基于QNX的远程车载酒驾智能监控系统

随着车辆酒驾事故的频现,车载酒驾监控系统已成为现代新型车辆的核心辅助驾驶单元。由于传统酒驾监测仪主要靠呼气模式对司机进行不定期抽检,严重影响酒驾监测的实时性和便捷性。为此,提出基于QNX的远程车载酒驾智能监控系统方案,采用以实时性和安全性著称的QNX系统搭建车载终端软件平台;引入气敏性酒精传感器来实时计算以司机驾座为中心的酒精浓度;设计基于GPRS的远程无线通信系统来实时监控车辆酒驾等级。实验表明,该方案不仅能有效降低酒驾事故发生频率,而且极大提升了车辆辅助驾驶的互联性和智能性。     

基于机器视觉的轻量级驾驶辅助系统

为了解决计算机视觉应用中数据量大、算法复杂的问题,根据道路结构特征和车辆行为特征,采用单个摄像头作为传感器,实现了一种轻量级的安全辅助驾驶系统。首先采用改进的边缘提取算法和车道线检测算法对摄像机内外参数进行离线标定;接着根据标定结果在二维平面图像上采用标识出实际空间距离的多窗口划分方法,并按不同的车间距将不同窗口划分为不同安全系数的区域,以赋予道路视觉检测的几何先验知识;当区域中出现障碍物时发出相应警示信息进行安全驾驶辅助,能为智能辅助驾驶提供轻量级的视觉检测平台。以便携式计算机和固定在车内的摄像头作为实验装置,在城市道路上进行车载实验。系统在车载实验中能够快速地提取车辆两侧的车道线,并利用离线标定的结果快速生成不同安全系数的警示区域,其中车辆在车道内正常行驶时的误检率和漏检率很小,可以忽略不计。与传统的驾驶辅助系统相比,本系统计算量大大降低,检测流程得到简化,可实现轻量级的车道和车辆检测,为系统在嵌入式系统上的实现奠定基础。     

基于雷达及北斗定位的车内防遗监测系统设计

针对近年来车辆驻停后滞留车内人员受高温致死和车内气体污染等伤害的安全问题,设计了一种基于MIMO(Multiple-Input Multiple-Output)雷达及高精度北斗定位的车内人员防遗监测系统。该系统使用MIMO雷达作为人体探测的手段,采用高精度北斗定位的车辆运动检测方法,融合现有成熟的温度、气体传感器技术、4G通信技术,并使用基于Matlab APP Designer的上位机软件作为硬件配置及测试软件;系统的车载终端硬件系统具有独立、小型化的特点,能在车内多个地方布置,在上位机平台可观察各传感器的数据变化。系统实现了车辆运动检测、车内人体探测、车内环境监测、数据无线上传等功能,验证了系统在车内监测的可行性,为车载生命监测提供了一种独立、便捷、高效的新方法。     

基于驾驶行为和速度的车内网CAN数据防注入攻击

由于车内网的开放性以及协议缺陷,其总线中数据的安全性及有效性分析是目前亟待解决的问题.利用车内CAN总线网络协议中车辆速度以及刹车油门等驾驶行为信息,提出了针对车内网CAN网络数据的防注入攻击模型.首先,基于攻击模型的分析与注入攻击特点,构建了基于驾驶行为-速度的结构模型.其次,基于该模型,利用朴素贝叶斯网络分类器,提出了面向车内网CAN数据防注入攻击分析模型,从而对接收到的车内网CAN协议中车辆行驶速度进行了有效性分析.最后通过实验仿真与验证,其结果表明,该方法能够有效地提高数据质量分析准确度.     

一种试验车辆远程监控系统设计

描述了一种试验车辆远程监控诊断系统的设计方案。在试验车辆上安装一个车载PC,利用数据采集单元与车内总线系统相连,通过移动通讯网络实现试验车辆和监控中心的通讯,监控中心能接收车辆实时状态数据,从而完成车辆的远程监控和诊断。     

基于生存理论训练机器学习的智能驾驶路径生成方法

机器学习技术广泛应用于车辆的智能驾驶,其中模型训练是该技术的关键,由于训练数据难以覆盖全部驾驶情况,使得极端状态下基于机器学习的智能驾驶系统存在失效风险,会造成重大交通事故.生存理论应用于车辆的道路安全态势感知具有理论优势,能客观地计算出车辆最大的高维生存空间,但该理论迭代计算繁琐,输出结果所需时间较长,无法满足高速车辆的实时控制,且生存核表面复杂,智能驾驶系统难以直接使用,需要将生存核转化为局部最优路径.鉴于此,设计一种基于生存理论的局部路径规划机器学习训练方法,通过对多种机器学习方法的特点进行分析,最终选定径向基神经网络来输出生存核中线投影.通过对比两种网络训练数据的输出效果,分析参数敏感性以及泛化能力,论证所提出训练方法的合理性.仿真实验表明,所训练的机器学习模型可快速输出高精度、大裕度的道路优化路径,即使使用简单的控制律也能实现无人车辆的大曲率转弯.由于所提出机器学习方法的安全性具有理论保障,又能大幅提升安全计算的实时性,在智能驾驶领域拥有广阔的应用前景.     

带有拥挤程度指示的图形化公交站牌设计

针对当前智能公交系统中电子站牌缺少车内拥挤程度显示的问题,设计全新的图形化公交站牌,提出一种基于超声波技术的拥挤程度检测方法。结合超声波测距、全球定位系统和通用分组无线服务技术改进传统车载终端,通过超声波测距确定各个超声波传感器下是否有乘客站立,对检测到乘客站立的传感器数量进行统计,以此推断车内的拥挤程度。设计开发图形化公交站牌,实现拥挤程度实时检测、行车路线实时标注和到站距离预测等功能。实验数据表明,该系统可靠性高,能准确反映车内拥挤程度,直观显示车辆位置,准确预测到站距离,满足智能公交系统的要求。     

车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均(Auto-Regressice Mo-ving Average,ARMA)模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态(行驶的方向、行驶的车道、车辆的速度和加速度)。首先,开发了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络（Bi-LSTM）及全连接神经网络（FC）的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。     

车载边缘计算中基于信誉值的计算卸载方法研究*

将移动边缘计算（Mobile edge computing, MEC）引入车载自组网形成车载边缘计算,从而使服务提供商直接利用MEC服务器在网络边缘服务用户,以提升用户体验质量和丰富用户满意度。随后,研究在车载边缘计算环境下车辆用户的计算卸载问题。针对此问题,提出相应的系统模型与使用讨价还价博弈方法以解决MEC服务器如何根据不同的任务要求与车辆信誉值分配自身的计算资源以执行不同的卸载任务。最后,通过实验仿真,验证了方案的有效性和可靠性。算资源以执行不同的卸载任务。最后,通过实验仿真,验证了方案的有效性和可靠性。     

基于负载均衡的VEC服务器联合计算任务卸载方案

在车载边缘计算(Vehicular Edge Computing,VEC)网络中,车辆计算资源受限导致无法处理海量的计算任务,需要将车载应用产生的计算任务卸载到VEC服务器上进行处理。但车辆的移动性和区域部署的差异性易导致VEC服务器负载不均衡,造成了计算卸载效率和资源利用率降低。为解决该问题,提出一种计算卸载和资源分配方案,以使用户效用最大化。将用户效用最大化问题转化成服务器选择决策和卸载比例与计算资源分配联合优化两个子问题,在此基础上设计基于匹配的服务器选择决策算法和基于Adam梯度优化法的计算任务卸载比例与资源分配联合优化算法,并对上述两种算法进行联合迭代,直至收敛,从而得到近似最优解以达到负载均衡。仿真结果表明,相比最近卸载方案和预测卸载方案,该方案能有效降低计算任务处理时延和车辆能耗,增大车辆效用,促进负载均衡。     

V2X异构车载网络下智能任务卸载策略研究

随着自动驾驶技术的迅速发展,车辆日益增长的处理需求与资源受限的车载处理器之间的矛盾日渐突出.车载边缘计算的出现解决了车载资源的物理限制,增强了单个车辆的计算能力.然而,由于车载服务通常具有时延敏感性,如何选择合适的通信接入技术,更好地满足自动驾驶场景中时延要求便成为一个挑战性难题.鉴于此,综合考虑两种V2X通信接入技术,即短距通信(DSRC)和基于蜂窝网的车载通信(C-V2X),提出一种V2X异构车载网络任务卸载模型.首先分析车辆移动性特征,并对车载资源进行虚拟化处理;然后基于半马尔科夫决策过程原理对任务卸载问题进行建模,分别制定状态、动作、奖励和转移概率;最后基于强化学习智能算法获取最优任务卸载策略,并通过大量数值仿真实验验证其任务卸载性能优于贪婪算法.     

一种基于支持向量机的车载网络异常检测方法

随着人工智能、5G、激光雷达和各类传感器等技术的不断发展与应用,无人驾驶、车联网等应运而生,汽车朝着智能化和网联化不断发展,为人们带来舒适、安全的驾驶体验。同时,网联化也打破了汽车现有的闭环状态,为车载电子系统带来了潜在的信息安全问题。为此,文章提出了基于支持向量机的车载网络入侵检测算法。通过对报文的DATA域的分析,挖掘报文的各字节特点,综合各字节和字节数据的信息熵,构成分类训练样本,训练支持向量模型,以此检测数据的可能异常。通过真实车辆数据实验分析,对模拟攻击的异常检测具有较高的检测率。     

基于物联网技术的智能车载新风系统的设计与实现

当前越来越多的人选择"自驾"出行,车主和乘客对驾驶体验和乘坐舒适性有了新的追求。本文设计了一种基于物联网技术的智能车载新风系统,该系统以STM32F103ZET6单片机为控制中心,利用DHT11温湿度传感器和MH-Z19B二氧化碳传感器检测数据,同时包含了加热器、制冷器和加湿模块、Wifi传输模块等,可以根据传感器所检测的数据自动控制车内温湿度以及二氧化碳浓度,检测数据可以通过Wifi上传至OneNET云平台,车主可以通过手机APP访问云平台,向各功能模块下达指令,实现远程控制。实验证明,该系统具有明显改善车主的驾驶体验和乘客的舒适性的效果。     

移动边缘计算在车载网中的应用综述

移动边缘计算（MEC）技术将IT服务环境与云计算技术在网络边缘结合以提高边缘网络的计算和存储能力,减少网络操作和服务交付时延; 应用MEC的车载网络可以满足车辆对服务延时和通信可靠性的严格要求,提升车辆用户的服务质量（QoS）。对移动边缘计算在车载网中的应用进行分析研究,首先概述MEC的基本概念及架构、典型应用场景;然后介绍MEC在车载网中的应用、基于软件定义网络（SDN）的车载网MEC研究现状以及车载网MEC应用实例;最后给出了车载网中部署MEC所要面临的问题和挑战,并对该领域未来的研究方向进行了展望。     

基于边缘计算的疲劳驾驶检测方法

现有疲劳驾驶检测方法通常将驾驶过程中采集的数据传输至云端进行分析,然而在车辆移动过程中网络覆盖范围、响应速度等因素会造成检测实时性差。为在车载嵌入式设备上对驾驶人疲劳状态进行准确预警,提出一种基于边缘计算的疲劳驾驶检测方法。通过改进的多任务卷积神经网络确定人脸区域,根据人脸的面部比例关系定位驾驶人的眼部与嘴部区域,利用基于Ghost模块的轻量化AlexNet分类检测眼部与嘴部的开闭状态,并结合PERCLOS和PMOT指标值实现疲劳检测。在NHTU-DDD数据集上的实验结果表明,该方法在树莓派4B开发板上的检测准确率达到93.5%且单帧平均检测时间为180 ms,在保障检测准确率的同时大幅降低了计算量,能较好地满足疲劳驾驶的实时检测需求。     

基于流量负载的电网共享服务管理平台实现

随着电力网络的高速发展,电力数据的规模与维数急速增长。为了合理地对电网系统进行应用,需要构建共享服务管理平台。首先,分析了国内外电网共享服务管理的现状,同时阐述了基于边缘计算的电力物联网的概念。然后,重点构建流量负载分配模型。流量负载分配模型用于计算终端节点接收到数据包的工作量情况。基于流量负载分配搭建共享服务管理平台架构,并对重点功能模块进行分析和设计。创新性地采用边缘计算的方法对电力网络的业务场景进行实现,并验证其可行性。最后,通过下达遥控触发指令对其监测功能进行验证,证明该管理平台具备通信、数据采集与处理等共享服务功能。该管理平台可统筹用电数据管理和分享功能,为异常用户检测、能效管理提供有效的应用价值。该研究对电力领域的网络共享服务提供了实际指导,并有助于进一步探索边缘计算对电力行业的促进作用。     

基于车辆轨迹预测的边缘资源配置方法的研究

边缘计算赋能车联网可以实现车载服务低时延和高计算量等性能需求,然而车辆的行驶具有随机性且分布不均匀,造成边缘服务器的负载不均衡以及边缘资源利用率低等问题.因此,通过基于改进的车辆轨迹预测及车流量统计方法的边缘资源配置算法得出边缘服务器的负载预测值,在尽可能减少资源空闲的前提下计算出最优边缘资源数量.实验证明,应用基于车...     

车载网络无线环境感知与反向控制的设计和实现

随着智能汽车的不断发展,车辆内部网络各层单元之间的连接日益复杂,尤其在车载内部的感知层以及执行层等单元.基于总线架构的密集有线连接方式导致了布线以及功能集成难度的增加,从而限制了智能网联车的发展.研究通过将车辆内部有线连接模式改进为无线连接模式,设计了一个基于ZigBee、Wi-Fi以及蓝牙无线混合组网的环境感知和反向...