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