面向软件定义车联网的鲁棒融合定位算法及可靠数据分发机制研究

The vehicular high-speed movement and rapid changing of the network topology result in lower communication reliability and longer communication latency in Internet of Vehicle. Aiming at this problem, this project based on software defined vehicular networking architecture, follow the principle of separating data distribution and control strategy, take the current and predicted position of vehicles as the prior knowledge, sense and predict the dynamic change of network topology, design data distribution mechanism with the feature of high reliability and low latency. Firstly, in order to solve the vehicular positioning problem in complex environment, we establish functional relationship between the degree of strength in positioning accuracy and information distribution coefficient, build adaptive information distribution coefficient adjustment algorithm, and combine with fault detection fast algorithm, then design robust vehicular integrated positioning algorithm, which can be adapted to different environment. Secondly, on the basis of the huge amounts of vehicle position data collected by data plane, take deep learning as data analysis approach, build road short-term traffic flow prediction algorithm to mine the traffic information, and then design vehicular position prediction algorithm to estimate the next time cycle of vehicle position based on traffic information, vehicle history trajectory and real-time vehicle velocity. Finally, start from the change of current and predicted vehicle position, predict the next time cycle of network topology and sense the dynamic changes of the global network, at the same time, build the constrained optimal model to choose the best next-hop node for reliable communication.

车辆的高速移动和网络拓扑结构的快速变化导致通信可靠性下降、延迟增加。针对此问题，本项目以软件定义车联网体系结构为基础，遵循数据分发与控制策略相分离的原则，以车辆当前位置和预测位置为先验知识，感知并预测网络拓扑结构的动态变化，设计高可靠低延迟的数据分发机制。首先，建立定位精度强弱度与信息分配系数间的函数关系，构建自适应信息分配系数调整算法；结合故障检测快速算法，设计能适应不同环境的、鲁棒的车辆融合定位算法，解决复杂环境下的车辆定位问题；然后，以所采集的海量车辆位置数据为基础，以深度学习为数据分析方法，构建道路短时交通流预测算法挖掘出路况信息，并以路况信息、车辆历史行车轨迹和实时速度为基础，设计车辆位置预测算法去估算下一时间周期的车辆位置；最后，从车辆当前位置和预测位置出发，预测下一时间周期的网络拓扑结构，感知全局网络的动态变化，并构建有约束条件的最优模型选择最佳的下一跳节点进行可靠通信。

车联网产业的发展，有利于提升汽车网联化、智能化水平，实现自动驾驶，发展智能交通，促进信息消费，对我国推进供给侧结构性改革、推动制造强国和网络强国建设、实现高质量发展具有重要意义。. 本课题首先研究卫星定位、超宽带定位和惯性定位的数据融合，设计了基于联邦卡尔曼滤波的组合定位算法，获取准确的车辆位置，解决了复杂城市环境下的车辆鲁棒定位问题；然后以海量的交通数据为基础，研究了基于长短期记忆（Long Short-Term Memory，LSTM）网络的城市道路交通速度预测算法，获取道路平均行驶速度，同时利用车辆当前位置和道路平均行驶速度去估算下一时间周期的车辆位置，通过车辆位置的变化来感知通信网络拓扑结构的演变；最后基于车辆位置、实时速度和道路平均行驶速度，提出了链路连通时间计算方法，并设计了基于链路连通时间预测和边缘辅助的车联网路由协议，提高了通信链路的稳定性；本课题进一步地提出了大尺寸数据块（Large-Size Data Block）的传输方法，利用OFDM-UWB的大带宽，可以在较短的时间内完成数据的传输，降低通信的时延。. 本项目所提出的组合定位算法和超宽带定位技术可以应用于中低速的无人驾驶场景；所提出的链路连通时间预测和边缘辅助的车联网路由协议可以为C-V2X的通信提供借鉴，可以利用5G通信网络实现位置感知和高可靠低延时通信。