的演进总结了常态应急车辆优先领域的研究重点和应着力解决的关键问题。
吕品,李凯,许嘉,李陶深,陈宁江[3](2021)在《无人驾驶汽车协同感知信息传输负载优化技术》文中指出无人驾驶近年来成为了学术界和工业界的研究热点,无人驾驶汽车的环境感知则是其中的重要基础.仅通过提升无人驾驶汽车上的传感器数量和精度并不能完全消除车辆的感知盲区,因此无人驾驶汽车与路边基础设施进行协同环境感知越来越受到关注.通过车路协同感知,无人驾驶汽车的感知范围能够得到有效扩展,有助于消除感知盲区,对于提升无人驾驶的安全性具有重要意义.在各类环境感知信息中,摄像头拍摄的视频占有最重要的地位.然而,视频帧所包含的数据量较大,传输每个视频帧会导致网络负载过重,传输延迟增大,影响环境感知信息的时效性.本文提出了一种视频感知数据的传输负载优化方法,主要思想是通过路边基础设施把视频帧中的静态背景与动态前景进行分离,仅在初始时传输一次静态背景,其余每次仅传输动态前景信息,这样可以使得传输负载大幅降低.无人驾驶汽车将收到的静态背景图像与动态前景图像重新融合成视频帧,然后基于视频帧所反映的行车环境做出正确的驾驶决策.对于静态背景与动态前景的分离,本文提出了一种基于像素值计算的视频帧背景去除和降噪方法,能够快速地从视频帧中提取动态前景;对于静态背景与动态前景的融合,本文提出了一种基于生成对抗网络的视频帧生成方法,能够快速地把静态背景和动态前景融合成视频帧.通过在真实数据集上的测试可知,本文提出的方法能够在重要环境感知信息不丢失的前提下使传输负载降低85%以上,感知信息处理时间降低70%以上.这表明本文提出的方法能够高效地实现无人驾驶汽车与路边基础设施的协同环境感知,有助于构建更加安全的无人驾驶系统.
张毅,姚丹亚,李力,裴华鑫,晏松,葛经纬[4](2021)在《智能车路协同系统关键技术与应用》文中研究表明智能车路协同技术是当今国际智能交通领域的前沿技术和必然发展趋势,是保证安全、提高效率、优化能耗、降低排放的有效手段,将以集计模型为基础的道路交通流理论提升到以对交通主体的精确描述为基础的新道路交通流理论。本文将智能车路协同系统作为未来道路交通系统的基础性公共平台,重点探讨因此产生的国家智能交通系统体系框架用户服务中服务领域划分的变化;在此基础上分别介绍构建和应用智能车路协同系统需要的相关技术,包括由多模通信、智能网联、信息安全和系统集成构成的系统构建关键技术,以及由协同感知、协同决策与控制、仿真测试验证和自动驾驶构成的系统应用关键技术;考虑智能车路协同系统建设与应用的长期性,给出不同应用阶段的主要建设内容、信息共享程度和可以实现的协同功能等;针对我国智能车路协同系统应用过程中面临的挑战,指出加深对智能车路协同技术内涵的理解,把握智能车路协同技术实质,提升智能车路协同系统服务体验并适度加快智能车路协同技术的规模应用,可有效推进现代智能交通系统的发展。总之,开展智能车路协同系统相关基础理论研究、关键技术开发和实际系统应用,对未来智能交通系统建设和相关学科发展具有重要作用。
夏晨曦[5](2021)在《基于云边协同的终端接入可信评估机制》文中研究指明随着网络应用的发展,服务响应速度与延迟的要求日益提升,传统的集中式云计算难以满足网络服务对服务响应、隐私性保护等需求。将云计算与边缘计算融合的云边协同计算日益成为满足网络服务响应速度和隐私保护的一种新型计算模式,受到业内广泛关注。然而,由于边缘计算环境自身的环境复杂性、实时变化性、接入终端多样性等因素,云边协同这一新型架构的安全性与性能开销问题变得日益突出。为能够确保云边协同架构的安全性,如何确保终端接入的可信性与安全性,成为当前研究热点。本文针对云边协同架构下的终端接入可信评估机制进行了探索,主要围绕以下两点进行了研究:首先,为了能够指导云边协同中的边缘端智能化调节安全严苛程度,本文设计了一种终端信用严苛度计算模型。我们通过搭建卷积神经网络与部署LightGBM算法,能够对多种接入终端评估算法进行学习。通过仿真实验构建数据集并充分训练后能够在中央云端以极快的速度对边缘网络部分终端接入的安全状况进行分析,并辅助过滤漏判的恶意攻击终端与低性能终端。在此基础上,通过分析漏判终端的数目设计安全威胁系数可以判别出边缘端受到恶意攻击的剧烈程度。该模型根据对不同剧烈程度的计算评判调用不同的严苛度调整策略实现信任程度的严苛度调整。此外,为保证面对突发安全情况的快速响应速度,整体的设计十分轻量,并能够适用于大规模的边缘网络侧环境。最后,通过仿真实验对模型设计进行了分析,证明了在部署严苛度计算模型后,恶意接入终端的识别准确率有效提高。其次,为了能够快速、实时地对接入终端进行评价,我们在边缘端设计了一种基于多元反馈机制的终端接入轻量级可信评估算法。我们从多种维度进行了信任影响因素分析,并根据信息熵理论进行建模设计出多种信任特征以刻画信任程度。在此基础上,我们通过熵权法对接入终端的可信程度进行综合评价,整体的算法设计十分轻量,能够为接入终端的评价提供可靠依据并有效保护数据隐私。最后,通过仿真分析得知,该算法具有占用资源少,响应速度快等优点,并在多种恶意攻击环境下表现良好。本文研究了云边协同架构下的接入终端是否可信与安全问题,旨在提升云边协同架构的安全性与可靠性,解决由于攻击者通过终端恶意接入这一安全问题。
白正伟[6](2020)在《基于深度强化学习的网联自动驾驶车辆决策控制方法》文中研究表明随着交通系统中机动车保有量的急速增长与道路容纳能力间日益严峻的矛盾,基于车路协同的智能交通系统已成为我国交通行业发展的战略领域。在车路协同技术和自动驾驶技术的加持下,网联自动驾驶车辆正快速演变为突破智能交通发展瓶颈的革命性技术。在网联自动驾驶技术中,车辆在异构交通场景下的智能自主决策控制一直是研究的重点和难点。目前大部分网联自动驾驶车辆决策控制方法基于传统数学模型,受限于交通环境的不确定性,部分数据驱动的决策控制方法受限于理想的交通环境假设。本文以网联自动驾驶车辆为研究对象,基于车路协同条件下的异构交通环境,面向开放道路及信号交叉口两种典型交通场景,针对车辆决策控制的特殊性和交通环境的复杂性,提出了两种基于深度强化学习的网联自动驾驶车辆决策控制方法。具体研究内容包括以下几个方面:1)针对网联自动驾驶车辆决策控制问题,对国内外研究成果进行分析,对网联自动驾驶范围内的车路协同系统和典型交通场景进行介绍,了解深度强化学习理论,从决策规划与控制执行两个方面对传统和数据驱动的车辆决策控制理论进行分析,明确本文的研究内容,奠定本文研究的理论基础。2)面向开放道路环境和信号交叉口环境,研究各环境下基于异构交通条件的车路协同交通模型和车辆运动学模型构建;基于强化学习框架,提出各环境下网联自动驾驶车辆的驾驶策略、观测空间、行为空间和奖励函数的构建方法。3)针对多源传感器和异构交通环境,提出基于间隔抽样的数据预处理方法;针对开放道路环境,提出一种基于平行CNN通道和竞争深度Q网络的深度神经网络,针对信号交叉口环境提出了一种基于动态场景分割的混合强化学习框架,使网联自动驾驶车辆在各环境下能够智能自主的与环境进行交互。4)面向车辆决策控制方法的仿真测试问题,研究针对强化学习算法的仿真测试环境构建;基于Unity ML-Agents仿真框架,设计并开发异构交通条件下开放道路和信号交叉口仿真测试环境,并对本文提出方法进行对比测试与分析。研究结果显示,在开放道路环境下,本文提出的车辆决策控制模型相较于对比模型在综合驾驶表现方面,根据网联车辆渗透率的不同提升为0.84%-5.28%,在信号交叉口道路环境下,本文提出的混合强化学习模型相较于对比模型能够减少12.25%-56.05%的能源消耗,并且有着平均1.13%,最高7.58%的通行效率提升。此外,本文方法相较于对比方法能够使车辆更加平滑地与异构交通环境进行交互,并且能提升车辆驾驶的稳定性。
刘泰宇[7](2020)在《基于车路协同的自动驾驶决策方法的设计与实现》文中研究表明随着社会经济发展水平的不断提高,全国汽车数量逐年上升,城市中交通拥堵的现象成了常态。另一方面,每年有一百多万人死于人为造成的交通事故中,驾驶安全问题不容忽视。自动驾驶技术是解决上述问题的根本办法之一。目前,研究者们使用深度学习技术训练网络学习人类的驾驶经验以获得自主驾驶的能力,这种研究思路取得了一些成效,但是仍然面临环境信息认知不全导致的决策延迟、决策失败等问题。随着车联网技术的快速发展,基于车路协同的自动驾驶成为自动驾驶技术的发展方向之一。本文就基于此背景进行了以下几个方面的研究:1.提出了一种支持多车协同的感知-决策网络模型。该模型通过综合多车协同认知结果进行驾驶决策,从而降低了单车认知不完备导致的决策失败问题。通过实验验证了模型的可行性,与现有端到端方法相比本文所提出的模型也具有较高的转角预测精度。2.搭建了基于机器人系统的智能小车仿真实验平台,通过建立局域网络环境模拟车路协同环境,使用实验室固定服务器作为边缘计算节点,实现自动驾驶算法训练、决策在边缘,控制执行在车辆的自动驾驶系统,完成基于车路协同的端到端自动驾驶仿真实验。实验验证了基于车路协同环境的端到端自动驾驶方案的可行性和有效性。
张元元[8](2020)在《基于未来电子车牌与交通感应网协同环境下数据驱动的动态信号控制研究》文中研究指明“互联网+”环境下,基于大数据的预测能力和基于实时数据的交通运行状况评价分析、主动问题发现能力,可以精确的制定、优化和评估方案。面向未来可能普及的采集设备以及形成的交通大数据,本文选取电子车牌系统形成的交通大数据作为历史及实时数据来源,研究单交叉路口动态信号控制,具体内容如下:(1)论文首先介绍了电子车牌与交通感应网协同环境的构成与运行机理,明确了交叉口信号控制需使用的电子车牌感应器类型,并制定了感应器布设方案。通过分析该协同环境下产生的交通大数据的数据构成与布局形态,明确了动态信号控制需要从基数据中心中获取的数据内容,并设计了数据信息提取算法。(2)为了实时掌控交叉口的交通运行状态,排队变化情况,通过分析进口道的排队消散过程,确定了排队检测感应器的最佳安装位置,建立了利用感应器采集数据获取实时排队车辆数、排队集结波波速和排队消散波速等配时方案设计和评价所需参数的模型和算法。(3)基于电子车牌与交通感应网协同环境下产生的交通大数据,以单个交叉路口为研究对象,首先,利用从基数据中心中提取的历史数据对现状配时方案运用迭代计算方法进行优化获得基于延误最小的基础配时方案。其次,利用感应器采集的实时数据获取停车次数、排队车辆数指标,判别交叉口单周期的运行状态。根据排队均衡控制思想选择红灯末和绿灯末为排队均衡控制决策点,并设定了排队均衡控制条件。然后,以四相位信号控制为例,基于感应器实时采集数据,针对交叉口欠饱和状态构建了绿时缩短的配时方案调整模型,针对交叉口过饱和状态构建了周期内绿灯时间调整模型,设计了周期末新增相位算法,提出了由采集数据映射的交通拥堵疏导策略。最终,利用感应器采集数据,对动态配时方案运行效果进行评价。(4)在案例分析中,借助Anylogic软件仿真模拟未来电子车牌与交通感应网协同环境下实时采集数据和动态配时方案的实时反馈控制过程。利用软件的道路交通库、流程库搭建模型的逻辑层和空间层,在逻辑层中引入配时计算与评价的参数、变量和函数,仿真运行完成配时方案制定。通过分析左转、直行车流的排队车辆数随时间变化情况和平均停车次数、平均总延误等指标,得出相比基础配饰方案,动态配时方案能更适应交通流的时变性,使方向车流周期性变化稳定,各相位排队均衡。
李东益[9](2021)在《协同环境反向散射系统接收机的优化研究》文中研究指明近几年来,随着物理网(Internet of Things,IoT)技术的发展,诸多物联网应用场景在我们的日常生活中成为现实。在未来,物联网技术将和5G技术进一步结合发展,越来越多的智能设备将连入到物联网。现有智能设备大多功耗较高,且需要定期进行能源补充。在环境反向散射通信(Ambient Backscatter Communication,AmBC)系统中,反向散射设备从环境信号中吸收能量,利用环境中的射频信号作为载波来完成反向散射通信。反向散射设备不再需要装配射频发射单元也不再需要额外的频谱。因此Am BC具有低功耗、低成本和高频谱利用率的优良特性。然而在接收机对反向散射设备信号进行信号检测时,环境射频信号的强度过大,干扰了反向散射设备信号的恢复。协同环境反向散射通信(Cooperative Ambient Backscatter Communication,CABC)系统将原射频通信系统和反向散射系统合为一体。协同接收机在信号检测过程中采用协同接收的方式,不同于传统的接收机,协同接收机不再将射频信号视为干扰,而是同时恢复射频信号和反向散射设备信号。CABC实现了稳定高效的环境反向散射通信。本文对不同类型的CABC系统中不同的信号检测器进行研究,研究设计了单输入多输出(Single-Inductor Multiple-Output,SIMO)多反向散射设备CABC系统和多输入多输出(Multiple-Input Multiple-Output,MIMO)多反向散射设备CABC系统中的信号检测器。首先本文介绍了SIMO单个反向散射设备的CABC系统中的信号检测器。然后将此系统研究扩展为SIMO多个反向散射设备的CABC系统,该系统中,接收机需要同时恢复SIMO系统的信号和多个反向散射设备的信号。由于系统和信号模型发生变化,本文重新设计了两种最大似然(Maximum Likelihood,ML)检测器,线性检测器,和串行干扰消除(Successive Interference Cancellation,SIC)检测器。为解决随着接入设备增多,算法复杂度急剧增高的问题,设计了球形译码(Sphere Decoding,SD)检测器,该检测器在保证了最优误比特率性能的同时,降低了算法的复杂度。针对SIC检测器误比特率性能损失严重的问题,设计了排序串行干扰消除(Ordered Successive Interference Cancellation,OSIC)检测器,该检测器有效地解决了不同反向散射设备信号之间的错误遗传情况,具有较优良的误比特率性能。本文进一步将射频系统扩展为MIMO通信系统,此时接收机需要同时恢复MIMO系统的信号和多个反向散射设备的信号。针对新系统,本文再次优化设计了两种ML检测器,线性检测器,OSIC检测器。针对信号检测器的复杂度提高,我们进一步设计了低复杂度球形译码(Low Complexity Sphere Decoding,LCSD)检测器,和降Z阶低复杂度球形译码检测器。仿真实验证明,该低复杂度球形译码检测器在保持最优误比特率性能的同时,降低了检测器的复杂度。降Z阶低复杂度球形译码检测器具有次优的误比特率性能。
孙生豪[10](2020)在《车路协同下信号交叉口车速诱导模型研究》文中研究指明在城市道路网络,处于信号交叉区域的车辆因为交叉口等原因,其延误时间、燃油消耗量要比其他地区更加显着。因此,旨在减少信号交叉口区域内的延误时间和提高燃油经济性的车辆车速诱导方法成为研究节能驾驶领域的核心。在这样的背景下,本论文基于车路协同技术针对信号交叉口的车辆,提出一种车速诱导策略及模型,通过对车辆进行车速诱导,降低其在信号交叉口区域内的延误时间排队长度以及燃油消耗,同时对设计的通行决策模型进行仿真验证及分析。论文主要工作如下:(1)分析了车路协同环境下信号交叉口车速诱导的结构框架以及核心技术,并在此基础上,提出了车路协同环境下的车速诱导模型架构。(2)通过对信号交叉口车辆的驾驶行为以及行驶特征进行细化分析,本文提出了关于车路协同环境下车辆通行决策模型,并对不同决策下的车速诱导方法进行研究。在此基础上,使用基于三角函数的速度优化模型对搭载智能车载设备的车辆进行速度诱导,减少车辆在信号相位末期急加速、急减速发生的次数,使受车速诱导的车辆的速度诱导曲线更加平滑。(3)本文设计从车辆道路的饱和度和车载智能设备的搭载率两个角度对车速诱导模型进行效果验证,运用VISSIM仿真软件及VB的二次开发来模拟车辆速度诱导的场景,并对信号控制交叉口车速诱导设计测试方案进行仿真验证。仿真结果表明,车路协同下车辆通行决策模型能够提供正确的交通决策信息给驾驶员。与无速度诱导的车流相比,经过车速诱导的车流可以有效减少车辆通过交叉口的行程时间、延误时间以及车辆污染物的排放,通过VISSIM的仿真评估后发现,本文提出的车速诱导模型能有效实现对车流的节能速度诱导,减少行程时间,降低延误,提高燃油经济性。
二、网络实验协同环境研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、网络实验协同环境研究(论文提纲范文)
(1)旋翼无人机环境覆盖与探索规划方法综述(论文提纲范文)
0 引言 |
1 基于旋翼无人机的环境覆盖路径规划 |
1.1 二维环境覆盖路径规划 |
1.2 三维环境覆盖路径规划 |
2 基于旋翼无人机的环境探索路径规划 |
2.1 基于边界检测策略的环境探索方法 |
2.2 基于视点采样策略的环境探索方法 |
2.3 基于混合策略的环境探索方法 |
3 基于旋翼无人机的环境同时覆盖与探索路径规划 |
4 总结与展望 |
4.1 总结 |
4.2 展望 |
1)异构多机器人协同环境覆盖与探索规划. |
2)基于学习方法的环境覆盖与探索规划. |
3)考虑定位不确定性的环境覆盖与探索规划. |
4)通信约束下的多无人机环境覆盖与探索规划. |
科研团队简介 |
(2)基于车路协同的城市应急车辆优先控制:概述与展望(论文提纲范文)
1 研究现状 |
1.1 基于车路协同的应急车辆优先控制 |
1.1.1 采用初级车路协同技术 |
1.1.2 采用高级车路协同技术 |
1.2 结合路径规划的应急车辆优先控制 |
2 讨论与展望 |
2.1 车路协同交通控制的应急车辆优先控制能力和适用性不足 |
2.2 应急车辆优先控制与其路径规划的耦合机理有待探明 |
2.3 “在线-在环-实地”的实验测试方式有待研究 |
2.4 常态应急多部门协同响应机制有待完善 |
3 结论 |
(3)无人驾驶汽车协同感知信息传输负载优化技术(论文提纲范文)
1 引言 |
2 相关工作 |
2.1 面向无人驾驶的协同环境感知 |
2.2 视频图像静态背景与动态前景的分离和融合 |
3 静态背景与动态前景的分离 |
4 静态背景与动态前景的融合 |
4.1 生成模型 |
4.2 判别模型 |
4.3 损失函数 |
4.4 训练流程 |
5 性能评估 |
5.1 实验设置 |
5.2 实验结果与分析 |
5.2.1 图像分离与融合的视觉效果对比 |
5.2.2 前景物体保留率 |
5.2.3 传输负载 |
5.2.4 感知信息处理时间 |
5.2.5 图像融合质量的定量分析 |
6 总结 |
Background |
(4)智能车路协同系统关键技术与应用(论文提纲范文)
0 引言 |
1 智能车路协同系统 |
1.1 系统定义 |
1.2 主要特征 |
(1)交通主体的信息化和智能化 |
(2)海量信息的简明化和精确化 |
(3)用户参与的主动化和协同化 |
(4)服务功能的柔性化和绿色化 |
2 基于车路协同的智能交通系统体系框架 |
2.1 智能车路协同系统结构 |
2.2 基于车路协同的ITS体系框架 |
3 智能车路协同系统构建关键技术 |
3.1 多模通信技术 |
3.2 智能网联技术 |
3.3 信息安全技术 |
3.4 系统集成技术 |
4 智能车路协同技术应用关键技术 |
4.1 交通环境协同感知技术 |
4.2 交通群体协同决策与控制技术 |
4.3 虚实结合的仿真测试验证技术 |
4.4 基于车路协同的自动驾驶技术 |
5 智能车路协同技术应用 |
5.1 初始期应用阶段 |
5.2 建设期应用阶段 |
5.3 规模化应用阶段 |
6 结论与展望 |
6.1 对智能交通系统发展的作用 |
6.2 对相关学科研究的作用 |
(5)基于云边协同的终端接入可信评估机制(论文提纲范文)
摘要 |
英文摘要 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 当前研究现状 |
1.3 本文主要研究内容 |
1.4 硕士期间主要工作 |
1.5 论文结构 |
第二章 相关技术 |
2.1 云边协同简介 |
2.2 基于多元反馈机制的终端轻量级可信评估机制研究 |
2.2.1 基于贝叶斯理论的可信评估模型 |
2.2.2 模糊理论的可信评估模型 |
2.2.3 基于云模型的可信评估模型 |
2.3 基于终端信用严苛度计算机制研究 |
2.4 常见恶意攻击类型 |
2.5 本章小结 |
第三章 基于云边协同的终端接入可信评估架构与流程 |
3.1 架构与流程概述 |
3.2 关键问题 |
3.3 本章小结 |
第四章 基于云端低维神经网络的终端信用严苛度计算模型 |
4.1 引言 |
4.2 基于卷积神经网络的终端接入复评模型 |
4.2.1 问题描述 |
4.2.2 模型设计 |
4.2.3 安全程度分级设计 |
4.2.4 惩罚因子设计 |
4.2.5 算法设计与描述 |
4.3 实验分析与结论 |
4.3.1 仿真系统设置 |
4.3.2 实验结果分析 |
4.4 本章小结 |
第五章 基于多元反馈机制的终端轻量级可信评估算法 |
5.1 引言 |
5.2 基于多元反馈机制的信任特征设计 |
5.2.1 基础信任 |
5.2.2 终端间直接信任 |
5.2.3 边缘服务器对终端直接信任 |
5.2.4 边缘服务器对终端间接信任 |
5.2.5 综合信任设计 |
5.2.6 算法设计与描述 |
5.3 实验分析 |
5.3.1 实验环境 |
5.3.2 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 今后工作展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(6)基于深度强化学习的网联自动驾驶车辆决策控制方法(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究综述 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 研究现状总结 |
1.3 主要研究内容 |
1.3.1 研究目标与研究内容 |
1.3.2 研究方法与技术路线 |
1.4 本章小节 |
2 车路协同环境下网联自动驾驶车辆决策控制基础理论 |
2.1 网联自动驾驶范围内的车路协同系统 |
2.2 网联自动驾驶的典型交通环境分析 |
2.3 深度强化学习基础理论 |
2.3.1 强化学习理论基础 |
2.3.2 面向强化学习的深度学习理论 |
2.3.3 面向车辆决策控制的深度强化学习理论 |
2.4 网联自动驾驶决策控制基础理论 |
2.4.1 网联自动驾驶系统概述 |
2.4.2 车辆决策规划基础理论 |
2.4.3 车辆控制执行基础理论 |
2.5 本章小节 |
3 异构交通环境下基于强化学习的车辆决策控制模型 |
3.1 网联自动驾驶车辆决策控制研究的条件说明 |
3.1.1 开放道路环境下研究的条件说明 |
3.1.2 信号交叉口环境下研究的条件说明 |
3.2 基于车路协同条件的异构交通环境模型 |
3.2.1 异构交通环境下开放道路模型 |
3.2.2 异构交通环境下信号交叉口道路模型 |
3.3 基于异构交通环境的车辆模型构建 |
3.3.1 开放道路环境下车辆运动学模型 |
3.3.2 信号交叉口环境下车辆运动学模型 |
3.3.3 基于深度强化学习的自主车辆模型 |
3.4 开放道路环境下车辆决策控制强化学习模型构建 |
3.4.1 基于效率优先的异构交通环境下车辆驾驶策略 |
3.4.2 基于超网格映射的强化学习观测状态空间 |
3.4.3 基于开放道路环境的强化学习行为状态空间 |
3.4.4 基于驾驶行为准则的强化学习奖励函数 |
3.5 信号交叉口环境下车辆决策控制强化学习模型构建 |
3.5.1 基于效能双导向的异构交通环境下车辆驾驶策略 |
3.5.2 基于降维映射的强化学习观测状态空间 |
3.5.3 基于信号交叉口环境的强化学习行为状态空间 |
3.5.4 基于长短期收益的强化学习奖励函数 |
3.6 本章小结 |
4 基于深度强化学习的车辆决策控制神经网络 |
4.1 基于间隔抽样的数据预处理 |
4.2 开放道路环境下决策控制深度神经网络 |
4.2.1 基于平行通道的神经网络总体结构概述 |
4.2.2 基于平行CNN通道的多维数据特征提取与融合网络 |
4.2.3 基于竞争深度Q网络的策略学习网络 |
4.2.4 神经网络更新与参数配置 |
4.3 信号交叉口环境下车辆决策与控制混合强化学习框架 |
4.3.1 基于多源传感器的目标模型总体框架概述 |
4.3.2 基于动态场景分割的混合强化学习决策管理中心 |
4.3.3 基于多通道的深度神经网络总体结构概述 |
4.3.4 基于CNN和 LSTM的隐藏特征提取网络 |
4.3.5 信号交叉口环境下车辆驾驶策略学习网络 |
4.3.6 神经网络更新与参数配置 |
4.4 本章小结 |
5 异构交通环境下车辆决策控制模型仿真验证与分析 |
5.1 面向强化学习的仿真测试平台构建方法 |
5.1.1 强化学习算法验证平台框架结构 |
5.1.2 UNITY ML-AGENTS仿真平台框架 |
5.2 基于车路协同的异构交通仿真环境构建 |
5.2.1 开放道路异构交通环境仿真环境设计与开发 |
5.2.2 信号交叉口道路异构交通仿真环境设计与开发 |
5.3 开放道路环境下目标车辆决策控制模型测试与分析 |
5.3.1 开放道路环境下模型训练方法 |
5.3.2 开放道路环境下对比测试方法 |
5.3.3 训练结果与分析 |
5.3.4 测试结果及分析 |
5.4 信号交叉口异构交通环境下车辆决策控制模型验证与分析 |
5.4.1 信号交叉口环境下模型训练方法 |
5.4.2 信号交叉口环境下对比测试方法 |
5.4.3 训练结果及分析 |
5.4.4 测试结果及分析 |
5.5 本章小结 |
6 结论与展望 |
6.1 研究内容总结 |
6.2 主要创新点 |
6.3 研究展望 |
参考文献 |
附录 A |
图索引 |
表索引 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(7)基于车路协同的自动驾驶决策方法的设计与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状与和发展趋势 |
1.2.1 自动驾驶汽车的发展历史 |
1.2.2 自动驾驶汽车的研究现状 |
1.2.3 自动驾驶汽车的发展趋势 |
1.3 主要研究内容和工作 |
1.4 本文组织结构安排 |
第二章 相关技术综述 |
2.1 深度学习技术 |
2.1.1 人工神经网络 |
2.1.2 反向传播算法 |
2.1.3 卷积神经网络 |
2.2 车路协同技术 |
2.3 自动驾驶相关技术 |
2.4 机器人操作系统 |
2.4.1 ROS系统架构 |
2.4.2 ROS基本概念 |
2.5 智能小车平台 |
2.5.1 硬件结构 |
2.5.2 软件结构 |
2.6 本章小结 |
第三章 基于车路协同的自动驾驶决策方法分析 |
3.1 自动驾驶决策方法研究背景 |
3.1.1 驾驶方式的对比分析 |
3.1.2 自动驾驶决策方法对比分析 |
3.1.3 图像识别技术 |
3.2 基于车路协同的端到端自动驾驶决策方法分析 |
3.2.1 基于深度学习的端到端决策方法的研究进展 |
3.2.2 车路协同自动驾驶通信需求分析 |
3.3 基于深度学习的端到端决策方法的分析 |
3.4 本章小结 |
第四章 基于车路协同的端到端自动驾驶决策算法设计 |
4.1 群智感知决策网络结构设计 |
4.1.1 相关问题建模 |
4.1.2 网络模型总体结构 |
4.1.3 网络模型子模块设计 |
4.2 车路协同群智感知决策算法描述 |
4.2.1 群智感知决策网络模型结构 |
4.2.2 优化目标和参数更新 |
4.2.3 算法模型计算流程 |
4.3 对比实验设计 |
4.3.1 不同融合方式对比 |
4.3.2 不同车辆距离对比 |
4.4 对比实验结果和分析 |
4.4.1 常用自动驾驶数据集 |
4.4.2 实验数据处理 |
4.4.3 网络模型的训练和测试 |
4.4.4 实验结果和分析 |
4.5 本章小结 |
第五章 基于车路协同的自动驾驶决策算法仿真实现 |
5.1 仿真系统需求分析 |
5.1.1 功能模块需求分析 |
5.1.2 可行性分析 |
5.2 仿真系统概要设计 |
5.2.1 仿真系统分层结构 |
5.2.2 自动驾驶功能模块概要设计 |
5.2.3 路侧边缘服务模块概要设计 |
5.3 仿真系统详细设计 |
5.3.1 服务器交互过程 |
5.3.2 客户端交互过程 |
5.3.3 ROS系统交互过程 |
5.4 仿真系统的测试 |
5.4.1 小车数据采集和处理 |
5.4.2 系统部署测试 |
5.5 本章小结 |
第六章 总结展望 |
6.1 论文工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(8)基于未来电子车牌与交通感应网协同环境下数据驱动的动态信号控制研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状分析 |
1.2.1 电子车牌与交通感应网协同环境 |
1.2.2 交通大数据利用 |
1.2.3 动态信号灯 |
1.3 研究内容及拟解决的问题 |
1.3.1 研究内容 |
1.3.2 拟解决的关键问题 |
1.4 技术路线 |
第2章 未来电子车牌与交通感应网协同环境 |
2.1 电子车牌与交通感应网 |
2.1.1 电子车牌 |
2.1.2 电子车牌感应器 |
2.1.3 交通感应网 |
2.2 电子车牌与交通感应网协同环境运行机理 |
2.2.1 数据采集 |
2.2.2 数据存储与应用 |
2.2.3 电子车牌数据写入 |
2.3 交通大数据中心 |
2.3.1 交通数据中心数据构成 |
2.3.2 交通大数据中心布局形态 |
2.4 本章小结 |
第3章 数据驱动的动态信号控制基础问题研究 |
3.1 数据驱动的动态信号控制流程 |
3.2 动态信号控制数据提取 |
3.3 进口道排队模型与感应器布设位置 |
3.3.1 感应器布设 |
3.3.2 排队检测感应器布设位置 |
3.4 参数计算 |
3.4.1 交通流参数 |
3.4.2 排队车辆数及排队长度 |
3.4.3 分方向的排队车辆数 |
3.5 本章小结 |
第4章 单交叉口动态信号控制方案设计 |
4.1 动态信号控制方案设计思路 |
4.2 基础配时方案制定 |
4.3 交叉口交通运行状态判别 |
4.3.1 相位排队长确定 |
4.3.2 交叉口交通运行状态判别 |
4.4 基于排队车辆数均衡的动态信号控制 |
4.4.1 排队均衡控制思路 |
4.4.2 欠饱和状态下的动态信号控制 |
4.4.3 过饱和状态下的动态信号控制 |
4.5 动态信号控制方案评价 |
4.6 本章小结 |
第5章 案例分析 |
5.1 案例背景 |
5.1.1 交叉口基本状况 |
5.1.2 交叉口交通调查数据 |
5.2 基础配时方案仿真及评价 |
5.2.1 仿真模型搭建 |
5.2.2 基于延误最小的基础配时方案 |
5.2.3 仿真评价及交通状态判别 |
5.3 动态配时方案 |
5.3.1 均衡控制参数 |
5.3.2 动态配时方案 |
5.4 动态配时方案评价 |
5.5 本章小结 |
结论与展望 |
致谢 |
参考文献 |
附件 |
攻读硕士学位期间参与项目 |
(9)协同环境反向散射系统接收机的优化研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究历史与现状 |
1.2.1 反向散射技术研究历史与现状 |
1.2.2 环境反向散射技术研究历史与现状 |
1.2.3 协同环境反向散射技术研究历史与现状 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 SIMO单反射设备协同环境反向散射系统的信号检测 |
2.1 引言 |
2.2 SIMO单反向散射设备协同环境反向散射系统模型概述 |
2.3 最大似然检测器与低复杂度最大似然检测器 |
2.3.1 最大似然检测器 |
2.3.2 低复杂度最大似然检测器 |
2.4 线性检测器 |
2.5 串行干扰消除检测器 |
2.6 本章小结 |
第三章 SIMO多反射设备协同环境反向散射系统的信号检测 |
3.1 引言 |
3.2 SIMO多反向散射设备协同环境反向散射系统模型概述 |
3.3 经典信号检测器的优化设计 |
3.3.1 基础最大似然检测器的优化设计 |
3.3.2 低复杂度最大似然检测器的优化设计 |
3.3.3 线性检测器的优化设计 |
3.3.4 串行干扰消除检测器的优化设计 |
3.4 排序串行干扰消除检测器 |
3.5 球形译码检测器 |
3.6 仿真与分析 |
3.7 本章小结 |
第四章 MIMO多反射设备协同环境反向散射系统的信号检测 |
4.1 引言 |
4.2 MIMO多反向散射设备协同环境反向散射系统模型概述 |
4.3 经典信号检测器的优化改进 |
4.3.1 基础最大似然检测器的优化设计 |
4.3.2 低复杂度最大似然检测器的优化设计 |
4.3.3 线性检测器的优化设计 |
4.3.4 排序串行干扰消除检测器的优化设计 |
4.4 低复杂度球形译码检测器 |
4.5 降Z阶低复杂度球形译码检测器 |
4.6 仿真与分析 |
4.7 本章总结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作与展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(10)车路协同下信号交叉口车速诱导模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 车路协同技术国内外研究现状 |
1.2.2 交叉口车速诱导技术国内外研究现状 |
1.3 论文主要研究内容及章节安排 |
1.3.1 论文主要研究内容 |
1.3.2 论文章节安排 |
第二章 车路协同下交叉口车速诱导模型研究基础 |
2.1 系统功能需求分析 |
2.2 关键技术 |
2.3 系统工作原理 |
2.4 本章小结 |
第三章 车路协同下交叉口车辆通行决策模型 |
3.1 交叉口车辆通行状态分析 |
3.1.1 交叉口车辆队列未形成时通行状态分析 |
3.1.2 交叉口车辆队列形成时通行状态分析 |
3.2 交叉口车辆通行预判模型建立 |
3.3 加减速诱导优化 |
3.4 本章小结 |
第四章 交叉口车速诱导模型的仿真与实现 |
4.1 仿真分析平台搭建 |
4.1.1 微观仿真软件对比分析 |
4.1.2 基于C#二次开发VISSIM的仿真平台搭建 |
4.2 车路协同环境下交叉口车速诱导模型的实现 |
4.2.1 状态参数设定 |
4.2.2 车速诱导算法的实现 |
4.3 本章小结 |
第五章 交叉口车速诱导模型仿真实证分析 |
5.1 仿真数据准备 |
5.1.1 路网模型的搭建 |
5.1.2 仿真方案设计 |
5.1.3 评价指标选取 |
5.1.4 仿真数据的处理 |
5.2 仿真结果分析 |
5.2.1 车辆行程时间分析 |
5.2.2 排队车辆数分析 |
5.2.3 车辆延误时间分析 |
5.2.4 交叉口排放能耗分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
在读期间发表的学术论文及研究成果 |
附录 Visual Basic控制关键代码 |
四、网络实验协同环境研究(论文参考文献)
- [1]旋翼无人机环境覆盖与探索规划方法综述[J]. 张世勇,张雪波,苑晶,方勇纯. 控制与决策, 2022
- [2]基于车路协同的城市应急车辆优先控制:概述与展望[J]. 张立立,王力,刘建东,张玲玉. 科学技术与工程, 2021(34)
- [3]无人驾驶汽车协同感知信息传输负载优化技术[J]. 吕品,李凯,许嘉,李陶深,陈宁江. 计算机学报, 2021(10)
- [4]智能车路协同系统关键技术与应用[J]. 张毅,姚丹亚,李力,裴华鑫,晏松,葛经纬. 交通运输系统工程与信息, 2021(05)
- [5]基于云边协同的终端接入可信评估机制[D]. 夏晨曦. 北京邮电大学, 2021(01)
- [6]基于深度强化学习的网联自动驾驶车辆决策控制方法[D]. 白正伟. 北京交通大学, 2020(03)
- [7]基于车路协同的自动驾驶决策方法的设计与实现[D]. 刘泰宇. 北京邮电大学, 2020(05)
- [8]基于未来电子车牌与交通感应网协同环境下数据驱动的动态信号控制研究[D]. 张元元. 西南交通大学, 2020(07)
- [9]协同环境反向散射系统接收机的优化研究[D]. 李东益. 电子科技大学, 2021(01)
- [10]车路协同下信号交叉口车速诱导模型研究[D]. 孙生豪. 浙江海洋大学, 2020(01)