MMApr, 2018

无线自主车队系统的联合通信和控制

PDF
TL;DR为实现自主车队所需的无线网络可靠性和控制系统稳定性，本文提出了一个新的框架，通过分析控制系统的稳定性和车辆间通信信道的不确定性，导出了无线系统可靠性的运算表达式，并将控制参数优化以最大化无线系统的可靠性。
autonomous platoonv2v communicationswireless networkcontrol system stabilityreliability
发现论文，激发创造
  • 基于 V2X 信息的深度强化学习协同控制

    探究基于深度强化学习 (DRL) 的车队控制器的 V2X 通信价值，并研究信息拓扑下的最优决策问题 (SSDP)，通过条件 KL 散度计算信息的重要性并在模拟实验中进行了验证。

    Mar, 2022

  • 基于多智能体深度强化学习的可扩展去中心化协同车队

    通过车辆之间的协作自主驾驶和车辆间通信，以车队行驶为应用场景，在城市环境中使用深度强化学习和物理模拟技术，实现了交通流量和安全的提升。

    Dec, 2023

  • 学习稳定、安全、分布式反馈控制器用于异构车队

    自动驾驶车辆的编队技术有潜力提高公路上的安全性和燃油效率。本论文介绍了一种用于学习分布式稳定安全控制器的算法，该算法依赖于最近在神经网络稳定性和安全证书方面的发展。通过在仿真和 100 辆车的编队中评估，实验结果表明了该算法和学习控制器的实用性，通过与线性反馈和分布式模型预测控制器的性能进行比较。

    Apr, 2024

  • 通过考虑通信相关的限制，实现连接自主车辆的协同自适应巡航控制

    本文提出了一个新的方法 CACC-OIFT 来实现自适应车队控制，它可以动态地优化信息流拓扑结构，从而在有多种交通条件的情况下提高车队的稳定性。

    Jul, 2018

  • 基于学习的车车通信的协同感知

    合作感知在自动驾驶中得到广泛应用，本研究分析了考虑通信信道损伤的合作感知性能。通过评估不同的融合方法和通道损伤，提出了一种新的后期融合方案，并采用基于卷积神经网络的自动编码器来压缩合作造成的数据大小。数值结果表明，当信噪比大于 0 dB 时，中期融合对信道损伤更具鲁棒性，提出的融合方案优于常规后期融合，并且自动编码器在检测精度和带宽使用之间提供了很好的折中。

    Nov, 2023

  • 强化学习用于联合 V2I 网络选择和自主驾驶策略

    本文提出一个基于强化学习的框架，以最小化道路碰撞、最大化通信数据速率的目标，同时优化自动驾驶车辆的网络选择和驾驶策略。通过将问题转化为马尔可夫决策过程并基于深度 Q 学习来优化加速度、减速度、变道和车辆 - 基站分配等行为，实现了安全驾驶和以改进的连通性。

    Aug, 2022

  • 端到端自动驾驶合作感知的选择性通信

    本文提出了一种基于选择性通信算法的合作感知方法，用于提高当前自动驾驶系统在障碍物干扰场景下的可靠性。通过多智能体路径规划研究的启发，将感知网络与控制网络相结合，实现了对有关导航规划最为关键的感知信息的选择传输，在安全关键驾驶场景模拟中显示出了比随机选择方法更高的成功率，同时最小化了附加通信开销。

    May, 2023

  • V2VNet: 车辆间通信用于联合感知和预测

    本文旨在探讨利用车辆间通信（V2V）来提高自动驾驶汽车的感知和运动预测性能，通过聚合来自多个附近车辆的信息，我们可以从不同视角观察相同的场景，可以穿透遮挡物并检测长距离的行为者，通过使用压缩的深度特征图激活的方法，达到高精度的目的，同时满足通信带宽要求。

    Aug, 2020

  • 评估自主编队算法的基准测试平台的设计与实现

    自主驾驶车队展现中短期机会以提高运营效率和挽救生命。本文介绍了一个可以评估和基准测试装载传感器的 1/10 比例车辆车队算法的测试平台，通过对典型车队场景进行变速的参考轨迹跟踪的实验，评估了线性反馈和两种分布式模型预测控制算法，并验证了算法的性能随车队规模增加而增加，结果表明分布式模型预测控制算法在硬件和仿真中优于线性反馈。

    Feb, 2024

  • 多时间尺度控制和通信与深度强化学习 -- 第一部分：通信感知车辆控制

    一种基于深度强化学习的多时间尺度控制和通信的联合优化框架被提出，以车队控制（PC）为示例应用。为了改善 PC 在随机观察延迟下的性能，采用了细粒度嵌入式模拟 C-V2X 通信生成的延迟环境进行训练，并与基线 DRL 算法的性能进行比较。

    Nov, 2023