|
发布时间: 2021-01-16 |
高精地图构建与SLAM |
|
|
收稿日期: 2020-08-01; 修回日期: 2020-10-19; 预印本日期: 2020-10-26
基金项目: 国家重点研发计划项目(2018YFB1802400);广州市科技计划项目(202007050004)
第一作者简介:
崔明月, 1992年生, 男, 博士研究生, 主要研究方向为智能机器人与边缘计算。E-mail:cuimy@mail2.sysu.edu.cn;
钟仕鹏, 男, 硕士研究生, 主要研究方向为自动驾驶、SLAM、边缘计算。E-mail:zhongshp5@mail2.sysu.edu.cn; 刘思瑶, 女, 本科生, 主要研究方向为边缘计算。E-mail:liusy55@mail2.sysu.edu.cn; 李博洋, 男, 博士研究生, 主要研究方向为事件脉冲相机以及协同定位与建图技术。E-mail:liby3@mail2.sysu.edu.cn; 吴成昊, 男, 本科生, 主要研究方向为3维重建、3维理解。E-mail:wuchh9@mail2.sysu.edu.cn. 通信作者:
黄凯, 通信作者, 男, 教授, 主要研究方向为无人系统与智能机器人。E-mail:huangk36@mail.sysu.edu.cn.
中图法分类号: TP399
文献标识码: A
文章编号: 1006-8961(2021)01-0218-11
|
摘要
目的
激光雷达实时定位与建图(simultaneous localization and mapping,SLAM)是智能机器人领域的重要组成部分,通过对周边环境的3维建模,可以实现无人驾驶车辆的自主定位和精准导航。针对目前单个车辆激光雷达建图周期长、算力需求大的现状,提出了基于边缘计算的多车协同建图方法,能够有效地负载均衡,在保证单个车辆精准定位的同时,增加多个车辆之间的地图重用性。方法
构建基于阈值的卸载函数,论证边缘计算下的多车卸载决策属于势博弈问题,设计实现基于边缘计算的势博弈卸载算法,在模型具有纳什均衡的基础上实现任务调度,引入
关键词
边缘计算; 激光雷达实时定位与构图(SLAM); 任务卸载; 多车协同; 无人驾驶
Abstract
Objective
LiDAR simultaneous localization and mapping (SLAM) is an important component of the field of intelligent robotics. The robot should be able to perceive the information of the surrounding environment and accurately locate its own position, which is also the premise for the robot to autonomously navigate. Building the entire map requires the single vehicle to drive all over the whole area, which makes the mapping periods longer. In addition, more data require more computing power for onboard units. To solve the above problems, a cooperative LiDAR SLAM for multi-vehicles based on edge computing method is proposed. This method can make the load balance by offloading tasks to the edge server. Aside from ensuring accurate localization of the single vehicle, it can also increase the reusability of the mapping results for multi-vehicles. This study models the computation offloading decision-making problem among multi-vehicles as a task offloading game. It designs the offloading algorithm based on the potential game to compute the task scheduling sequence. The concept of relative confidence is introduced to reduce the odometer error in the process of mapping as much as possible, which also makes our merged maps of multi-vehicles more accurate.
Method
First, this study constructs a threshold-based offloading function that includes latency constraint and signal quality constraint. Then, this study proves that the minimum latency problem of multi-vehicles is a potential game. The potential game always reaches the Nash equilibrium and has limited improved properties. Therefore, the relevant strategy based on the potential game is designed for offloading tasks. With the characteristics of the Nash equilibrium, our algorithm ensures that vehicles in equilibrium can obtain mutually satisfactory solutions. This study introduces the concept of
Key words
edge computing; simultaneous localization and mapping(SLAM); task offloading; multi-vehicle collaboration; autonomous driving
0 引言
无人驾驶需要对周边环境进行3维建模,构建高精度地图用于自主定位、轨迹估计、路径规划和车辆控制等。由于激光雷达可以提供低误差且高频率的点云数据,在自动驾驶车辆部署激光雷达传感器已经变得非常普遍(Li等,2018)。典型的SLAM(simultaneous localization and mapping)地图构建需要单独覆盖整个建图区域,这往往带来较长的构建周期和较大的计算资源需求。此外,激光里程计也会随着距离增加而产生累积误差。
一种常见的解决方式是在多辆无人驾驶车上部署SLAM算法(Zhe等,2018)。更具体地说,在多车场景中,每辆车只需要探索其感兴趣的区域,通过与邻近车辆交换地图信息来协同构建环境地图,从而使每辆车获得更多的地图信息。如图 1所示,相比于单车而言,多车建图可以缩小里程计里程误差。然而,车辆只能与邻近车辆进行数据交换,车辆之间的相对坐标转换也是未知的。如何以一致的方式合并所有的局部地图,这需要在协同车辆之间建立一个共同的参考系即通过中心节点对每辆车点云数据的特征信息进行配准和坐标变换,从而实现整体3维地图构建。
基于边缘计算构建具有中心节点的多车协同SLAM系统并非易事。首先,很难有效地匹配和合并重叠的区域。尽管GPS信息缩小了地图的配准范围,但对多辆车的历史点云数据进行精确匹配仍不现实,这往往需要花费极大的算力。其次,无人驾驶车辆如何进行工作负载卸载以保证自身的精准定位,同时在边缘服务器算力有限的情况下,如何满足多辆车的卸载需求也是需解决的问题之一。最后,边缘服务器还需要合并多车建图数据,构建出完整的3维全局地图。
计算卸载调度问题的目标函数往往是非凸函数,通常的做法是使用拉格朗日松弛法来处理约束条件(Yang等,2017),或者使用一些特定的启发式算法来找到接近最优解。常用的启发式搜索算法有贪婪算法(Cui等,2017;Moubayed等,2020)、遗传算法(Deng等,2015)和粒子群算法(Rodrigues等,2018)等。这类算法通过搜索解空间来接近最优解,不同情况下的相关参数设定要求相对较高,并且合适的迭代次数无法确定,这将造成过多的计算时间和能源消耗。Wei等人(2019)使用强化学习来获得次优解或最优解。但随着问题复杂程度的增加,解空间不断扩大,仅使用Q-learning带来的计算和存储的开销将难以接受。因此,基于深度强化学习的方法(Min等,2019;Liu等,2019)被提出,以用来降低求解空间的维度。深度强化学习除了将Q-learning和神经网络结合(Chen等,2019;Zhang等,2019)来逼近值函数求解外,还可以通过异步优势actor-critic算法(asynchronous advantage actor critic,A3C)(Qi等,2019)在高维度和连续动作空间中获得更高的效率。但深度强化学习需要训练的参数数量庞大,对训练样本的数量和分布情况要求高,训练时间长,且方法的复杂度高。为了减少预设参数的数量,降低方法的复杂度,一些研究人员将问题转换为用户间的博弈来求解次优解(Yang等,2018;Wang等,2020),但此类方法随着问题规模的扩大,求解时间往往较长,无法满足车辆的低延迟要求。
基于博弈论求解任务调度问题(Chen等,2016)的启发,本文提出了一种基于边缘计算的协同激光雷达SLAM方法。将调度问题建模为策略博弈问题,并证明此问题属于势博弈(Monderer和Shapley,1996)问题。根据势博弈有限的改进特性,设计了快速收敛的多无人驾驶车辆卸载算法。此外,基于相对可信度,计算各个车辆的地图合并序列,可以高效地匹配且合并多个车辆的建图数据。实验结果表明,该方法可以有效地实现点云匹配和地图合并,缩短响应时间,获得准确的定位结果。
1 激光雷达协同SLAM
1.1 系统概述
基于边缘计算的多车协同SLAM系统框架结构如图 2所示。首先,处于未知环境的无人驾驶车辆会独立进行定位与建图,并通过基站(base station,BS)与边缘服务器相连,进行计算卸载以减少本地负载。此外,点云地图和GPS等数据也被转换到BS坐标下存储到边缘服务器中。然后,系统利用车辆的GPS信息判断车辆之间是否存在重叠区域,存在则进行车辆间的地图匹配,否则根据GPS信息拼接地图。最后,系统根据地图匹配结果合并各无人驾驶车辆的局部地图。在运行时,系统会重复这个过程,直到它绘制出BS覆盖的完整地图。
1.2 单车建图
本文使用的单车SLAM是基于Zhang和Singh(2014)提出的激光雷达里程计与建图(laser dometry and mapping,LOAM)算法,其不需要使用额外的高成本惯性测量单元(inertial measurement unit,IMU)就可以提供足够的定位精确度。算法流程如图 3所示,主要有4个部分:特征提取、里程估计、建图和定位。算法从激光雷达中收集原始数据作为输入。然后根据数据的空间信息进行分类,并提取平面特征和角特征。接下来,里程估计需要分析连续两帧激光雷达点云的特征,并使用非线性最小二乘算法估计两者之间的坐标转换关系。再利用上述坐标转换关系估计车辆位姿,获得粗略的定位结果。在建图部分,算法通过累积点云帧的方式将点云映射到全局坐标系,得到局部区域地图,并再次使用非线性最小二乘算法估计车辆位姿,获得精确的定位结果。
1.3 地图匹配
地图匹配的关键是准确匹配多辆车的局部地图重叠区域,并找出参考帧的相对变换。给定两帧点云作为输入,使用匹配算法(Rusinkiewicz和Levoy,2002;Biber和Strasser,2003)可以找出最优的4×4旋转平移矩阵(rotation and translation,
$ {\mathit{\boldsymbol{T}}_{{\rm{RT}}}} = \left[ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{R}}_{3 \times 3}}}&{{\mathit{\boldsymbol{T}}_{3 \times 1}}}\\ {{{\bf{0}}_{1 \times 3}}}&1 \end{array}} \right] $ | (1) |
式中,
$ {\mathit{\boldsymbol{M}}_2} = {\mathit{\boldsymbol{T}}_{{\rm{RT}}}} \times {\mathit{\boldsymbol{M}}_1} $ | (2) |
式中,
系统中的匹配节点订阅了每辆车的位姿、地图、GPS信息和以车辆ID标识的点云帧等信息,并将位姿和建图结果等转换到BS的全局坐标下。然后,各车辆的局部地图通过点云匹配算法计算
在进行点云匹配时,匹配节点首先确定是否是第一辆无人驾驶车辆。如果是新车辆,则使用其GPS信息生成
此外,匹配的两帧点云在具有较大的平移和旋转值时,匹配算法可能需要较长时间才能收敛,甚至无法收敛。因此,本文提出了由粗到精的点云匹配方法。在粗匹配阶段,利用不同车辆的点云帧进行初步匹配。首先,使用快速点特征直方图(fast point feature histograms,FPFH)算法(Rusu等,2009)从点云中提取关键点和描述符,存储法线的相对方向和位于关键点的球面邻域内的点对之间的距离,再通过随机抽样一致算法(random sample consensus,RANSAC)(Holz等,2015)来估计关键点之间的点到点关系,得到粗略描述局部地图转换关系的
1.4 地图合并
使用无向图
$ R{c_{ij}} = \frac{{P{l_{ij}}}}{{R{l_{ij}}}} $ | (3) |
式中,
初始阶段,将用来存储已遍历节点的集合
2 基于博弈论的多车调度模型
2.1 构建模型
2.1.1 系统模型
考虑车辆集合
2.1.2 通信模型
车辆
$ {r_n}(\mathit{\boldsymbol{a}}) = W \cdot {\log _2}\left({1 + \frac{{{q_n}{g_{n, s}}}}{{\omega + \sum\limits_{i \in N\backslash \left\{ n \right\}:{a_i} = {a_n}} {{q_i}} {g_{i, s}}}}} \right) $ | (4) |
式中,
2.1.3 计算模型
在决策周期内,车辆
1) 本地计算。当车辆
$ T_n^l = \frac{{{d_n}}}{{f_n^m}} $ | (5) |
因此对本地计算来说,总开销为
$ C_n^l = T_n^l $ | (6) |
2) 卸载计算。当车辆
$ T_n^e(\mathit{\boldsymbol{a}}) = \frac{{\sum\limits_{i \in N} {{I_{\left\{ {{a_i} > 0} \right\}}}} {d_n}}}{{f_n^e}} $ | (7) |
式中,指示函数
车辆
$ T_n^{tr}(\mathit{\boldsymbol{a}}) = \frac{{{b_n}}}{{{r_n}(\mathit{\boldsymbol{a}})}} $ | (8) |
因此对卸载计算来说,总开销为
$ C_n^e(\mathit{\boldsymbol{a}}) = T_n^e(\mathit{\boldsymbol{a}}) + T_n^{tr}(\mathit{\boldsymbol{a}}) $ | (9) |
2.1.4 问题建模
设
$ \mathop {\min }\limits_{{a_n} \in \left\{ 0 \right\} \cup {A_n} \buildrel \Delta \over = \left\{ {0, 1, \cdots, M} \right\}} {Z_n}\left({{a_n}, {a_{ - n}}} \right)\quad \forall n \in \mathit{\boldsymbol{N}} $ | (10) |
同时根据式(6)和式(9)可得
$ {Z_n}\left({{a_n}, {a_{ - n}}} \right) = \left\{ {\begin{array}{*{20}{l}} {C_n^l}&{{a_n} = 0}\\ {C_n^e(\mathit{\boldsymbol{a}})}&{{a_n} > 0} \end{array}} \right. $ | (11) |
引入纳什均衡的定义:
定义1 如果所有玩家的决策集合
$ \begin{array}{*{20}{c}} {{Z_n}\left({a_n^*, a_{ - n}^*} \right) \le {Z_n}\left({{a_n}, a_{ - n}^*} \right)}\\ {\forall {a_n} \in {\mathit{\boldsymbol{A}}_n}, n \in \mathit{\boldsymbol{N}}} \end{array} $ | (12) |
根据纳什均衡的定义,当最小开销问题存在纳什均衡时,可以获得次优解。为了证明最小开销问题存在纳什均衡,引入势博弈的概念,如定义2所示。势博弈的特性之一是至少有一个纳什均衡且具有有限的改进特性。
定义2 一个博弈被称为势博弈,则其有势函数
$ {{Z_n}\left({a_n^\prime, {a_{ - n}}} \right) < {Z_n}\left({{a_n}, {a_{ - n}}} \right)} $ | (13) |
则有
$ {P\left({a_n^\prime, {a_{ - n}}} \right) < P\left({{a_n}, {a_{ - n}}} \right)} $ | (14) |
为了证明最小开销问题是势博弈,构造基于阈值的卸载函数,函数包括延迟约束和信号质量约束,定义如下:
1) 延迟约束。为了最小化延迟,仅当边缘计算的开销小于本地计算的开销时,用户
$ T_n^e(\mathit{\boldsymbol{a}}) + T_n^{tr}(\mathit{\boldsymbol{a}}) < T_n^l $ | (15) |
2) 信号质量约束。为了保证接收信号质量,干扰噪声能量不能大于用户
$ \omega + \sum\limits_{i \in N\left\{ n \right\}:{a_i} = {a_n}} {{q_i}} {g_{i, s}} < {q_n}{g_{n, s}} $ | (16) |
此外,定义
$ \begin{array}{l} {C_n} = {\varepsilon _1}\left({T_n^e(\mathit{\boldsymbol{a}}) + T_n^{tr}(\mathit{\boldsymbol{a}})} \right) + \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\varepsilon _2}\left({\omega + \sum\limits_{i \in \mathit{\boldsymbol{N}}\backslash \{ n\} :{a_i} = {a_n}} {{q_i}{g_{i, s}}} } \right) \end{array} $ | (17) |
式中,
因此构造势函数
$ \begin{array}{*{20}{c}} {P(a) = \frac{1}{2}\sum\limits_{i = 1}^N {\sum\limits_{i \ne n} {{C_n}} } {C_i}{I_{\left\{ {{a_n} = {a_i}} \right\}}}{I_{\left\{ {{a_n} > 0} \right\}}} + }\\ {\sum\limits_{i = 1}^N {{C_n}} C{I_{\left\{ {{a_n} = 0} \right\}}}} \end{array} $ | (18) |
根据定义2,要证明最小开销问题是势博弈,有如下3种情况:
1) 假设当前的决策为
$ \begin{array}{*{20}{c}} {P\left({a_k^\prime, {a_{ - k}}} \right) - P\left({{a_k}, {a_{ - k}}} \right) = }\\ {\frac{1}{2}{C_k}\sum\limits_{i \ne k} {{C_i}} {I_{\left\{ {{a_i} = a_k^\prime } \right\}}} + \frac{1}{2}\sum\limits_{k \ne i} {{C_k}} {C_i}{I_{\left\{ {a_k^\prime = {a_i}} \right\}}} - }\\ {{C_k}C < 0} \end{array} $ | (19) |
2) 假设当前的决策为
3) 假设当前的决策为
$ \sum\limits_{i \in \mathit{\boldsymbol{N}}\backslash \{ k\} :{a_i} = {a^\prime }k} {{q_i}{g_{i, s}}} < \sum\limits_{i \in \mathit{\boldsymbol{N}}\backslash \{ k\} :{a_i} = {a_k}} {{q_i}{g_{i, s}}} $ | (20) |
同时当
$ \begin{array}{*{20}{c}} {P\left({a_k^\prime, {a_{ - k}}} \right) - P\left({{a_k}, {a_{ - k}}} \right) = }\\ {\frac{1}{2}{C_k}\sum\limits_{i \ne k} {{C_i}} {I_{\left\{ {{a_i} = a_k^\prime } \right\}}} + \frac{1}{2}\sum\limits_{k \ne i} {{C_k}} {C_i}{I_{\left\{ {a_k^\prime = {a_i}} \right\}}} - }\\ {\frac{1}{2}{C_k}\sum\limits_{i \ne k} {{C_i}} {I_{\left\{ {{a_i} = {a_k}} \right\}}} - \frac{1}{2}\sum\limits_{k \ne i} {{C_k}} {C_i}{I_{\left\{ {{a_k} = {a_i}} \right\}}} = }\\ {{C_k}\left({\sum\limits_{i \ne k} {{C_i}} {I_{\left\{ {{a_i} = a_k^\prime } \right\}}} - \sum\limits_{i \ne k} {{C_i}} {I_{\left\{ {{a_i} = {a_k}} \right\}}}} \right) < 0} \end{array} $ | (21) |
综合上述,最小化开销卸载博弈是势博弈,得证。
2.2 基于势博弈的卸载算法
基于势博弈的卸载算法流程:
initialization
while
for each
compute
compute
if
if
send
if receive UD then
else
else
end
首先,每辆车
$ \begin{array}{*{20}{c}} {{b_n}(t) = \left\{ {\tilde a:\tilde a = \arg \mathop {\min }\limits_{a \in {\mathit{\boldsymbol{A}}_n}} {Z_n}\left({a, {a_{ - n}}(t)} \right)} \right.{\rm{ and }}}\\ {\left. {{Z_n}\left({\tilde a, {a_{ - n}}(t)} \right) \le (1 - \alpha){Z_n}\left({{a_n}(t), {a_{ - n}}(t)} \right)} \right\}}\\ {0 \le \alpha \le 1} \end{array} $ |
当获得的
2.3 实验仿真
在仿真场景中,基站
本文使用平均时隙数量和平均系统开销作为评估指标,以验证算法的收敛速度和减少系统开销的效率,实验结果如图 6和图 7所示。本实验暂不考虑信号能量约束,
3 实验
3.1 实验设置
实验使用4辆硬件配置相同的电动巡逻车和3个基站实现道路测试,并与单车建图结果进行对比。
测试场景路段约1.49 km,包括转弯、直行和变道,如图 8所示。单车建图时,仅使用本地车载单元进行计算,沿着轨迹
表 1
实验平台硬件配置
Table 1
Hardware specification of the experiment platform
平台 | 车辆 | 边缘 |
设备 | Tegra X2 | - |
主CPU | ARM A57 quad-core |
Intel Xeon Platinum 8168 |
架构 | Pascal | Skylake |
时钟频率/GHz | 2.0 | 2.7 |
内存类型 | LPDDR4 | LPDDR4 |
内存大小/GB | 8 | 8 |
注:“-”表示无内容。 |
3.2 性能分析
激光雷达SLAM构建的3维地图如图 9所示。其中,图 9(a)为单车SLAM构建的3维地图,图 9(b)则是基于边缘计算多车协同的建图效果。可以发现,单车建图因为在连续点云帧匹配过程中累积误差,从而导致偏移越来越大;而协同建图各车辆路程相对较短,累积误差相对更小,能够通过边缘服务器,利用地图合并方法快速合成相比于单车更精确的地图,且与真实环境地图更接近。
图 10展示了协同建图、单车建图以及
从图 11中可以看到更多关于定位误差的细节。相比于协同建图,单车SLAM的横、纵向误差波动更明显,且在转弯处更容易出现漂移。这是因为此时点云的特征快速变化,更容易积累里程估计误差。而在A、H点处(图 11中协同建图误差的两大高峰),由于缺少协同建图车辆的相关的转弯轨迹信息,导致协同建图后的轨迹误差也相对较高,甚至高于单车建图。但当有足够多的车辆覆盖弯道信息时,这种误差将会减小。与单车SLAM相比,基于边缘计算的多车协同SLAM的横向定位和纵向定位的平均精度分别提高了6.0倍(从3.604 m降低至0.599 m)和3.9倍(从2.681 m降低至0.680 m)。在最坏情况下,其横向精度提高了1.7倍(从23.321 5 m降低至13.757 4 m),纵向精度提高了1.6倍(从13.510 3 m降低至8.554 6 m)。相比于单车建图,基于边缘计算的协同SLAM算法可以获得更好的性能,更准确的建图结果。
4 结论
为了解决多车构建高精度地图与定位问题,提出了一种基于边缘计算的多车协同激光雷达SLAM算法。通过将多无人驾驶车辆之间的计算卸载决策问题建模为多用户计算势博弈问题, 设计实现了基于势博弈的卸载算法, 在模型具有纳什均衡的基础上实现任务调度。此外,基于相对可信度实现了地图合并,这种方法优先保留了相对可信度高的局部地图以提高整体建图的准确度。实验结果表明,基于博弈论的调度算法可以实现卓越的计算卸载性能。在定位方面,与单车建图结果相比,基于边缘计算卸载的协同SLAM算法也更接近
但是本文方法依然存在以下不足:在线调度策略仅考虑了延迟和信号质量的约束,忽略了能耗的影响。此外,调度策略考虑的是静态场景,缺少对实际场景下车辆的运动预测建模。今后将进一步探索能耗因素和车辆移动性对在线调度策略的影响,完善调度框架结构,使得方法更符合实际,以期得到更好的质量性能。
参考文献
-
Awerbuch B, Azar Y, Epstein A, Mirrokni V S and Skopalik A. 2008. Fast convergence to nearly optimal solutions in potential games//Proceedings of the 9th ACM Conference on Electronic Commerce. Chicago, USA: ACM: 264-273[DOI:10.1145/1386790.1386832]
-
Biber P and Strasser W. 2003. The normal distributions transform: a new approach to laser scan matching//Proceedings of 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems. Las Vegas, USA: IEEE: 2743-2748[DOI:10.1109/IROS.2003.1249285]
-
Chen X, Jiao L, Li W Z, Fu X M. 2016. Efficient multi-user computation offloading for mobile-edge cloud computing. IEEE/ACM Transactions on Networking, 24(5): 2795-2808 [DOI:10.1109/TNET.2015.2487344]
-
Chen X F, Zhang H G, Wu C, Mao S W, Ji Y S, Bennis M. 2019. Optimized computation offloading performance in virtual edge computing systems via deep reinforcement learning. IEEE Internet of Things Journal, 6(3): 4005-4018 [DOI:10.1109/JIOT.2018.2876279]
-
Cui Y, Song J, Ren K, Li M M, Li Z P, Ren Q M, Zhang Y J. 2017. Software defined cooperative offloading for mobile cloudlets. IEEE/ACM Transactions on Networking, 25(3): 1746-1760 [DOI:10.1109/TNET.2017.2650964]
-
Deng S G, Huang L T, Taheri J, Zomaya A Y. 2015. Computation offloading for service workflow in mobile cloud computing. IEEE Transactions on Parallel and Distributed Systems, 26(12): 3317-3329 [DOI:10.1109/TPDS.2014.2381640]
-
Holz D, Ichim A E, Tombari F, Rusu R B, Behnke S. 2015. Registration with the point cloud library:a modular framework for aligning in 3-D. IEEE Robotics and Automation Magazine, 22(4): 110-124 [DOI:10.1109/MRA.2015.2432331]
-
Li X L, Yang B W, Xie X H, Li D, Xu L J. 2018. Influence of waveform characteristics on LiDAR ranging accuracy and precision. Sensors, 18(4): #1156 [DOI:10.3390/s18041156]
-
Liu Y, Yu H M, Xie S L, Zhang Y. 2019. Deep reinforcement learning for offloading and resource allocation in vehicle edge computing and networks. IEEE Transactions on Vehicular Technology, 68(11): 11158-11168 [DOI:10.1109/TVT.2019.2935450]
-
Min M H, Xiao L, Chen Y, Cheng P, Wu D, Zhuang W H. 2019. Learning-based computation offloading for IoT devices with energy harvesting. IEEE Transactions on Vehicular Technology, 68(2): 1930-1941 [DOI:10.1109/TVT.2018.2890685]
-
Monderer D, Shapley L S. 1996. Potential games. Games and Economic Behavior, 14(1): 124-143 [DOI:10.1006/game.1996.0044]
-
Moubayed A, Shami A, Heidari P, Larabi A and Brunner R. 2020. Edge-enabled V2X service placement for intelligent transportation systems[EB/OL].[2020-08-15]. https://arxiv.org/pdf/2001.06288.pdf
-
Qi Q, Wang J Y, Ma Z Y, Sun H F, Cao Y F, Zhang L X, Liao J X. 2019. Knowledge-driven service offloading decision for vehicular edge computing:a deep reinforcement learning approach. IEEE Transactions on Vehicular Technology, 68(5): 4192-4203 [DOI:10.1109/TVT.2019.2894437]
-
Quek T Q S, de la Roche G, Güvenç I, Kountouris M. 2013. Small Cell Networks:Deployment, PHY Techniques, and Resource Management. Cambridge: Cambridge University Press: 260-279
-
Rodrigues T G, Suto K, Nishiyama H, Kato N, Temma K. 2018. Cloudlets activation scheme for scalable mobile edge computing with transmission power control and virtual machine migration. IEEE Transactions on Computers, 67(9): 1287-1300 [DOI:10.1109/TC.2018.2818144]
-
Rusinkiewicz S and Levoy M. 2002. Efficient variants of the ICP algorithm//Proceedings of the 3rd International Conference on 3-D Digital Imaging and Modeling. Quebec, Canada: IEEE: 145-152[DOI:10.1109/IM.2001.924423]
-
Rusu R B, Blodow N and Beetz M. 2009. Fast point feature histograms (FPFH) for 3D registration//Proceedings of 2009 IEEE International Conference on Robotics and Automation. Kobe, Japan: IEEE: 3212-3217[DOI:10.1109/ROBOT.2009.5152473]
-
Wang Y P, Lang P, Tian D X, Zhou J S, Duan X T, Cao Y, Zhao D Z. 2020. A game-based computation offloading method in vehicular multiaccess edge computing networks. IEEE Internet of Things Journal, 7(6): 4987-4996 [DOI:10.1109/JIOT.2020.2972061]
-
Wei Z L, Zhao B K, Su J S, Lu X C. 2019. Dynamic edge computation offloading for internet of things with energy harvesting:a learning method. IEEE Internet of Things Journal, 6(3): 4436-4447 [DOI:10.1109/JIOT.2018.2882783]
-
Yang L, Cao J N, Wang Z Y and Wu W G. 2017. Network aware multi-user computation partitioning in mobile edge clouds//Proceedings of the 46th International Conference on Parallel Processing. Bristol, UK: IEEE: 302-311[DOI:10.1109/ICPP.2017.39]
-
Yang L C, Zhang H L, Li X, Ji H, Leung V C M. 2018. A distributed computation offloading strategy in small-cell networks integrated with mobile edge computing. IEEE/ACM Transactions on Networking, 26(6): 2762-2773 [DOI:10.1109/TNET.2018.2876941]
-
Zhang J and Singh S. 2014. LOAM: Lidar odometry and mapping in real-time//Proceedings of Robotics: Science and Systems X. Berkeley, USA: IEEE: 109-111[DOI:10.15607/RSS.2014.X.00]
-
Zhang K, Zhu Y X, Leng S P, He Y J, Maharjan S, Zhang Y. 2019. Deep learning empowered task offloading for mobile edge computing in urban informatics. IEEE Internet of Things Journal, 6(5): 7635-7647 [DOI:10.1109/JIOT.2019.2903191]
-
Zhe X Y, Li B Y, Zhang X Y, Chen L and Huang K. 2018. Online cooperative 3D mapping for autonomous driving//2018 IEEE Intelligent Vehicles Symposium. Changshu, China: IEEE: 256-261[DOI:10.1109/IVS.2018.8500615]