随着道路拥堵等交通问题的日益严峻,智能交通系统成为解决当前交通问题的有效途径。车载自组织网络及车辆作为智能交通的重要组成部分也成为了当前的研究热点。首先介绍了车联网在国内外的发展历史和现状,然后分别从端系统、管系统、云...随着道路拥堵等交通问题的日益严峻,智能交通系统成为解决当前交通问题的有效途径。车载自组织网络及车辆作为智能交通的重要组成部分也成为了当前的研究热点。首先介绍了车联网在国内外的发展历史和现状,然后分别从端系统、管系统、云系统3个方面对车联网进行了分析研究,着重介绍了管系统中的V2V(vehicle to vehicle)和V2R(vehicle to roadside)两种通信技术。此外,对于面向车联网的交通云和大数据技术进行了概括介绍。最后,探讨了车载自组织网络的应用场景和未来发展趋势。展开更多
在城市轨道交通列车通信系统中,车车(Train-to-Train,T2T)通信是以列车为中心的新一代列控系统通信模式。与传统的以地面控制设备为中心的车地(Train-to-Ground,T2G)通信模式相比,T2T能降低系统的复杂度以及通信时延,提升列车运行效率...在城市轨道交通列车通信系统中,车车(Train-to-Train,T2T)通信是以列车为中心的新一代列控系统通信模式。与传统的以地面控制设备为中心的车地(Train-to-Ground,T2G)通信模式相比,T2T能降低系统的复杂度以及通信时延,提升列车运行效率。但为保障列车运行的安全性,当前的城市轨道交通列车通信系统中,车车通信与车地通信是并存的。为解决车车通信与车地通信并存场景下,通信链路资源复用引起的干扰问题,论文基于深度强化学习算法,提出了一种智能频谱共享方法。该方法以车车通信链路作为智能体,将频谱共享建模为多智能体深度强化学习(Multi-Agent Deep Reinforcement Learning,MADRL)模型。同时,由于传统深度强化学习对经验池的依赖,为提高经验池的稳定性,引入了能表征智能体行动轨迹的低维指纹信息。在该方法中,多个智能体采用分布式协作的方式与列车所处的通信环境进行交互,以此来迭代优化神经网络参数,使智能体获得的累计奖励不断提升直至收敛。最后,利用训练好的深度强化学习模型,智能体能够联合选择最佳的通信频谱和传输功率。在Python环境下的仿真结果表明:相较于传统的深度强化学习算法,论文提出的算法不但能够使系统信道容量接近最大信道容量,而且能使数据传输的成功率保持在90%以上,极大地提升了列车运行的安全性。展开更多
为解决由城轨环境特殊性导致的通信可靠性、时延性能降低以及运营效率瓶颈等问题,首先从整体运营控制的角度分析了城轨通信需求。结合新型智能运行控制技术及T2T(train to train,列车到列车)通信、5G、人工智能、移动边缘计算等新兴信...为解决由城轨环境特殊性导致的通信可靠性、时延性能降低以及运营效率瓶颈等问题,首先从整体运营控制的角度分析了城轨通信需求。结合新型智能运行控制技术及T2T(train to train,列车到列车)通信、5G、人工智能、移动边缘计算等新兴信息技术对城轨通信关键技术进行梳理、总结与展望;然后提出了一种新型城轨通信网络架构,最后探讨了智慧城轨通信技术的研究方向与面临的挑战,为智慧城市的发展提供研究基础。展开更多
文摘随着道路拥堵等交通问题的日益严峻,智能交通系统成为解决当前交通问题的有效途径。车载自组织网络及车辆作为智能交通的重要组成部分也成为了当前的研究热点。首先介绍了车联网在国内外的发展历史和现状,然后分别从端系统、管系统、云系统3个方面对车联网进行了分析研究,着重介绍了管系统中的V2V(vehicle to vehicle)和V2R(vehicle to roadside)两种通信技术。此外,对于面向车联网的交通云和大数据技术进行了概括介绍。最后,探讨了车载自组织网络的应用场景和未来发展趋势。
文摘在城市轨道交通列车通信系统中,车车(Train-to-Train,T2T)通信是以列车为中心的新一代列控系统通信模式。与传统的以地面控制设备为中心的车地(Train-to-Ground,T2G)通信模式相比,T2T能降低系统的复杂度以及通信时延,提升列车运行效率。但为保障列车运行的安全性,当前的城市轨道交通列车通信系统中,车车通信与车地通信是并存的。为解决车车通信与车地通信并存场景下,通信链路资源复用引起的干扰问题,论文基于深度强化学习算法,提出了一种智能频谱共享方法。该方法以车车通信链路作为智能体,将频谱共享建模为多智能体深度强化学习(Multi-Agent Deep Reinforcement Learning,MADRL)模型。同时,由于传统深度强化学习对经验池的依赖,为提高经验池的稳定性,引入了能表征智能体行动轨迹的低维指纹信息。在该方法中,多个智能体采用分布式协作的方式与列车所处的通信环境进行交互,以此来迭代优化神经网络参数,使智能体获得的累计奖励不断提升直至收敛。最后,利用训练好的深度强化学习模型,智能体能够联合选择最佳的通信频谱和传输功率。在Python环境下的仿真结果表明:相较于传统的深度强化学习算法,论文提出的算法不但能够使系统信道容量接近最大信道容量,而且能使数据传输的成功率保持在90%以上,极大地提升了列车运行的安全性。
文摘为解决由城轨环境特殊性导致的通信可靠性、时延性能降低以及运营效率瓶颈等问题,首先从整体运营控制的角度分析了城轨通信需求。结合新型智能运行控制技术及T2T(train to train,列车到列车)通信、5G、人工智能、移动边缘计算等新兴信息技术对城轨通信关键技术进行梳理、总结与展望;然后提出了一种新型城轨通信网络架构,最后探讨了智慧城轨通信技术的研究方向与面临的挑战,为智慧城市的发展提供研究基础。
