CN114945154A - 车辆位置预测方法、装置、电子设备和计算机程序产品 - Google Patents
车辆位置预测方法、装置、电子设备和计算机程序产品 Download PDFInfo
- Publication number
- CN114945154A CN114945154A CN202210613383.4A CN202210613383A CN114945154A CN 114945154 A CN114945154 A CN 114945154A CN 202210613383 A CN202210613383 A CN 202210613383A CN 114945154 A CN114945154 A CN 114945154A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- dfrc
- signal
- determining
- position information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004590 computer program Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000004891 communication Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及车联网技术领域,提供一种车辆位置预测方法、装置、电子设备和计算机程序产品。所述方法包括:根据车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息,确定双功能雷达通信信号在下一时刻到达车辆的第一到达角,根据第一出发角向车辆发送包括预测信息的双功能雷达通信信号,预测信息包括第一到达角和第一距离;根据双功能雷达通信信号的回波信号确定车辆在当前时刻的位置信息,根据位置信息、车辆位置估计模型以及训练数据集确定车辆位置估计值,根据车辆位置估计值预测车辆的位置信息。通过从回波信号中提取的特征参数,将特征参数与训练数据集对车辆位置估计模型进行二次训练,从而提高了车辆位置预测的准确性。
Description
技术领域
本申请涉及车联网技术领域,具体涉及一种车辆位置预测方法、装置、电子设备和计算机程序产品。
背景技术
目前,主要通过OBD(On Board Diagnostics)故障***对汽车运行过程中的实时状态数据进行采集,以及将结合OBD所采集的数据与神经网络进行结合,以对汽车的位置状态进行预测。对于OBD数据的使用和对位置状态预测精度仍然不够,难以满足人们的需求,其中,主要采用的方法有基于回归的预测、基于随机森林的预测、基于SVM(Support VectorMachine,支持向量机)的预测以及基于神经网络的预测,但这些车辆位置预测方式的预测精度低。
发明内容
本申请实施例提供一种车辆位置预测方法、装置、电子设备和计算机程序产品,用以解决车辆位置预测精度低的技术问题。
第一方面,本申请实施例提供一种车辆位置预测方法,包括:
根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
在一个实施例中,所述根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,包括:
根据所述第一预测位置信息,确定在所述当前时刻所述车辆相对于所述路侧单元的第一距离以及相对于所述路侧单元的发射信号的第一出发角;
根据所述第二预测位置信息,确定在所述下一时刻所述车辆相对于所述路侧单元的第二距离以及相对于所述路侧单元的发射信号的第二出发角;
根据所述第一距离、所述第一出发角、所述第二距离以及所述第二出发角,确定所述DFRC信号在所述下一时刻到达所述车辆的第一到达角。
在一个实施例中,所述根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,包括:
根据所述估计位置信息以及所述训练数据集确定待训练数据集;
确定所述车辆位置估计模型的损失函数;
根据所述待训练数据集以及所述损失函数对所述车辆位置估计模型进行训练。
在一个实施例中,所述确定所述车辆位置估计模型的损失函数,包括:
确定多类交叉熵损失、经验交叉熵损失以及最小化速度和方向的均方误差;
根据所述确定多类交叉熵损失、所述经验交叉熵损失、所述最小化速度和方向的均方误差、预设权重系数以及训练样本个数,确定所述车辆位置估计模型的损失函数。
在一个实施例中,确定多类交叉熵损失,包括:
根据所述车辆的实际坐标确定酉向量;
根据所述酉向量、所述车辆位置估计模型预测的坐标信息以及经验交叉熵函数,确定所述多类交叉熵损失。
第二方面,本申请实施例提供一种车辆位置预测方法,应用于车辆,包括:
接收路侧单元发送的DFRC信号;
根据所述DFRC信号获取第一到达角和第一距离;
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
在一个实施例中,所述根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角,包括:
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度以及所述路侧单元发送所述DFRC信号的时间间隔,确定所述DFRC信号在下一时刻到达所述车辆的第三到达角;
根据所述第三到达角、所述第一到达角以及所述预设权重系数,确定所述第二到达角。
第三方面,本申请实施例提供一种车辆位置预测装置,包括:
第一确定模块,用于根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
第二确定模块,用于根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
第一接收模块,用于根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
预测模块,用于根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
第四方面,本申请实施例提供一种车辆位置预测装置,包括:
第二接收模块,用于接收路侧单元发送的DFRC信号;
获取模块,用于根据所述DFRC信号获取第一到达角和第一距离;
第三确定模块,用于根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
发送模块,用于根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
第五方面,本申请实施例提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述程序时实现第一方面或第二方面所述的车辆位置预测方法的步骤。
第六方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现第一方面或第二方面所述的车辆位置预测方法的步骤。
本申请实施例提供的车辆位置预测方法、装置、电子设备和计算机程序产品,通过根据车辆的历史位置信息,确定车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;根据第一预测位置信息以及第二预测位置信息,确定双功能雷达通信DFRC信号在下一时刻到达车辆的第一到达角,并根据第一出发角向车辆发送包括预测信息的DFRC信号,预测信息包括第一到达角和第一距离;根据DFRC信号的回波信号确定车辆在当前时刻的位置信息,并根据位置信息以及车辆位置估计模型确定车辆在当前时刻的估计位置信息;根据估计位置信息以及训练数据集对车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测车辆的位置信息。通过GRU模块提取回波信号的特征参数,基于该特征参数与训练数据集对车辆位置估计模型进行二次训练,从而提高了车辆位置预测的准确性。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的车辆位置预测方法的流程示意图之一;
图2是本申请实施例提供的车辆位置预测方法的流程示意图之二;
图3是本申请实施例提供的车辆位置预测方法的流程示意图之三;
图4是本申请实施例提供的车辆与路侧单元的通信示意图;
图5是本申请实施例提供的基于车辆位置估计模型确定车辆位置估计值的流程示意图;
图6是本申请实施例提供的车辆位置预测装置的结构示意图之一;
图7是本申请实施例提供的车辆位置预测装置的结构示意图之二;
图8是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例提供的车辆位置预测方法的流程示意图之一。参照图1,本申请实施例提供一种车辆位置预测方法,应用于路侧单元,包括:
步骤S10,根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
需要说明的是,参考图4,由于车辆在具有高移动性车辆且随机复杂道路上行驶,需要考虑毫米波mMIMO路侧单元(Road Side Unit,RSU)。该路侧单元配备有Nt个发送天线和Nr个接收天线,用于服务具有Nv个天线的车辆,d表示路侧单元与车辆的距离,为信号在车辆天线阵列上的到达角(AoA),θ为发射信号的出发角(或离开角)(AoD),由于车辆行驶方向随机,所以到达角不一定等于出发角。
本实施例中,路侧单元根据车辆的历史位置信息,预测车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息,可以理解的是,当前时刻为t时刻,下一时刻为t+1时刻。例如,在t时刻,路侧单元拥有t-1、t-2和t-3时刻车辆的历史坐标信息,分别为其中,该历史坐标信息是指通过车辆位置估计模型估计得到的坐标值。然后利用动力学方程,并假设在信号发送的短时间间隔内车辆加速度保持不变,预测出t时刻和t+1时刻的坐标(x't,y't)、(x”t+1,y”t+1),表示为:
步骤S20,根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
需要说明的是,本申请路侧单元的信号采用通感一体化中的双功能雷达通信(Dual-functional radar-communication,DFRC),同时具有通信和感知两个功能。
本实施例中,路侧单元在预测出t时刻和t+1时刻的位置信息后,根据第一预测位置信息以及第二预测位置信息,确定双功能雷达通信DFRC信号在t+1时刻到达车辆的第一到达角,然后根据第一出发角向车辆发送包括预测信息的DFRC信号,其中,预测信息包括第一到达角和第一距离。
具体地,根据第一预测位置信息以及第二预测位置信息,确定双功能雷达通信DFRC信号在下一时刻到达车辆的第一到达角包括:
步骤S21,根据所述第一预测位置信息,确定在所述当前时刻所述车辆相对于所述路侧单元的第一距离以及相对于所述路侧单元的发射信号的第一出发角;
步骤S22,根据所述第二预测位置信息,确定在所述下一时刻所述车辆相对于所述路侧单元的第二距离以及相对于所述路侧单元的发射信号的第二出发角;
步骤S23,根据所述第一距离、所述第一出发角、所述第二距离以及所述第二出发角,确定所述DFRC信号在所述下一时刻到达所述车辆的第一到达角。
本实施例中,路侧单元根据t时刻的位置信息计算车辆在t时刻相对于路侧单元的第一距离和发射信号的第一出发角。例如,假设t时刻预测的坐标为(x't,y't),那么在t时刻车辆与路侧单元之间的第一距离为:
在t时刻,路侧单元的发射信号的第一出发角为:
路侧单元根据t+1时刻的位置信息计算车辆在t+1时刻相对于路侧单元的第二距离和发射信号的第二出发角。例如,假设t+1时刻预测的坐标为(x”t+1,y”t+1),那么在t+1时刻车辆与路侧单元之间的第二距离为:
在t+1时刻,路侧单元的发射信号的第二出发角为:
最后,路侧单元根据第一距离、第一出发角、第二距离以及第二出发角,预测DFRC信号在t+1时刻到达车辆的第一到达角,可理解的是,第一到达角是指在t+1时刻,DFRC信号在车辆天线阵列上的到达角。例如,预测出t+1时刻车辆的第一到达角表示为:
需要说明的是,路侧单元根据第一出发角向车辆发送的DFRC信号中,还可以包括其他预测信息,如第一出发角、第二出发角、第二距离。
步骤S30,根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
需要说明的是,本申请的车辆位置估计模型是一种GRU(gated recurrent unit,门控循环单元)模型,GRU是一种循环神经网络(Recurrent Neural Network,RNN)。
在本实施例中,路侧单元基于计算得到的第一出发角向车辆发送DFRC信号后,一部分DFRC信号被车辆接收,另一部分DFRC信号反射回路侧单元,可以理解的是,反射回路侧单元的DFRC信号为回波信号。
路侧单元根据反射的回波信号确定车辆在t时刻的位置信息,例如,路侧单元采用深度学习方法获取当前时刻的车辆坐标,基于GRU(Gate Recurrent Unit)模块提取回波信号中的参数,并进行对提取的参数进行预处理,得到车辆位置的横纵坐标参数。
路侧单元从回波信号中提取到车辆当前时刻的位置信息后,基于根据当前时刻的位置信息以及车辆位置估计模型,确定车辆在当前时刻的估计位置信息。例如,将当前时刻的位置信息输入车辆位置估计模型,输出结果为估计的横纵坐标参数,具体地,参考图5,通过上一个传输下来的状态ht-1和当前节点的输入xt来获取重置门控rt和更新门控zt,表示为:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
其中,σ()是sigmoid激活函数,Wz和Wr是训练参数,ht-1是输入信号,xt是历史状态信息。
结合更新门控,用1-zt遗忘ht-1中一些不重要的信息,并加入当前节点输入的某些维度信息,得到最终输出ht,表示为:
步骤S40,根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
在本实施例中,路侧单元采用估计位置信息与训练数据集对车辆位置估计模型进行再次训练,得到车辆位置估计值,然后将该车辆位置估计值作为下次预测车辆位置的参数,也即,基于车辆位置估计值可以预测车辆在其他时刻(如t+2时刻,t+3时刻等)的位置信息。
可以理解的是,训练数据集是指二次训练数据集,包括带有车辆GPS定位的横纵坐标、车辆当前状态的瞬时速度和行驶方向等信息。
可以理解的是,本申请采用车辆位置估计模型确定车辆的坐标估计值,然后基于该坐标估计值预测车辆的位置信息。
本申请实施例提供一种车辆位置预测方法,通过根据车辆的历史位置信息,确定车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;根据第一预测位置信息以及第二预测位置信息,确定双功能雷达通信DFRC信号在下一时刻到达车辆的第一到达角,并根据第一出发角向车辆发送包括预测信息的DFRC信号,预测信息包括第一到达角和第一距离;根据DFRC信号的回波信号确定车辆在当前时刻的位置信息,并根据位置信息以及车辆位置估计模型确定车辆在当前时刻的估计位置信息;根据估计位置信息以及训练数据集对车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测车辆的位置信息。通过GRU模块提取回波信号的特征参数,基于该特征参数与训练数据集对车辆位置估计模型进行二次训练,从而提高了车辆位置预测的准确性。
参考图2,图2是本申请实施例提供的车辆位置预测方法的流程示意图之二。
在本申请实施例中,所述根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,包括:
步骤S41,根据所述估计位置信息以及所述训练数据集确定待训练数据集;
步骤S42,确定所述车辆位置估计模型的损失函数;
步骤S43,根据所述待训练数据集以及所述损失函数对所述车辆位置估计模型进行训练。
在本实施例中,通过车辆位置估计模型确定车辆的估计位置信息(即估计的横纵坐标参数)后,将该估计位置信息与训练数据集结合,得到待训练数据集,同时确定车辆位置估计模型的损失函数,再根据待训练数据集以及损失函数对车辆位置估计模型进行训练。例如,将估计的横纵坐标参数与二次训练数据集(包括带有车辆GPS定位的横纵坐标、车辆当前状态的瞬时速度和行驶方向等信息)结合再进行DNN(Deep Neural Networks,深度神经网络)训练。
在一个实施例中,确定车辆位置估计模型的损失函数的步骤包括:
步骤S420,确定多类交叉熵损失、经验交叉熵损失以及最小化速度和方向的均方误差;
步骤S421,根据所述确定多类交叉熵损失、所述经验交叉熵损失、所述最小化速度和方向的均方误差、预设权重系数以及训练样本个数,确定所述车辆位置估计模型的损失函数。
在本实施例中,确定多类交叉熵损失、经验交叉熵损失以及最小化速度和方向的均方误差,具体地,确定多类交叉熵损失包括:根据车辆的实际坐标确定酉向量,然后根据酉向量、车辆位置估计模型预测的坐标信息以及经验交叉熵函数,确定多类交叉熵损失。例如,假设车辆的实际坐标为(x,y),x*和y*表示与x和y的最大项对应的分量上非零的酉向量,H(·)表示经验交叉熵,表达为:
多类交叉熵损失的表达式为:
通过确定多类交叉熵损失,基于多类交叉熵损失确定优化的损失函数,从而提高车辆位置预测的准确性。
确定经验交叉熵损失包括:根据车辆的实际坐标确定目标向量,然后根据目标向量、车辆位置估计模型的坐标信息以及经验交叉熵函数,确定经验交叉熵损失。例如,假设车辆的实际坐标为(x,y),用和表示x和y归一化为单位欧氏范数的向量,H(·)表示经验交叉熵,表达为:
经验交叉熵损失的表达式为:
通过确定经验交叉熵损失,基于经验交叉熵损失失确定优化的损失函数,从而提高车辆位置预测的准确性。
进一步根据确定多类交叉熵损失、经验交叉熵损失、最小化速度和方向的均方误差、预设权重系数以及训练样本个数,确定车辆位置估计模型的损失函数,其中,损失函数的表达式为:
其中,
x*和y*表示与x和y的最大项对应的分量上非零的酉向量;
β是权重系数,β∈[0,1],m为样本个数;
第三项是最小化速度和方向的均方误差,该损失函数通过利用软标签,能够获得较好的增益,并提高训练模型的预测能力。
本实施例通过根据确定多类交叉熵损失、经验交叉熵损失、最小化速度和方向的均方误差、预设权重系数以及训练样本个数,确定车辆位置估计模型的损失函数,基于此,通过优化模型的损失函数,使得提高训练模型的预测能力,同时还提高了估计性能并保持可靠的通信,继而提高车辆位置预测的准确性。
参考图3,图3是本申请实施例提供的车辆位置预测方法的流程示意图之三。
本申请实施例提供一种车辆位置预测方法,应用于车辆,包括:
步骤S50,接收路侧单元发送的DFRC信号;
步骤S60,根据所述DFRC信号获取第一到达角和第一距离;
步骤S70,根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
步骤S80,根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
在本实施例中,路侧单元基于第一到达角向车辆发送DFRC信号后,车辆会接收到部分DFRC信号,其中,该DFRC信号包括路侧单元预测出的车辆在t时刻和t+1时刻的坐标信息、车辆相对于路侧单元的距离和出发角以及t+1时刻车辆的第一到达角等信息。因此,车辆根据DFRC信号可以直接获取车辆与路侧单元在当前时刻的第一距离d't和DFRC信号在下一时刻到达车辆的第一到达角同时使用多重信号分类(Multiple SignalClassification,MUSIC)算法估计出DFRC信号的来波方向,然后根据DFRC信号的来波方向、第一距离、车辆在当前时刻的瞬时速度以及路侧单元发送DFRC信号的时间间隔,确定DFRC信号在下一时刻到达车辆的第三到达角,其中,第三到达角表示为:
其中,
Vt是t时刻车辆的瞬时速度;
T是路侧单元发送DFRC信号的时间间隔;
d't是车辆与路侧单元在t时刻的距离;
其中,α为权重系数。
本申请实施例提供一种车辆位置预测方法,通过接收路侧单元发送的DFRC信号,根据DFRC信号获取第一到达角和第一距离;根据DFRC信号的来波方向、第一距离、车辆在当前时刻的瞬时速度、路侧单元发送DFRC信号的时间间隔、第一到达角以及预设权重系数,确定DFRC信号在下一时刻到达车辆的第二到达角;根据第二到达角接收路侧单元在下一时刻发送的DFRC信号。本实施例通过最终预测的第二达到角接收路侧单元发送的DFRC信号,通过匹配发送波束,信噪比越大,收到的信号越好,从而提高通信质量。
下面对本申请实施例提供的车辆位置预测装置进行描述,下文描述的车辆位置预测装置与上文描述的车辆位置预测方法可相互对应参照。
参考图6,图6是本申请实施例提供的车辆位置预测装置的结构示意图之一,本申请实施例提供的车辆位置预测装置包括第一确定模块601、第一确定模块602、第一接收模块603和预测模块604。
第一确定模块601,用于根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
第二确定模块602,用于根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
第一接收模块603,用于根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
预测模块604,用于根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
本申请实施例提供一种车辆位置预测装置,通过根据车辆的历史位置信息,确定车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;根据第一预测位置信息以及第二预测位置信息,确定双功能雷达通信DFRC信号在下一时刻到达车辆的第一到达角,并根据第一出发角向车辆发送包括预测信息的DFRC信号,预测信息包括第一到达角和第一距离;根据DFRC信号的回波信号确定车辆在当前时刻的位置信息,并根据位置信息以及车辆位置估计模型确定车辆在当前时刻的估计位置信息;根据估计位置信息以及训练数据集对车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测车辆的位置信息。通过GRU模块提取回波信号的特征参数,基于该特征参数与训练数据集对车辆位置估计模型进行二次训练,从而提高了车辆位置预测的准确性。
在一个实施例中,所述第二确定模块602具体用于:
根据所述第一预测位置信息,确定在所述当前时刻所述车辆相对于所述路侧单元的第一距离以及相对于所述路侧单元的发射信号的第一出发角;
根据所述第二预测位置信息,确定在所述下一时刻所述车辆相对于所述路侧单元的第二距离以及相对于所述路侧单元的发射信号的第二出发角;
根据所述第一距离、所述第一出发角、所述第二距离以及所述第二出发角,确定所述DFRC信号在所述下一时刻到达所述车辆的第一到达角。
在一个实施例中,所述预测模块604具体用于:
根据所述估计位置信息以及所述训练数据集确定待训练数据集;
确定所述车辆位置估计模型的损失函数;
根据所述待训练数据集以及所述损失函数对所述车辆位置估计模型进行训练。
在一个实施例中,所述预测模块604具体用于:
确定多类交叉熵损失、经验交叉熵损失以及最小化速度和方向的均方误差;
根据所述确定多类交叉熵损失、所述经验交叉熵损失、所述最小化速度和方向的均方误差、预设权重系数以及训练样本个数,确定所述车辆位置估计模型的损失函数。
在一个实施例中,所述预测模块604具体用于:
根据所述车辆的实际坐标确定酉向量;
根据所述酉向量、所述车辆位置估计模型预测的坐标信息以及经验交叉熵函数,确定所述多类交叉熵损失。
参考图7,图7是本申请实施例提供的车辆位置预测装置的结构示意图之二,本申请实施例提供的车辆位置预测装置包括第二接收模块701、获取模块702、第三确定模块703和发送模块704。
第二接收模块701,用于接收路侧单元发送的DFRC信号;
获取模块702,用于根据所述DFRC信号获取第一到达角和第一距离;
第三确定模块703,用于根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
发送模块704,用于根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
本申请实施例提供一种车辆位置预测装置,通过接收路侧单元发送的DFRC信号,根据DFRC信号获取第一到达角和第一距离;根据DFRC信号的来波方向、第一距离、车辆在当前时刻的瞬时速度、路侧单元发送DFRC信号的时间间隔、第一到达角以及预设权重系数,确定DFRC信号在下一时刻到达车辆的第二到达角;根据第二到达角接收路侧单元在下一时刻发送的DFRC信号。本实施例在路侧单元处和车辆处同时预测下一时刻车辆位置的到达角,减少了由非线性测量引起的估计误差,从而提高车辆位置预测的准确性。
在一个实施例中,所述第三确定模块703具体用于:
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度以及所述路侧单元发送所述DFRC信号的时间间隔,确定所述DFRC信号在下一时刻到达所述车辆的第三到达角;
根据所述第三到达角、所述第一到达角以及所述预设权重系数,确定所述第二到达角。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communication Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序,以执行车辆位置预测方法的步骤,例如包括:
根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
或者,
接收路侧单元发送的DFRC信号;
根据所述DFRC信号获取第一到达角和第一距离;
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的车辆位置预测方法的步骤,例如包括:
根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
或者,
接收路侧单元发送的DFRC信号;
根据所述DFRC信号获取第一到达角和第一距离;
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种车辆位置预测方法,其特征在于,应用于路侧单元,包括:
根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
2.根据权利要求1所述的车辆位置预测方法,其特征在于,所述根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,包括:
根据所述第一预测位置信息,确定在所述当前时刻所述车辆相对于所述路侧单元的第一距离以及相对于所述路侧单元的发射信号的第一出发角;
根据所述第二预测位置信息,确定在所述下一时刻所述车辆相对于所述路侧单元的第二距离以及相对于所述路侧单元的发射信号的第二出发角;
根据所述第一距离、所述第一出发角、所述第二距离以及所述第二出发角,确定所述DFRC信号在所述下一时刻到达所述车辆的第一到达角。
3.根据权利要求1所述的车辆位置预测方法,其特征在于,所述根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,包括:
根据所述估计位置信息以及所述训练数据集确定待训练数据集;
确定所述车辆位置估计模型的损失函数;
根据所述待训练数据集以及所述损失函数对所述车辆位置估计模型进行训练。
4.根据权利要求3所述的车辆位置预测方法,其特征在于,所述确定所述车辆位置估计模型的损失函数,包括:
确定多类交叉熵损失、经验交叉熵损失以及最小化速度和方向的均方误差;
根据所述确定多类交叉熵损失、所述经验交叉熵损失、所述最小化速度和方向的均方误差、预设权重系数以及训练样本个数,确定所述车辆位置估计模型的损失函数。
5.根据权利要求4所述的车辆位置预测方法,其特征在于,确定多类交叉熵损失,包括:
根据所述车辆的实际坐标确定酉向量;
根据所述酉向量、所述车辆位置估计模型预测的坐标信息以及经验交叉熵函数,确定所述多类交叉熵损失。
6.一种车辆位置预测方法,其特征在于,应用于车辆,包括:
接收路侧单元发送的DFRC信号;
根据所述DFRC信号获取第一到达角和第一距离;
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
7.根据权利要求6所述的车辆位置预测方法,其特征在于,所述根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角,包括:
根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度以及所述路侧单元发送所述DFRC信号的时间间隔,确定所述DFRC信号在下一时刻到达所述车辆的第三到达角;
根据所述第三到达角、所述第一到达角以及所述预设权重系数,确定所述第二到达角。
8.一种车辆位置预测装置,其特征在于,包括:
第一确定模块,用于根据车辆的历史位置信息,确定所述车辆在当前时刻的第一预测位置信息和下一时刻的第二预测位置信息;
第二确定模块,用于根据所述第一预测位置信息以及所述第二预测位置信息,确定双功能雷达通信DFRC信号在所述下一时刻到达所述车辆的第一到达角,并根据第一出发角向所述车辆发送包括预测信息的DFRC信号,所述预测信息包括所述第一到达角和第一距离;
第一接收模块,用于根据所述DFRC信号的回波信号确定所述车辆在所述当前时刻的位置信息,并根据所述位置信息以及车辆位置估计模型确定所述车辆在所述当前时刻的估计位置信息;
预测模块,用于根据所述估计位置信息以及训练数据集对所述车辆位置估计模型进行训练,根据训练得到的车辆位置估计值预测所述车辆的位置信息。
9.一种车辆位置预测装置,其特征在于,包括:
第二接收模块,用于接收路侧单元发送的DFRC信号;
获取模块,用于根据所述DFRC信号获取第一到达角和第一距离;
第三确定模块,用于根据所述DFRC信号的来波方向、所述第一距离、所述车辆在当前时刻的瞬时速度、所述路侧单元发送所述DFRC信号的时间间隔、所述第一到达角以及预设权重系数,确定所述DFRC信号在下一时刻到达所述车辆的第二到达角;
发送模块,用于根据所述第二到达角接收所述路侧单元在所述下一时刻发送的DFRC信号。
10.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的车辆位置预测方法的步骤,或者实现权利要求6至7所述的车辆位置预测方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述的车辆位置预测方法的步骤,或者实现权利要求6至7所述的车辆位置预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613383.4A CN114945154A (zh) | 2022-05-31 | 2022-05-31 | 车辆位置预测方法、装置、电子设备和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210613383.4A CN114945154A (zh) | 2022-05-31 | 2022-05-31 | 车辆位置预测方法、装置、电子设备和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114945154A true CN114945154A (zh) | 2022-08-26 |
Family
ID=82909764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210613383.4A Pending CN114945154A (zh) | 2022-05-31 | 2022-05-31 | 车辆位置预测方法、装置、电子设备和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114945154A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764285A (zh) * | 2010-01-27 | 2010-06-30 | 北京握奇数据***有限公司 | 天线波束指向移动车辆的方法、天线及不停车收费*** |
CN104486775A (zh) * | 2015-01-08 | 2015-04-01 | 西安电子科技大学 | 基于用户位置的跟踪预测的有源天线阵列波束优化方法 |
CN110446160A (zh) * | 2019-08-13 | 2019-11-12 | 南京戎智信息创新研究院有限公司 | 一种基于多路径信道状态信息的车辆位置估计的深度学习方法 |
KR20210065075A (ko) * | 2020-05-14 | 2021-06-03 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 차량 주행 궤적의 예측 방법, 장치, 기기 및 저장 매체 |
CN113438596A (zh) * | 2021-06-11 | 2021-09-24 | 金华航大北斗应用技术有限公司 | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 |
CN114063110A (zh) * | 2021-12-10 | 2022-02-18 | 广州导远电子科技有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
CN114375038A (zh) * | 2022-01-12 | 2022-04-19 | 网络通信与安全紫金山实验室 | 定位方法、装置、基站、存储介质和计算机程序产品 |
-
2022
- 2022-05-31 CN CN202210613383.4A patent/CN114945154A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764285A (zh) * | 2010-01-27 | 2010-06-30 | 北京握奇数据***有限公司 | 天线波束指向移动车辆的方法、天线及不停车收费*** |
CN104486775A (zh) * | 2015-01-08 | 2015-04-01 | 西安电子科技大学 | 基于用户位置的跟踪预测的有源天线阵列波束优化方法 |
CN110446160A (zh) * | 2019-08-13 | 2019-11-12 | 南京戎智信息创新研究院有限公司 | 一种基于多路径信道状态信息的车辆位置估计的深度学习方法 |
KR20210065075A (ko) * | 2020-05-14 | 2021-06-03 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 차량 주행 궤적의 예측 방법, 장치, 기기 및 저장 매체 |
CN113672845A (zh) * | 2020-05-14 | 2021-11-19 | 阿波罗智联(北京)科技有限公司 | 一种车辆轨迹的预测方法、装置、设备及存储介质 |
CN113438596A (zh) * | 2021-06-11 | 2021-09-24 | 金华航大北斗应用技术有限公司 | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 |
CN114063110A (zh) * | 2021-12-10 | 2022-02-18 | 广州导远电子科技有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
CN114375038A (zh) * | 2022-01-12 | 2022-04-19 | 网络通信与安全紫金山实验室 | 定位方法、装置、基站、存储介质和计算机程序产品 |
Non-Patent Citations (1)
Title |
---|
单志龙;王宣琳;: "基于指数平滑预测模型的移动节点定位算法", 华南师范大学学报(自然科学版), no. 05, 25 September 2016 (2016-09-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Charan et al. | Vision-aided dynamic blockage prediction for 6G wireless communication networks | |
JP2019034714A5 (zh) | ||
CN111989696A (zh) | 具有顺序学习任务的域中的可扩展持续学习的神经网络 | |
US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
CN115578876A (zh) | 一种车辆的自动驾驶方法、***、设备及存储介质 | |
CN115128594A (zh) | 用于雷达跟踪中的速度估计的部分学习模型 | |
KR20200017611A (ko) | 딥러닝을 이용한 위치 측위 방법 및 장치 | |
CN114758502A (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN114154647A (zh) | 一种基于多粒度联邦学习的方法 | |
CN113128272B (zh) | 一种碰撞预测方法、装置、存储介质和服务器 | |
CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
CN112446462A (zh) | 目标神经网络模型的生成方法和装置 | |
Chu et al. | AI-enabled mm-waveform configuration for autonomous vehicles with integrated communication and sensing | |
CN114945154A (zh) | 车辆位置预测方法、装置、电子设备和计算机程序产品 | |
US20240007827A1 (en) | Method and apparatus for resource-efficient indoor localization based on channel measurements | |
CN117496322A (zh) | 一种基于云边协同的多模态3d目标检测方法和装置 | |
Tengesdal et al. | Joint stochastic prediction of vessel kinematics and destination based on a maritime traffic graph | |
CN111628837A (zh) | 一种信道建模的方法及设备 | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
CN112765892B (zh) | 一种异构车联网中的智能切换判决方法 | |
CN116957067B (zh) | 公共安全事件预测模型的强化联邦学习方法及装置 | |
US20240144087A1 (en) | Fusion models for beam prediction | |
JP7439947B2 (ja) | 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム | |
CN117892202B (zh) | 基于毫米波信号的护理动作监测方法及电子设备 | |
EP4254267A1 (en) | Methods and systems for object tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |