光标签使能的车路协同现状与展望

来源 :移动通信 | 被引量 : 0次 | 上传用户:sanmumuren
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
基于无线电的车联网部署仍然缓慢,需要低成本可渐进的解决方案,因此介绍了光标签技术及其使能的一种新型的车路协同组网方式.通过对传统路标进行改造,利用了其逆反射涂层,在保持原有功能的同时建立了可见光逆反射通信,向车辆传递动态信息.展示了一套创新的通信设计,包括延迟偏振、基于极化的差分接收和分散的数据链路协议,并给出了实验结果.最后从技术自身、单车级应用、车路协同级应用等方面介绍并展望了光标签技术未来的应用与发展.
其他文献
针对终端在多个5G切片间漫游的切片选择问题,首先介绍了切片漫游相关的关键术语,然后分析了5G切片漫游的关键技术,最后在限定场景的前提下,重点描述了LBO模式下终端用户在5G切片间漫游的技术原理,以期对5G切片间漫游问题的解决方案提供一个可供研讨的思路和方向.
针对现有的基于Wi-Fi估计信号到达角(Angle Of Arrival,AOA)的室内定位算法受限于设备摆放高度以及非可视环境(NLOS)影响的问题,提出一种改进的AOA估计算法.首先将线阵改为L阵,利用信道状态信息(CSI)虚拟大规模阵列天线,对俯仰角和方位角进行估计,提高方位角估计的准确性,然后将定位结果与微机电系统(Micro Electro Mechanical System,MEMS)传感器通过抗差扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法进行数据融合,提高定位
为了解决中国联通网络能力碎片化、分散的问题,同时满足跨网业务端到端自动开通的需求,提出了跨域跨网络的智能化协同方案,并基于网络应用实践,研究了跨网协同部署架构、网络方案,最后针对中国联通网络创新业务、云网协同体系等各类业务场景进行了应用价值分析.
随着人口红利的消失和公众通信市场的饱和,发展固移融合用户成为当前运营商的一项重要战略.运营商通过融合业务创新,将移动业务与宽带业务进行捆绑,发展融合业务用户,增强用户黏性,提升业务营收.基于移动网络大数据和宽带网络大数据的联合分析,提出了基于模型的潜在固移融合目标用户挖掘方法体系,将该方法体系运用于市场单移转融营销场景中,可更加精准地发掘潜在目标用户,提升融合用户转化率.
在疫情驱动下微直播业务高速发展,分析了微直播的市场发展驱动力及竞争态势,剖析了其产业价值链,介绍了微直播平台采用的关键技术,指出其网络平台架构主要是基于内容分发网络CDN结合Cache、P2P及负载均衡等技术构建而成.分析了微直播的各种应用类型及商业模式,给出了微直播的监管建议.结合运营商的特点探讨了电信运营商介入微直播业务领域的机会,最后预测了微直播业务未来的发展趋势.
伴随5G市场全面启动,地铁场景采取共建共享的5G建设方案,能够充分释放各种资源能力,实现5G网络对地铁高效低成本覆盖.首先,通过实验测试,验证当前主流覆盖技术在本方案中可行、可靠,且数字室分、传统宽频室分等主要技术满足5G地铁覆盖要求.随后给出了共建共享模式下采用这些技术手段的地铁跨代组网覆盖方案,并给出相应的设计要求及标准.方案为提升地铁用户感知、打造5G精品网络、打通新型智慧城市地下交通空间提供强有力支撑.
数字经济的发展和渗透给传统经济模式带来了巨大的冲击,不论是消费者还是生产者都面临数字经济转型的强力挑战.数字经济平台提供了快速信任、平等共治、产品再造、安全稳固的数字经济交易环境,有助于数字经济的开展和业务的创新,在新数字经济时代有着重要作用.介绍了大数据驱动的数字经济平台及其运行模式,并提出一种可行的平台架构,为数字经济平台的设计提供了理论支持和技术积累.
随着5G网络的大规模商用,基站主设备能耗占比持续升高.对于主设备而言,如何有效降低载波功放模块的能耗成为业内急需解决的一大难题.研究了基于AI的动态调整方式实现基站的智能化节电,为各大运营商能耗降低提供有效的解决方案.
系统研究了5G网络建设中的多个智能运维场景,设计了AI智能平台,应用AI技术提升网络智能运维的能力.在全域故障定位、资源智能调度、边缘智能、网络数据分析功能、切片智能等多种场景的研究中运用AI智能平台,以大数据云中心为基础,采集海量数据,通过云边协同技术、硬件加速技术、轻量化智能引擎技术、租户及数据安全技术等,为5G网络提供运维服务.
车联网是未来智慧交通的重要组成部分,是目前移动通信领域的研究热点.作为我国重点推进的技术手段,C-V2X已经得到了产业界和学术界的重视.无线信道是通信系统研究设计的基础,因此有必要对C-V2X信道特性展开研究.结合实际测试对C-V2X信道特性进行了分析,梳理了传统信道建模方法,针对传统方法的不足介绍了基于机器学习的信道建模方法,对其应用进行了阐述.