数据传输方法、装置、终端及存储介质与流程

本申请涉及车联网中车与云端协作感知，具体而言，涉及一种数据传输方法、装置、终端及存储介质。

背景技术：

1、在车联网协同感知领域中，主要分为车与车协同感知以及边缘云辅助车端协同感知两大领域。由于车与车共享数据，面向复杂的数据处理，车端的算力成本和计算时延都会增加。而且，随着道路智能化建设逐步完善，本方案倾向于基于边缘云辅助车辆协同感知的场景。边缘云可以为车辆提供更强大的计算能力和更可靠的数据处理服务，从而实现更高效、准确和及时的协同感知(collective perception，cp)。

2、协同感知是通过共享实时信息(基于车辆传感器信息或来自路侧的传感器数据)，可以增强车辆对周围环境的感知能力。在进行环境感知时，这些原始数据通常被分析，以检测和计算被检测对象的数学表示。随后，发送cpm(collective perception message，协同感知信息)，携带了检测到的对象的列表，包括它们的动态状态(如航向、速度、加速度等)的高级信息、尺寸、置信水平、估计类型和检测传感器。这些信息的目的是建立一个全方位的视图，从而避免发生事故。

3、协同感知信息共享允许增加有限的传感器视野，以支持各种安全应用(3gpp中一些高级驾驶(也叫全自动驾驶)的一些用例：协同避免碰撞、完全自动驾驶的信息共享、城市驾驶的交叉口安全信息提供等。

4、但是也遇到挑战：①传输数据量大：未来的车辆将配备超过200个传感器，每时每刻汽车都会产生海量的数据；②数据冗余度高：当大量的车端与边缘云共享传感器数据时，相邻车辆生成的cpm中包含的对象信息是高度冗余的，冗余数据传输的预期数量可能高达6.5倍左右，ul中会出现更高的流量密度，对现有的通信技术提出了挑战。

5、上述情况最后导致大量的数据传输，引起网络堵塞，严重时接受端会发生丢包现象。由于高可靠低时延对于自动驾驶的可靠运行至关重要。因此，如何降低边缘云辅助车辆协同感知中相邻车辆之间的数据冗余的研究是十分重要的。

6、对于协同感知降数据传输量的方法，主要是利用各种空间分区技术，进行降相邻车辆间的数据冗余来降低传输数据量。云端需要先收集车端的位置等信息，再下发分区决策。车端根据分区决策进行上传区域内的物体的数据。

7、现有技术存在如下缺陷：

8、第一，在数据交互的同时，需要发送控制信令以进行分区，这会增加通信开销；第二，分区技术高度依赖于定位功能，虽然基于gps改进的差分gps可以实现厘米级精度，但在城市道路等多遮挡的环境下，或者在隧道、地下场景中，定位精度会下降到米级甚至失去信号。

技术实现思路

1、本申请的主要目的在于提供一种数据传输方法、装置、终端及存储介质，以解决相关技术中存在通信开销大以及定位精度低的问题。

2、为了实现上述目的，第一方面，本申请提供了一种数据传输方法，包括：

3、相互通信的车端和云端；

4、车端获取周围环境数据，并对周围环境数据进行语义提取、筛选、编码，得到协同感知数据；

5、云端接收到多个车端发送的协同感知数据，并基于全局协同感知数据，得到预测的全局协同感知数据；

6、云端将预测的全局协同感知数据传输给车端。

7、在一种可能的实现方式中，车端获取周围环境数据，并对周围环境数据进行语义提取、筛选、编码，得到协同感知数据，包括：

8、车端对周围环境数据进行对象语义提取，得到对象语义特征数据；

9、通过对象筛选网络，得到车辆的动作空间信息；

10、将动作空间信息与车端获取到的所有对象特征数据进行匹配，得到匹配后的数据；

11、对匹配后的数据进行语义编码，得到协同感知数据。

12、在一种可能的实现方式中，车端对周围环境数据进行对象语义提取，得到对象语义特征数据，包括：

13、车端对周围环境数据进行预处理，得到目标对象和目标对象对应的周围环境数据；

14、对目标对象对应的周围环境数据进行语义特征提取，得到对象语义特征数据。

15、在一种可能的实现方式中，通过对象筛选网络，得到车辆的动作空间信息，包括：

16、从云端获取预测的全局协同感知数据；

17、基于对象语义特征数据和预测的全局协同感知数据，确定协同感知状态，其中，协同感知状态包括相对信息熵和网络拥塞状态；

18、将协同感知状态输入对象筛选网络，输出车辆的动作空间信息。

19、在一种可能的实现方式中，对象筛选网络的奖励函数为：

20、rt＝λlocal+μcpm·ht，ω+μchanel·ct

21、其中，λlocal代表接收方没有检测到目标对象ω，μcpm为第一预设阈值，μchanel是第二预设阈值，ht，ω表示在时间t包含目标对象ω的相对信息熵，ct是在时间t的网络拥塞水平。

22、在一种可能的实现方式中，云端接收到多个车端发送的协同感知数据，并基于全局协同感知数据，得到预测的全局协同感知数据，包括：

23、云端对来自多个车端的协同感知数据进行语义解码，得到解码后的全局协同感知数据；

24、将解码后的全局协同感知数据输入预测网络，生成预测的全局协同感知数据。

25、在一种可能的实现方式中，预测网络至少为循环神经网络或长短期记忆网络。

26、第二方面，本发明实施例提供了一种数据传输装置，包括：

27、相互通信的车端和云端；

28、数据处理模块，用于车端获取周围环境数据，并对周围环境数据进行语义提取、筛选、编码，得到协同感知数据；

29、预测模块，用于云端接收到多个车端发送的协同感知数据，并基于全局协同感知数据，得到预测的全局协同感知数据；

30、传输模块，用于云端将预测的全局协同感知数据传输给车端。

31、第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上任一种数据传输方法的步骤。

32、第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上任一种数据传输方法的步骤。

33、本发明实施例提供了一种数据传输方法、装置、终端及存储介质，包括：相互通信的车端和云端，车端获取周围环境数据，并对周围环境数据进行语义提取、筛选、编码，得到协同感知数据，然后云端接收到多个车端发送的协同感知数据，并基于全局协同感知数据，得到预测的全局协同感知数据，云端将预测的全局协同感知数据传输给车端。本发明引入语义数据传输，减少了数据交互流程，降低传输数据量，实现了高效数据传输。此外，通过对象筛选网络的设计，实现了车辆自主的选择对云端来说信息量最大的对象进行传输，从而降低了冗余数据的传输，提高了数据传输的效率。

技术特征：

1.一种数据传输方法，其特征在于，包括：

2.如权利要求1所述数据传输方法，其特征在于，所述车端获取周围环境数据，并对所述周围环境数据进行语义提取、筛选、编码，得到协同感知数据，包括：

3.如权利要求2所述数据传输方法，其特征在于，所述车端对所述周围环境数据进行对象语义提取，得到对象语义特征数据，包括：

4.如权利要求2所述数据传输方法，其特征在于，所述通过对象筛选网络，得到车辆的动作空间信息，包括：

5.如权利要求2所述数据传输方法，其特征在于，所述对象筛选网络的奖励函数为：

6.如权利要求1所述数据传输方法，其特征在于，所述云端接收到多个车端发送的协同感知数据，并基于全局协同感知数据，得到预测的全局协同感知数据，包括：

7.如权利要求6所述数据传输方法，其特征在于，所述预测网络至少为循环神经网络或长短期记忆网络。

8.一种数据传输装置，其特征在于，包括：

9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述数据传输方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行所述计算机程序时实现如权利要求1至7中任一项所述数据传输方法的步骤。

技术总结
本申请公开了一种数据传输方法、装置、终端及存储介质，方法包括：相互通信的车端和云端，车端获取周围环境数据，并对周围环境数据进行语义提取、筛选、编码，得到协同感知数据；云端接收到多个车端发送的协同感知数据，并基于全局协同感知数据，得到预测的全局协同感知数据，云端将预测的全局协同感知数据传输给车端。本发明引入语义数据传输，减少了数据交互流程，降低传输数据量，实现了高效数据传输。此外，通过对象筛选网络的设计，实现了车辆自主的选择对云端来说信息量最大的对象进行传输，从而降低了冗余数据的传输，提高了数据传输的效率。

技术研发人员：周明宇,王芳,崔琪楣,张雪菲,梁高红
受保护的技术使用者：北京佰才邦技术股份有限公司
技术研发日：
技术公布日：2024/2/1