论文部分内容阅读
协作式自动驾驶(Cooperative Autonomous Driving)融合了自主式智能和车联网技术(本文特指Vehicle-to-Everything,V2X),可以实现协作感知和协同操作,能够有效提升自动驾驶汽车的智能化水平,增强安全性和舒适性,降低能源消耗,改善通行效率。由于协作式自动驾驶对时延、可靠性、速率和覆盖范围等通信指标要求很高,以LTE-V2X(Long Term Evolution-V2X)和DSRC(Dedicated Short Range Communication)为代表的现有车联网技术难以满足需求。为此,业界在 201 5 年左右开始对基于 5G(5th Generation Mobile Networks)的V2X演进技术进行研究。本文围绕从原理设计和设备研发到商业部署运营再到技术演进发展过程中,5G-V2X无线传输技术及其优化方法研究中存在的4个关键技术问题展开。这些问题包括:5G-V2X原型系统无线传输方案设计与验证;商用异系统共存场景功率分配;城市级(Citywide)5G-V2X网络负载预测;以及复杂优化模型的通用求解工具。本文的主要研究工作和创新如下:(1)在5G-V2X原型系统无线传输方案设计与验证研究方面,分析了协作式自动驾驶对5G-V2X通信的低时延高可靠与高流量高移动性联合需求,提出了包括基于分层异构网络架构的移动性管理机制,基于移动边缘计算的本地化数据传输机制,以及基于信道处理优化和快速重传的低时延高可靠机制在内的5G-V2X无线传输设计方案;通过仿真和现场实验,验证了所提方案满足系统性能指标要求。支撑了国内首个包括V2V在内的所有链路达到5G-V2X指标要求的车队协作式自动驾驶功能验证。(2)在商用异系统共存场景功率分配研究方面,首先结合如何激励运营商向非签约用户共享授权频谱资源这一现实问题,从经济学角度对边链路(Sidelink)与上行链路(Uplink)共享频谱资源场景下的功率分配模型进行分析,定义了一种新的经济能效度量指标;在此基础上,提出了一种基于斯坦科尔伯格博弈(Stackelberg Game)的功率分配方案。其中,宏基站通过优化干扰定价获得最大效用,而V2X终端通过优化经济能效获得最大效用。通过问题转化证明了斯坦科尔伯格均衡的唯一性,求解出宏基站的最优定价和V2X终端的最优发送功率。(3)在城市级(Citywide)5G-V2X网络负载预测研究方面,首先综合基于深度学习的交通流量预测和无线网络流量预测两个领域研究成果,分析了在一个模型下同时对城市级5G-V2X网络中各区域网络负载涉及的用户数量、迁移趋势和网络流量等多个时变属性进行联合预测的可行性;然后,分析了现有卷积神经网络模型对网格化区域划分的依赖带来的局限性,并对非规则区域划分下多个时变属性联合预测问题进行定义;在此基础上,提出了一种基于置换的样本重构方法和置换时空残差网络模型,将现有模型的应用范围拓展到非规则划分场景,并支持多个时变属性联合预测;最后证明了所提方法和模型解决了非规则划分问题,提升了模型预测精度,并具有良好的泛化性能。(4)在复杂优化模型的通用求解工具研究方面,首先选择了以通用性较强的群体智能工具布谷鸟搜索(Cuckoo Search,CS)算法为研究对象,对其在车联网无线传输最优化问题研究中的应用,以及CS算法现有主要改进和变体进行了分析,设立了优化算法收敛速度和精度的研究目标;在此基础上,提出了一种融合子群体划分策略、灰狼优化和动态自适应步长等机制并具有全局收敛性的改进CS算法;最后通过仿真结果证明了所提算法在收敛速度、收敛精度等方面明显优于现有标准CS算法、基于重复周期渐近自学习和自演化扰动的改进CS算法,以及其他多种群体智能算法。本文在上述功率分配、网络负载预测和求解工具优化等方面的研究成果不仅对5G-V2X适用,而且对于正在规模商用的LTE-V2X也具有重要的理论意义和应用价值。