一种基于边云计算的车路通信链路匹配方法及系统技术方案

本申请提供一种基于边云计算的车路通信链路匹配方法及系统，涉及车联网智能信息处理技术领域，该方法包括：根据获取的自车感知范围和基站内路基设备的部署信息，确定车路协同感知范围和车路感知置信度；利用训练好的深度强化学习网络，得出车辆与路基设备的配对决策集；将配对决策集发送至云端进行全局决策处理，根据云端反馈的全局决策结果，筛选配对决策集中的冲突决策；在配对决策集中没有冲突决策的情况下，输出车路链路配对结果，这样，在车辆行驶过程中，可以分配出高效节能的车路配对方案，并且在确保环境感知效能基础上，能够减少冗余链路数量，提升车路通信鲁棒性。提升车路通信鲁棒性。提升车路通信鲁棒性。

【技术实现步骤摘要】
一种基于边云计算的车路通信链路匹配方法及系统


[0001]本申请属于车联网智能信息处理
，尤其涉及一种基于边云计算的车路通信链路匹配方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本申请相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着未来车联网的高速发展，汽车应用数据流爆炸式增长，而车辆本身单元无法满足其自身应用的计算时延的需求，移动边缘计算(Mobile Edge Computing，MEC)技术的出现能够很好的解决此类问题。MEC运行于网络边缘，并不依赖于网络的其他部分，这点对于安全性要求较高的应用来说非常重要。另外，MEC服务器通常具有较高的计算能力，因此特别适合于分析处理大量数据。同时，由于MEC距离用户或信息源在地理上非常邻近，使得网络响应用户请求的时延大大减小，也降低了传输网和核心网部分发生网络拥塞的可能性。位于网络边缘的MEC能够实时获取基站、可用带宽等网络数据以及与用户位置相关的信息，从而进行链路感知自适应，并且为基于位置的应用提供部署的可能性，可以极大地改善用户的服务质量体验。
[0004]在车辆行驶过程中，移动边缘计算仍有诸多资源受限问题亟待解决，如车辆在移动跨区时计算资源受限的情况下，导致传输损耗和时延增大。利用边云计算将计算任务下沉到各边缘服务器，在交通道路上部署基站和节点，则车辆可以通过对不同路基设备进行选择，然而，由于车辆是在不停地高速移动，如何及时有效地进行车辆和基站配对是目前仍需解决的问题。

技术实现思路

[0005]基于此，本申请提供一种基于边云计算的车路通信链路匹配方法及系统，其目的是在车辆行驶过程中，根据实时获取的自车感知范围、基站内路基设备的部署信息以及网络的接出入时间，分配出高效节能的车路配对方案。
[0006]本申请采用的技术方案如下：
[0007]第一方面，本申请实施例提供一种基于边云计算的车路通信链路匹配方法，包括：
[0008]根据获取的自车感知范围和基站内路基设备的部署信息，确定车路协同感知范围和车路感知置信度；
[0009]利用训练好的深度强化学习网络，得出车辆与路基设备的配对决策集；
[0010]将所述配对决策集发送至云端进行全局决策处理，根据云端反馈的全局决策结果，筛选所述配对决策集中的冲突决策；
[0011]在所述配对决策集中没有冲突决策的情况下，输出车路链路配对结果。
[0012]在一种可能的实施方式中，根据车辆的设定感知区域和车辆行驶速度，确定所述自车感知范围。
[0013]在一种可能的实施方式中，获取路基设备的感知范围，根据所述自车感知范围和路基设备的感知范围，得到车辆与路基设备感知范围的并集，将该并集确定为车路协同感知范围。
[0014]在一种可能的实施方式中，根据路基设备分布和自车行驶距离进行感知空间的划分，形成全局感知地图；根据车辆在所述全局感知地图内的位置和部署的路基设备，确定自车周围区域的置信度分布；针对所述全局感知地图内的每一个网格，确定车辆检测到的占用概率对数似然比，将车辆与基站对网格的占用概率对数似然比相加，并进行融合，得到车辆与基站设备感知融合后该网格的置信度；所述车路感知置信度为所有网格置信度之和。
[0015]在一种可能的实施方式中，通过以下方式训练所述深度强化学习网络：
[0016]自车随机与部署的路基设备配对，从经验池随机抽取小批量数据训练，经验池中的经验来自于自车、设备基站和道路交通的不断交互，当动作使评价网络感知范围和置信度提高，则给予奖励；通过奖励和Q不断更新网络权重，使自车学会与路基设备配对；所述深度强化学习网络的评价网络是车路协同感知范围和车路感知置信度的加权值，使其最大化。
[0017]在一种可能的实施方式中，在将所述配对决策集发送至云端进行全局决策处理之前，还包括：剔除所述配对决策集中车路配对组合与边缘服务器的总传输时延超出预设阈值的配对决策。
[0018]在一种可能的实施方式中，云端利用协同优化的配对利用率最大化得到最佳配对链路，根据最佳配对链路排除冲突决策，从而确定出全局决策结果。
[0019]第二方面，本申请实施例提供一种基于边云计算的车路通信链路匹配系统，包括：
[0020]获取模块，用于根据获取的自车感知范围和基站内路基设备的部署信息，确定车路协同感知范围和车路感知置信度；
[0021]确定模块，用于利用训练好的深度强化学习网络，得出车辆与路基设备的配对决策集；
[0022]筛选模块，用于将所述配对决策集发送至云端进行全局决策处理，根据云端反馈的全局决策结果，筛选所述配对决策集中的冲突决策；
[0023]输出模块，用于在所述配对决策集中没有冲突决策的情况下，输出车路链路配对结果。
[0024]第三方面，本申请实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的基于边云计算的车路通信链路匹配方法的步骤。
[0025]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的基于边云计算的车路通信链路匹配方法的步骤。
[0026]本申请的有益效果是：
[0027]1、根据获取的自车感知范围和基站内路基设备的部署信息，确定车路协同感知范围和车路感知置信度；利用训练好的深度强化学习网络，得出车辆与路基设备的配对决策
集；将所述配对决策集发送至云端进行全局决策处理，根据云端反馈的全局决策结果，筛选所述配对决策集中的冲突决策；在所述配对决策集中没有冲突决策的情况下，输出车路链路配对结果，这样，在车辆行驶过程中，可以根据实时获取的自车感知范围、基站内路基设备的部署信息以及网络的接出入时间，分配出高效节能的车路配对方案。
[0028]2、通过与外界环境交互，利用边缘计算在网络边缘处理上的优点，基于深度强化学习的车路配对决策，以及云端基于协同优化的云端配对利用率最大化决策，根据云端反馈的全局决策结果，筛选所述配对决策集中的冲突决策，能够在确保环境感知效能基础上，减少冗余链路数量，提升车路通信鲁棒性。
附图说明
[0029]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0030]图1是本申请实施例所提供的基于边云计算的车路通信链路匹配方法的流程图之一；
[0031]图2是本申请实施例所提供的基于边云计算的车路通信链路匹配方法的流程图之二；
[0032]图3是本申请另一实施例所提供的车路配对决策DQN结构框图；
[0033]图4是本申请实施例所提供的基于边云本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边云计算的车路通信链路匹配方法，其特征在于，包括：根据获取的自车感知范围和基站内路基设备的部署信息，确定车路协同感知范围和车路感知置信度；利用训练好的深度强化学习网络，得出车辆与路基设备的配对决策集；将所述配对决策集发送至云端进行全局决策处理，根据云端反馈的全局决策结果，筛选所述配对决策集中的冲突决策；在所述配对决策集中没有冲突决策的情况下，输出车路链路配对结果。2.如权利要求1所述的基于边云计算的车路通信链路匹配方法，其特征在于，根据车辆的设定感知区域和车辆行驶速度，确定所述自车感知范围。3.如权利要求1所述的基于边云计算的车路通信链路匹配方法，其特征在于，获取路基设备的感知范围，根据所述自车感知范围和路基设备的感知范围，得到车辆与路基设备感知范围的并集，将该并集确定为车路协同感知范围。4.如权利要求1所述的基于边云计算的车路通信链路匹配方法，其特征在于，根据路基设备分布和自车行驶距离进行感知空间的划分，形成全局感知地图；根据车辆在所述全局感知地图内的位置和部署的路基设备，确定自车周围区域的置信度分布；针对所述全局感知地图内的每一个网格，确定车辆检测到的占用概率对数似然比，将车辆与基站对网格的占用概率对数似然比相加，并进行融合，得到车辆与基站设备感知融合后该网格的置信度；所述车路感知置信度为所有网格置信度之和。5.如权利要求1所述的基于边云计算的车路通信链路匹配方法，其特征在于，通过以下方式训练所述深度强化学习网络：自车随机与部署的路基设备配对，从经验池随机抽取小批量数据训练，经验池中的经验来自于自车、设备基站和道路交通的不断交互，当动作使评价网络感知范围和置信度提高，则给予奖励；通过奖励和...

【专利技术属性】
技术研发人员：俄广迅，陆由付，王勇，杜牵，李立娟，张岱峰，李研强，于良杰，
申请(专利权)人：山东省科学院自动化研究所，
类型：发明
国别省市：