-
公开(公告)号：CN109862536A
公开(公告)日：2019-06-07
申请号：CN201910171832.2
申请日：2019-03-07
Applicant: 同济大学
Abstract: 为了探测大规模车联网多社区间的连通并保持稳定，本发明给出大规模车联网多社区间通达性方法，将学习自动机理论应用到大规模车联网多社区间的通信方案中，通过部署在社区节点的学习自动机间信息交换与竞争，自适应调整不同路由的转发概率，从而达到从整体上优化网络通信的目的，提升大规模车联网网络通达性。
-
公开(公告)号：CN111371609B
公开(公告)日：2021-07-02
申请号：CN202010131519.9
申请日：2020-02-28
Applicant: 同济大学
Abstract: 在大规模车联网网络场景中，客观存在车辆节点间连通易变的现象，会导致传输不稳定以及丢包率高等问题，现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低。此外，现有车联网研究未考虑到特征维度高和大规模邻接矩阵稀疏问题，导致节点运算代价大、时间复杂度高等问题。本发明“基于深度学习的车联网连通预测方法”针对以上问题，给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，并结合循环神经网络对车辆节点之间的连通性进行预测，从而提升了车联网连通的稳定性，降低了数据的丢包率。
-
公开(公告)号：CN109640295A
公开(公告)日：2019-04-16
申请号：CN201910097641.6
申请日：2019-01-31
Applicant: 同济大学
Abstract: 在有基础设施的车联网中，因为有基础设施RSU的辅助，整个网络可以处于连通状态，即RSU范围内车辆可通过车车通信或RSU节点转发实现连通。然而，由于车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等各种行为，即自由度很高，导致RSU节点在对所在区域进行管理控制时不仅需要实时更新，还需要在拓扑结构发生变化时及时指导区域内的车辆节点进行连通，从而会导致RSU通信拥塞和数据丢失问题。因此，分析和解决城市道路场景中车联网网络节点的连通预测是解决车联网网络通达性问题的有效方法。本发明针对以上问题给出城市场景中有基础设施车联网面向连通预测的候选节点集构造方法，涉及连通候选节点集构造模型和连通候选节点集构造算法。
-
Patent Agency Ranking
公开(公告)号：CN109640295B
公开(公告)日：2020-08-14
申请号：CN201910097641.6
申请日：2019-01-31
Applicant: 同济大学
Abstract: 在有基础设施的车联网中，因为有基础设施RSU的辅助，整个网络可以处于连通状态，即RSU范围内车辆可通过车车通信或RSU节点转发实现连通。然而，由于车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等各种行为，即自由度很高，导致RSU节点在对所在区域进行管理控制时不仅需要实时更新，还需要在拓扑结构发生变化时及时指导区域内的车辆节点进行连通，从而会导致RSU通信拥塞和数据丢失问题。因此，分析和解决城市道路场景中车联网网络节点的连通预测是解决车联网网络通达性问题的有效方法。本发明针对以上问题给出城市场景中有基础设施车联网面向连通预测的候选节点集构造方法，涉及连通候选节点集构造模型和连通候选节点集构造算法。
-
公开(公告)号：CN109862536B
公开(公告)日：2020-06-16
申请号：CN201910171832.2
申请日：2019-03-07
Applicant: 同济大学
Abstract: 为了探测大规模车联网多社区间的连通并保持稳定，本发明给出大规模车联网多社区间通达性方法，将学习自动机理论应用到大规模车联网多社区间的通信方案中，通过部署在社区节点的学习自动机间信息交换与竞争，自适应调整不同路由的转发概率，从而达到从整体上优化网络通信的目的，提升大规模车联网网络通达性。
-
公开(公告)号：CN118568971A
公开(公告)日：2024-08-30
申请号：CN202410724910.8
申请日：2024-06-05
Applicant: 同济大学
Abstract: 本发明属于无人驾驶领域，提出了基于区块链安全信誉管理的无人驾驶车群协同模型构建方法，包括：步骤1.相关定义；步骤2.基于区块链安全信誉管理的无人驾驶车群动态演化方法；步骤3.无人驾驶车群的安全协同模型。本发明提出了信誉证明共识机制，旨在避免信誉权重的中心化；提出了基于车辆综合安全信誉评估的分布式车群动态演化算法；结合状态转换和事件触发条件，构建了无人驾驶车群安全协同模型，并对其进行了性质分析和安全性证明。本发明提高了车群整体的安全性，保障了无人驾驶车群有效抵御恶意节点的入侵，为无人驾驶运动行为能够稳定有序行驶提供了有效的安全保障，对促进无人驾驶健康快速发展，具有重要的意义和应用价值。
-
公开(公告)号：CN111371609A
公开(公告)日：2020-07-03
申请号：CN202010131519.9
申请日：2020-02-28
Applicant: 同济大学
Abstract: 在大规模车联网网络场景中，客观存在车辆节点间连通易变的现象，会导致传输不稳定以及丢包率高等问题，现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低。此外，现有车联网研究未考虑到特征维度高和大规模邻接矩阵稀疏问题，导致节点运算代价大、时间复杂度高等问题。本发明“基于深度学习的车联网连通预测方法”针对以上问题，给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，并结合循环神经网络对车辆节点之间的连通性进行预测，从而提升了车联网连通的稳定性，降低了数据的丢包率。
-
公开(公告)号：CN109874121A
公开(公告)日：2019-06-11
申请号：CN201910150328.4
申请日：2019-02-28
Applicant: 同济大学
Abstract: 无基础设施车联网连通性研究和判定方法。在有基础设施车联网中因为RSU的存在可以保证整个网络的互连，但无基础设施情况下车辆间的通信完全依赖于车辆自身互连，由于车辆在路网中分布不均，所以整个网络极大存在不连通的可能。本发明针对以上问题，对无基础设施路网中车辆节点的性质进行定义和分析，给出连通性的条件和判断方法，从而达到对无基础设施车联网(VANET)的连通性进行评估的目的，从而为无基础设施的车联网的连通性预测和连通性提供铺垫，也为无基础设施的车联网路由策略以及构建通达性方案具有重要意义。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
