謝済全_Jiquan Xie|Homepage

研究项目

[1]基于博弈论Multiuser Collaborative Mobility Control研究
[2]基于图搜索V2P-NOMA Path Planning研究
[3]基于强化学习CWS-V2V Trajectory Planning研究

研究方向

车联网(V2X), 自动驾驶-路径规划 (Motion Planning)，博弈论，强化学习

研究内容 1

基于博弈论Multiuser Collaborative Mobility Control研究

多智能终端在复杂交通环境下，受限于外界干扰和噪声影响，无线传输的通信性能存在瓶颈，传统算法的精度低和时间复杂度高。提出一种基于多用户协同的新型“势博弈算法IPG”，该算法充分利用“合作”的移动特性, 突破用户固有Selfish传输瓶颈。相比传统算法吞吐量性能提高27.27%，复杂度降低60.39%。[J4, C13]

研究内容 2

基于图搜索V2P-NOMA Path Planning研究

Vehicular data offloading作为车载5G技术的闭环，即通过车-智能终端(V2P)将数据传输到Edge server或者云端，实现低延时高速通信。为了解决复杂交通下基于NOMA通信的车辆Path Planning问题(NP-hard)，提出一种基于冲突图的搜索(MTOP)算法，通过计算Upper bound 和Lower bound，得到近似最优解的Domain，从而降低时间复杂度。相比传统图搜索算法，时间复杂度降低44.12%，通信延迟降低37.91%。[J3, C12]

研究内容 3

基于强化学习CWS-V2V Trajectory Planning研究

在CWS的解决方案中，如何有效的平滑变轨，防止车辆碰撞，一直是ADAS研究的焦点。但是，当前大部分V2V控制研究并没有考虑在实时通信系统中的落地。我们提出一种在NOMA通信系统中，基于强化学习的Trajectory Planning控制方法。区别于传统方法，我们计算了在NOMA-CWS通信帧的阈值，在决策层增加了强化学习模块和碰撞阈值报警模块，最后利用粒子群优化(PSO)对轨迹进行优化。参考工业界指标 (百度Apollo，丰田)，该方案在满足防碰撞的NOMA系统中，变轨的平滑度和提升了12.78%。[Under view]