MAP üzenetek automatikus generálása jármű-kommunikációs adatok elemzésével
Manapság már látszik, hogy a jármű-kommunikációs rendszereket a közeljövőben be fogják vezetni, és kötelező tartozékká válnak minden járműben. Az egyetlen kérdés az, hogy ez mikor fog megtörténni. Néhány autógyártó azt mondja, hogy 2022-ben már jármű-kommunikációs képességekkel rendelkező új modelleket fognak forgalomba hozni [1]. Világszerte több kísérleti projekt működik, amelyek jármű-kommunikációs rendszereket használnak az autókban és a környező infrastruktúra egyes elemeiben [2].
A témával kapcsolatos tanulmányaim során nyilvánvalóvá vált számomra, hogy a járművek és az infrastruktúra közötti kommunikációban van jó néhány olyan lehetőség, amelyet a működés hatékonyabbá tételéhez ki lehetne aknázni. Érdeklődésem a járművek és az infrastruktúra közötti kommunikáción alapuló városi alkalmazások felé fordult, melyek többsége megköveteli a kereszteződések topológiai leírását az úgynevezett MAP üzenetekben [3]. A MAP üzeneteket nem kell megváltoztatni mindaddig, amíg a kereszteződést nem változtatják meg. A MAP üzeneteket el kell készíteni, mielőtt az út menti infrastruktúra elemek (Roadside Unit - RSU) teljes potenciálját ki lehet használni. A MAP üzenetek létrehozása történhet manuálisan vagy egy kereszteződéshez meglévő adatok felhasználásával és azok transzformációjával. Jelenleg nincs olyan use case a járművek és az infrastruktúra közötti kommunikációra, amely a járművektől kapott dinamikus információkat (pl. Cooperative Awareness Message, CAM) használná fel a MAP üzenetek létrehozására az RSU egységeken. Úgy gondolom, hogy ez egy érdekes use case, amelyet érdemes megvizsgálni, hogy lássuk vajon alkalmas alternatíva lehet-e a MAP üzenetek hatékony létrehozására.
Munkám két fő dologra összpontosít. Az első egy olyan keretrendszer létrehozása, amely felhasználható különböző olyan algoritmusok könnyű implementációjára, cseréjére és kiértékelésére, amelyek potenciálisan képesek lehetnek MAP üzenetek létrehozására a járművek helyzetinformációjából. A keretrendszernek vizuális visszajelzést és numerikus elemzést kell nyújtania az algoritmusok teljesítményéről. A vizuális visszacsatolásra szükség van ahhoz, hogy gyorsan el tudjuk dönteni, hogy egy algoritmust érdemes-e tovább kiértékelni. A numerikus elemzés olyan adatokat szolgáltat, amelyek felhasználhatók ugyanazon algoritmus különböző forgatókönyvekben vagy különböző algoritmusok ugyanabban a forgatókönyvben való összehasonlítására. A második rész a meglévő algoritmusok felkutatása vagy újak kitalálása, és ezek kiértékelése a keretrendszer felhasználásával. Ebben a részben végzem el az egyes algoritmusok összehasonlítását. A vizsgálatok főleg a különböző klaszterező algoritmusokra térnek ki, mint például a DBSCAN és a hierarchikus klaszterezés [4].
[1] “Ford Breaks With Auto Rivals By Committing To C-V2X Vehicle Communications Tech,” Forbes. [Online]. Available: https://www.forbes.com/sites/samabuelsamid/2019/01/07/ford-becomes-first-automaker-to-commit-production-c-v2x-communications/
[2] “Intelligent Transportation Systems - ITS Deployments.” [Online]. Available: https://www.its.dot.gov/pilots/tampa_datahub.htm
[3] “Welcome to ROSA P | Vehicle-to-vehicle communications : readiness of V2V technology for application. - 27999 | US Transportation Collection.” [Online]. Available: https://rosap.ntl.bts.gov/view/dot/27999
[4] J. Bian, D. Tian, Y. Tang, and D. Tao, “A survey on trajectory clustering analysis,”
szerző
-
Rénes Dániel
Mérnök informatikus szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Bokor László
egyetemi docens, Hálózati Rendszerek és Szolgáltatások Tanszék
