科研

科研方向


1.   智慧车联网及应用研究

随着现代信息与通信技术、汽车制造产业及智能交通系统的迅速发展与交叉融合,车联网已成为物联网体系中最有产业潜力、市场需求最明确的领域之一,代表着信息化与工业化深度融合的重要方向。车联网作为物联网、大数据与人工智能的交叉研究与应用领域,对提高交通安全与交通效率,建设绿色与智慧城市,促进信息产业与交通产业的融合创新具有重要意义。特别地,为推动车联网面向智能化、网联化的方向演进,促进新能源汽车、智能驾驶及无人驾驶等新业态的发展,本项目主要关注如何在高异构、高动态、高分布式的车联网环境中实现异构网络融合并有效支持大规模数据服务。

不难预见,未来汽车领域的发展可类比于近10年智能手机的发展轨迹:10年前手机的通话与短消息属性占据手机功能80%以上,但如今手机作为智能移动设备,基于互联网的信息采集与传输属性已远远超过通话属性。目前随着电动汽车、智能辅助驾驶、以及无人驾驶汽车的快速发展,汽车领域正从传统制造业行业向互联网行业迅速严谨。预期在未来10年发展过程中,汽车作为交通工具出行的基本属性将大幅度降低,取而代之的是作为物联网世界中的功能强大的移动信息采集与传输节点。所以,车联网的发展是未来智能交通、智慧城市的核心驱动领域。

为开展面向智慧车联网的研究,本项目提出了如图1所示的基于软件定义网络的异构车联网架构,并将在其基础上展开关键技术(包括调度算法、通信协议以及相关应用的实现策略等)的深入研究。

图1. 基于软件定义网络的异构融合车联网架构

 

2.   面向基于位置服务的室内定位技术研究

室内定位是实现基于位置服务(LBS)的基本技术,也是物联网、普适计算等应用领域的核心研究方向之一。本项目围绕室内定位的框架与算法,综合导航、众包、数据挖掘等交叉领域,展开面向不同应用需求的探索与研究。项目主要研究内容包括:

  • 室内定位系统:研究不同定位技术(基于指纹、距离、视觉等)的特点与优势,针对应用需求(定位精度、系统规模等)研究相应的定位系统框架与定位算法,并实现系统原型。
  • 室内定位导航与应用:面向商场、会展中心等大型复杂室内环境导航,停车场车位预约与导航,特殊人群监护与轨迹追踪等应用,综合研究室内定位、传感器数据融合、地图匹配、众包等技术,实现不同粒度的室内导航与轨迹追踪功能。
  • 室内轨迹挖掘:基于用户轨迹数据,结合人工智能、大数据挖掘等技术的研究,实现面向不同应用需求的用户画像、推荐系统及人流分布监控与分析等功能。

本项目主要研究内容如图2所示:

图2. 面向基于位置服务的室内定位技术与应用研究

 

3.   基于强化学习的多智能体自动避雷寻路研究

强化学习是机器学习的一个重要分支,是人工智能中策略学习的一种,又称再励学习、评价学习,是从动物学习、参数扰动自适应控制等理论发展而来。所谓强化学习是指从环境状态到动作映射的学习,以使动作从环境中获得的累积奖赏值最大。该方法不同于监督学习技术那样通过正例、反例来告知采取何种行为,而是通过试错(trial and error)来发现最优行为策略。常用的强化学习算法包括TD(Temporal Difference)算法、Q学习算法、Sarsa算法等。实际中的强化学习例子有很多. 比如近期最有名的 Alpha go, 机器头一次在围棋场上战胜人类高手, 让计算机自己学着玩经典游戏 Atari, 这些都是让计算机在不断的尝试中更新自己的行为准则, 从而一步步学会如何下好围棋, 如何操控游戏得到高分。此外,在目前较前沿热门的一些应用,如无人车驾驶,强化学习算法也是其核心技术之一。

本项目针对适用于多智能体系统的强化学习算法进行研究,除了智能体单独的强化学习算法本身外,还考虑智能体之间的相互强化学习算法设计。具体来说,我们设计了如图3所示的避雷平台。每个智能体坦克的初始位置均随机,黑色的图标为地雷,智能体的任务是需要自动避开雷,及防止相互碰撞,最终到达红色旗帜的地方。

图3. 多智能体自动避雷平台

由图3可以看出,其核心是需要让坦克智能化,能够主动的识别雷、其他坦克,以及目标旗帜的方向。目前,该平台的算法框架已经基本完成,单个坦克智能体的自动避雷寻路成功率可达到99%,多智能体自动避雷寻路可达到80%以上。同时,项目组也在增大问题的复杂性,以及智能算法性能提升方面作进一步研究。

 

4.    基于轨迹数据挖掘的群智物流最优投递路线研究

据阿里巴巴近期公布的数据显示,在线淘宝零售商每天约产生四千万个包裹。为满足如此巨大的包裹配送需求,传统物流主要依赖投入更多的配送车辆及提高配送频次等方法,但仍显得微不足道。更为严重的是,这种物流模式不仅大大增加了城市的交通压力,也对居民赖以生存的环境造成了严重威胁。如何更快更好的将大量的包裹运送至客户?亚马逊等国际电商巨头一直致力于探究新的城市包裹配送模式,如利用无人机运送包裹等。但这些试行的物流模式都存在人力物力成本高昂等缺陷,难以大规模普及使用。

为更好的解决上述问题,本项目提出了一种新型的物流模式—群智物流,即:利用出租车在响应乘客运送任务时产生的富余运力辅助包裹运输,创新地为物流领域开辟了新的方向。群智物流旨在利用和优化群智资源实现降低物流成本、提升物流效率、环境可持续三者兼得的目标,并最终产生物流增值效益。群智资源是现有路面上移动载体响应自身运输任务请求时产生的富余运力的统称,如图4所示。本项目的研究内容包括:面向成本最小化的群智物流网络节点优化、基于分布参数学习的群智物流网络边流通时间建模、及随机请求下的最优群智物流路线发现等。

图4.“信息流、物流、车流”三流合一的群智物流系统