详情

原文传递基于移动边缘计算的车路协同感知策略研究

论文题名：	基于移动边缘计算的车路协同感知策略研究
关键词：	车路协同;移动边缘计算;强化学习;智能驾驶;智能交通系统
摘要：	随着智能驾驶技术的发展，单车智能的不足越来越明显：一方面，智能驾驶算法越来越复杂，单车智能方案只能将计算任务部署在车端，这增加了单车处理器的计算成本；另一方面，单车的感知范围有限，在许多场景下存在无法解决的感知视野盲区，降低了智能驾驶的安全性。本研究针对以上两个技术难题，从车端与路端的协同入手，分别开展了以下两个研究重点：一是设计了一种适用于智能驾驶车辆的移动边缘计算系统，可以有效调度车端与路端的计算资源，降低智能驾驶算法的计算成本，优化整个智能交通系统的性能表现；二是在分别实现车端多源信息感知融合和路端感知的基础上，将车路感知信息进行空间融合，拓展了智能驾驶车辆的感知范围。最后，通过将车路协同感知的算法节点作为移动边缘计算系统的输入，将以上两个研究重点结合起来，从而得出车路协同感知算法在系统级别的优化结果，进而验证了基于移动边缘计算的车路协同感知策略。　　以上研究内容具体包含：　　（1）设计了一种面向车路协同感知计算任务的移动边缘计算系统，具体包括系统组成、网络模型和任务执行模型。该系统模型由路端的边缘服务器、信息传输设备、车端和路端的本地计算机组成，并定义了计算任务的卸载方式，以及推导了计算任务的计算代价。通过综合考虑计算时延与能耗，给出了系统优化方程。　　（2）对系统进行了马尔可夫过程构造，即设计了系统状态空间、动作空间和奖励函数。基于强化学习理论，设计了一个具有两层中间层的深度神经网络，来表征动作策略网络和评价网络；为获得智能体与环境的反馈，开发了移动边缘计算系统仿真环境；基于已经求得的系统优化方程，设计了算法目标方程，作为神经网络参数的更新参考；基于Adam优化方法，对神经网络参数进行迭代更新，最终训练得到最优参数。将训练好的神经网络作为移动边缘计算系统的最优卸载策略，进行计算任务的卸载调度。　　（3）基于深度学习方法，用车载相机实现了行人检测；通过将RGB图像与激光雷达点云进行关联，融合了车载相机与车载激光雷达之间的感知信息，从而获得行人的位置信息。在路端通过相机实现行人检测，并通过获得像素坐标系与世界坐标系之间的单应性矩阵，实现了路端相机对行人位置的感知。　　（4）设计了对车端与路端感知信息进行空间融合的算法。通过获取车端与路端的GNSS坐标，并进行局部坐标与全局坐标的转换，将路端的感知信息转换至车端坐标系下，从而扩展了智能驾驶车辆的有效感知视野。分别在弯道处感知视野受限场景、行人从路侧障碍物后突然穿行场景和直角弯行人穿行场景三个试验场景下，验证了车路协同感知算法的效果。　　（5）对本文实现的感知算法进行了建模，并代入到移动边缘计算系统的最优任务卸载策略中，获得相应的卸载动作，并在仿真环境中评估整体系统性能。试验结果验证了移动边缘计算系统的提升效果：通过合理的卸载动作，有效降低了算法的执行时延和能耗，相对于单车智能而言，系统性能有了较大提升。
作者：	王新群
专业：	车辆工程
导师：	王建华
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2022