-
公开(公告)号：CN110244772B
公开(公告)日：2021-12-03
申请号：CN201910528247.3
申请日：2019-06-18
Applicant: 中国科学院上海微系统与信息技术研究所 , 上海科技大学
IPC: G05D1/12
Abstract: 本发明提供一种移动机器人的领航跟随系统，包括：机器人，广播自身的历史速度信息，设有标志板；雾计算节点，包括无线接入模块和通用计算模块；视觉识别模块，包括相机和视觉处理模块，视觉处理模块接收相机数据，识别标志板，并估计其与前车的相对位置和姿态；跟随控制模块，安装在通用计算模块中，根据广播的信息和视觉识别模块的估计值，转化为实时速度信息。本发明还提供领航跟随控制方法。本发明的领航跟随系统采用姿态和位置传感器和相机，在雾计算节点的协助下，利用前车的速度信息和本车视觉信息估计跟随者的相对位置和姿态，实现机器人编队跟随，降低了单个机器人的硬件成本，克服了现有方法在宽阔地域或陌生环境场景下不可用的缺陷。
-
公开(公告)号：CN111431950B
公开(公告)日：2023-04-07
申请号：CN201910017119.2
申请日：2019-01-08
Applicant: 上海科技大学
Abstract: 本申请提供了一种任务卸载方法、装置、移动终端、雾节点和存储介质，通过发送任务至雾节点，获取预测的最短处理时延，并判断所述最短处理时延是否满足所述任务的时延要求；若满足，则获取预测所述任务处理完成后所述移动终端是否还在所述雾节点的服务范围内的预测信息；若否，则令所述雾节点将所述任务广播至服务范围覆盖到所述移动终端预出现的区域的雾节点上以供其响应所述任务；若是，则令所述雾节点将所述任务卸载至所述最短处理时延对应的网络路径中的各雾节点。本申请使得移动终端可以更快速地接入网络，更快速、灵活地获取雾计算层的计算、存储等资源，从而降低了服务时延，节约了带宽资源，提升了移动性支持。
-
公开(公告)号：CN114004336A
公开(公告)日：2022-02-01
申请号：CN202111270563.9
申请日：2021-10-29
Applicant: 上海科技大学
IPC: G06N3/04 , G06N3/08 , G06K9/62 , H04B7/0413
Abstract: 本发明提供了一种基于增强变分自编码器的三维射线重构方法，用于完善预测用户信道幅值的神经网络模型训练所使用的射线追踪数据的神经网络训练样本集，其特征在于，建立增强条件变分自编码器，获得待完善的神经网络训练样本集，指定子区间，基于指定子区间所对应的类别标签获得指定类别标签向量lc将其输入到训练好的增强条件变分自编码器的解码器中，即可实现指定信道幅值区间的训练样本的生成。本发明使得生成的射线样本分布更符合真实环境特征，可有效降低高误差用户数、神经网络的预测误差以及大幅降低获得信道幅值的时间开销。
-
公开(公告)号：CN109756578B
公开(公告)日：2021-09-07
申请号：CN201910141575.8
申请日：2019-02-26
Applicant: 上海科技大学
IPC: H04L29/08
Abstract: 本发明提供了一种面向动态雾计算网络的低时延任务调度方法，网络中的帮助节点不会实时广播自己的节点状态信息，如任务队列信息与可共享计算资源信息，或者说帮助节点并不会实时响应对这些信息的请求。在每次有任务卸载需求时，任务节点需要实时做出卸载决策，从当前的候选帮助帮助节点中选择一个卸载任务。由于任务节点对帮助节点状态未知，任务自身也有时延需求，任务节点则需要良好地从自己过往的任务卸载经验进行学习，为当前决策提供判断。本发明为非动态与动态变化的雾计算或者边缘计算网络提出了一种基于在线学习方法的单对多任务卸载算法，该方法可以大大减少网络中由于信息传播带来的能量开销，延长任务节点和帮助节点的使用时长。
-
公开(公告)号：CN109600432B
公开(公告)日：2021-08-03
申请号：CN201811463076.2
申请日：2018-12-03
Applicant: 上海科技大学
IPC: H04L29/08
Abstract: 本发明涉及一种内容中心移动边缘网络用户动态接入方法，其特征在于，通过接入节点接收并上报用户服务请求、自身特性及网络环境至控制器，控制器通过接入节点上报的服务能力、用户的服务请求以及对用户的服务请求预测结果为参数，为接入节点提供用户动态接入控制策略。由于移动边缘计算/雾计算网络各接入节点具备一定的存储能力，根据接入节点的自身服务能力和网络状态为用户动态地提供文件传输服务，一方面有利用分布式的网络性能优化提升，减小中央控制器与接入节点间链路负载，提升网络运行稳定性；另一方面有利于提高网络整体吞吐量，提升用户服务质量性。
-
Patent Agency Ranking
公开(公告)号：CN113011582A
公开(公告)日：2021-06-22
申请号：CN202110236817.9
申请日：2021-03-03
Applicant: 上海科技大学
Abstract: 本申请提供的一种基于自审视的多单元反馈网络模型、设备和存储介质，该反馈网络模型主要由三个智能体组成：编码单元、自审视单元、及解码智单元。自审视单元将编码智能体编码结果作为输入，对编码结果进行再处理，纠错后再输入到编码单元中进行编码，最后解码单元进行解码三个智能体紧密合作使得整个网络有着更强的反思纠错能力。
-
公开(公告)号：CN108924254B
公开(公告)日：2021-05-11
申请号：CN201810876655.3
申请日：2018-08-03
Applicant: 上海科技大学
IPC: H04L29/08
Abstract: 本发明提供了一种以用户为中心的分布式多用户计算任务卸载方法，其特征在于，包括以下步骤：将多个雾计算计算节点统一抽象为具有服务器的接入点，接入点兼具计算和通信能力，当任一用户产生计算任务时，综合考虑其他用户的卸载决定，依据当前时隙下的卸载决定选择在本地计算或者将计算任务卸载到其他计算节点中的一个从而最小化自身开销。本发明提出了一类以用户为中心的分布式多用户间计算任务卸载方法。此类方法可以以分布式执行的方式，实现多用户间稳定、高效的计算任务卸载。本发明不但可以达到用户满意的结果，而且可以保证较好的系统整体性能(相比于系统最优的策略)。
-
公开(公告)号：CN112019245A
公开(公告)日：2020-12-01
申请号：CN202010870548.7
申请日：2020-08-26
Applicant: 上海科技大学
IPC: H04B7/0413 , H04B17/309 , H04B17/373
Abstract: 本申请提供的一种信道信息实时预测与测量方法、装置、设备和介质，通过对不同用户的原始信号利用经验模态分解算法进行分解，以得到若干个固有模态函数；依据所有不同用户对应的所述固有模态函数的个数计算平均值，并判断各所述用户对应的所述固有模态函数是否低于所述平均值；若是，则采用动态模式分解算法预测该用户的信道信息；若否，则采用改进的动态模式分解算法预测该用户的信道信息；其中，改进的动态模式分解算法针对所述动态模式分解算法所计算的系统模态特征值进行选择性归一化处理。本申请不仅可以在MIMO环境中有效预测不同移动速度场景下用户的信道信息，还能适应其他因素变化的场景下用户的信道信息。
-
公开(公告)号：CN113242064B
公开(公告)日：2022-06-21
申请号：CN202110516817.4
申请日：2021-05-12
Applicant: 上海科技大学
IPC: H04B7/0413 , H04W72/12 , H04W16/22 , H04W24/02
Abstract: 本发明提供了一种基于用户空域特征和信道预测的多小区调度方法，作用对象为多小区通信系统，在该多小区通信系统拓扑中，以每个基站为中心，周围共有3个不同小区，每个小区中含有数量不等的若干用户，其特征在于，每个基站在每个调度周期调度每个小区的N个用户，N≥1。在多输入多输出(MIMO)的5G环境下，本发明计算用户的空域特征以及进行信道预测，通过发明的算法提升各小区调度预测的准确性，降低算法的复杂性，保证调度的公平性以及提升系统总的吞吐量。
-
公开(公告)号：CN114281527A
公开(公告)日：2022-04-05
申请号：CN202111476111.6
申请日：2021-12-06
Applicant: 上海科技大学
IPC: G06F9/50 , H04W72/04 , H04L41/0894 , G06N3/08 , G06N3/04
Abstract: 本发明提供了一种用于在线移动边缘计算和资源分配策略的强化学习方法，其特征在于，包括以下步骤：建立网络模型，将优化联合策略的求解表示为非凸非线性优化问题的求解；对非凸非线性优化问题进行联合策略解耦；建立用于求解解耦后问题的深度强化学习框架。本发明提供的一种集成奖励和减少动作空间的快速深度强化学习算法可以减少网络结构中的参数数量，提高决策效率。快速深度学习框架降低了动作空间维数并设计了新的奖励值。此外，低复杂度的凸优化方法被用于补充和微调卸载决策，可以极大降低计算复杂度。实验表明本发明提出的快速深度学习框架的性能优于贪婪和其他深度强化学习方法，并且在执行时间方面极大降低。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.026 seconds)
