XiaoMi-AI文件搜索系统
World File Search Systemv2i
使用DRL和V2I
背景：交叉点是我们道路上的关键点，经常成为拥塞和事故的热点。目标：通过DRL和V2I的整合，该计划旨在改善交通流通，减少交通拥堵并提高城市地区的运输效率。方法：该倡议在将车辆到基础结构（V2I）与深度强化学习（DRL）合并以改变城市运输，重点关注交叉路口管理方面。统计分析：传统方法，例如静态标志和交通信号灯，通常不足，因为它们更多地关注整个交通流量，而不是单个车辆的特定行为。为了解决这个问题，我们正在引入一种新的策略，该战略采用了深入的强化学习（DRL）来更好地管理车辆在交叉口的转弯。发现：一种优化的DRL算法，可增强安全性，最大程度地减少拥塞，减少未信号交叉点的等待时间。应用和改进：拟议的交叉路口管理系统可以适应各种交叉路口布局（例如T-界面，回旋处）和多元化的交通参与者（例如，公共汽车，自行车，自行车，行人）。此外，与既定的交通管理基础架构（如交通信号灯或坡道仪表）的集成可以提高城市或区域层面的整体交通效率和流动优化。
增强了对障碍物交叉路口自动驾驶汽车的看法：实施基础设施（V2I）协作
摘要：在城市交叉点中，自动驾驶汽车（AV）的感觉能力通常受到视觉障碍的阻碍，对其稳健且安全的操作构成了重大挑战。本文介绍了一项实施研究，旨在在城市交叉点被遮挡的情况下，在情况下增强连接的自动化车辆（CAVS）的安全性和鲁棒性。为路边传感建立了一种新颖的LIDAR基础设施系统，并结合Baidu Apollo的自动驾驶系统（ADS）和Cohda Wireless V2X通信硬件，并建立了一个集成平台，以增强自主驱动的路边知觉。现场测试是在新加坡Cetran（自动驾驶汽车测试和研究卓越中心 - NTU）自动驾驶测试轨道上进行的，并遵守SAE J2735 V2X通信标准。沟通延迟和数据包输送率分析为评估指标。测试结果表明，该系统可以帮助CAV在城市阻塞的情况下提前检测障碍。
提高 V2I 辅助自动驾驶的燃油经济性：强化学习方法
摘要 — 提出了一种新颖的框架，借助车对基础设施 (V2I) 通信网络提高自动驾驶汽车 (AV) 的驾驶安全性和燃油经济性。驾驶轨迹设计问题旨在最小化总燃料消耗，同时提高驾驶安全性（通过遵守交通规则和避开障碍物）。为了解决这个相关问题，提出了一种深度强化学习 (DRL) 方法来做出无碰撞决策。首先，提出了一种深度 Q 网络 (DQN) 辅助算法，通过从基站 (BS) 接收实时交通信息来确定 AV 的轨迹和速度。更具体地说，AV 充当代理，通过与环境交互来执行最佳动作，例如变道和变速。其次，为了克服 Q 学习模型对动作值的过高估计，提出了一种双深度 Q 网络 (DDQN) 算法，将最大 Q 值操作分解为动作选择和动作评估。此外，还提出了三种实用的驾驶策略作为基准。数值结果证明，所提出的轨迹设计算法能够提高 AV 的驾驶安全性和燃油经济性。我们证明了所提出的基于 DDQN 的算法优于基于 DQN 的算法。此外，还证明了从 DRL 算法衍生而来的基于燃油经济性 (FE) 的驾驶策略能够比基准节省超过 24% 的燃油。
安全车辆到基础设施通信的量子衍生密钥的实际实现
摘要：我们在 Innovate UK AirQKD 项目下开发的车辆到基础设施 (V2I) 应用中提供了自由空间光量子密钥分发 (FSO-QKD) 系统的实际实现。FSO-QKD 系统提供量子安全加密密钥，作为整个 V2I 应用中安全通信的基础，以解决已知的 V2I 安全问题。本文档包括量子密钥生成过程和已部署的 V2I 技术的摘要。随后，介绍了系统设计、实际实验及其执行的高级视图。多个 AirQKD 项目合作伙伴开发了从半导体和硬件到安全协议和软件等技术，以实现 QKD 安全的 V2I 系统。开发的技术包括一种用于保护 V2I 通信的新型零信任安全协议，确保系统不会接受来自受感染设备的伪造 V2I 消息。
MEC的可重新配置智能计算表面...
摘要 - 在本文中，我们专注于通过使用车辆到基础结构（V2I）链接从蜂窝车辆（CVS）卸载的任务来提高自主驾驶安全性，并将其转移到多访问Edge Computing（MEC）服务器。考虑到可以将用于V2I链路的频率重复用于车辆到车辆（V2V）通信以改善频谱利用率，因此每个V2I链接的接收器可能会严重干扰，从而导致任务卸载过程中的中断。为了解决这个问题，我们建议部署可重新配置的智能构成表面（RIC），不仅可以启用V2I反射性链接，而且还可以在V2V链接处取消利用其超材料的计算能力。我们为CVS和MEC服务器之间的任务卸载比率，V2V和V2I通信之间的频谱共享策略以及RICS反射和折射矩阵设计了联合优化公式，目的是最大程度地利用基于安全的自动驱动任务。由于问题的非跨性别性和自由变量之间的耦合，我们将其转换为更易于处理的等效形式，然后将其分解为三个子问题，并通过替代近似方法求解。我们的仿真结果证明了拟议的RIC优化在提高自动驾驶网络安全性方面的有效性。索引项 - 功能，自动驾驶，多访问边缘计算，频谱共享，任务卸载。
K-AUS通信技术报告
图1。V2V Örnek Gösterimi ..................................................................................................................... 5 Şekil 2.v2i样本描述
车辆作为移动计算平台
车辆计算车辆计算的定义与能够在CVS上执行计算的技术有关，从而使它们可以用作移动组合，通信，能源消耗和存储，传感，以及用于各种边缘启用服务的数据存储平台。强调，简历是有希望的移动计算平台，即使车辆被停放或充电，也可以帮助分析来自车载传感器和周围连接的设备/事物的数据流。根据车辆计算的概念，即将到来的车辆计算范式在图2 [3]中描述，由车辆到基础设施（V2I），车辆对车辆（V2V）以及可能的车辆对车辆（V2X）通信驱动。“ v2i”一词是指使车辆能够直接与运输系统的固定组件进行交互的通信框架，例如交通信号，路边传感器，气象站和其他基础设施元素。V2X允许连接的车辆不仅与各种运输系统建立通信
Avstack：一个开源，可重新配置的自动驾驶汽车开发平台
自动驾驶汽车（AV）的先驱承诺将彻底改变驾驶体验和驾驶安全性。但是，AV中的里程碑的实现比预测慢。罪魁祸首包括（1）所提出的最先进的AV组件缺乏可验证性，以及（2）进行下一级评估的停滞，例如车辆到基础设施（V2I）和多主体协作。部分地，进展受到了：AV中的大量软件，摩尔群体不同的约定，跨数据集和模拟器进行测试的难度以及先进的AV Components的僵化性。为了应对这些挑战，我们提出了Avstack 1，2，一个开源，可重新配置的AV设计，实施，测试和分析的软件平台。Avstack通过在数据集和基于物理的模拟器上启用首个贸易研究来解决验证问题。avstack将停滞问题作为一个可重构的AV平台，建立在高级编程语言中的数十个开源AV Component上。我们通过在多个基准数据集中的纵向测试和V2I合作案例研究中证明了Avstack的力量，这些案例研究探讨了设计多传感器，多试剂算法的权衡。
通过中继和汇总集体感知消息，增强对智能运输系统的脆弱道路用户意识
摘要：集体感知服务（CPS）允许连接的车辆通过与其他车辆和基础设施共享有关对象的动态状态的信息来获得其环境的更全面的了解。通过车载传感器检测到的对象通过车辆到车辆（V2V）或车辆对基础设施（V2I）通信共享。但是，V2V通信的范围有限，可以部署路侧单元（RSU）以增强范围并减轻V2V信号传播的负面影响。我们通过RSU增强了车辆网络，以汇总和向前的集体感知消息（CPM）从相邻车辆中收到的，从而改善了整体环境感知和易受伤害的道路使用者（VRUS）的对。根据ETSI ITS-G5标准，我们的仿真结果证明了CPS在城市交叉点方案中的有效性，显示了其他V2I通信和RSU对VRUS车辆感知的部署的积极影响。添加RSU会导致VRU感知的显着改善，而网络通道上的数据包丢失则适度增加。