2022年CCF-腾讯犀牛鸟基金课题介绍—智慧交通

CCF-腾讯犀牛鸟基金于2013年由腾讯公司和中国计算机学会（CCF）共同发起，今年是基金发起的第10年。10年来，犀牛鸟基金致力于为海内外青年学者搭建产学合作创新的平台，推动科技在产业创新和社会发展中持续发挥价值。

本年度犀牛鸟基金设立12个技术领域共35项研究命题，我们将分7期对各项命题进行详细介绍，本文重点聚焦智慧交通领域，欢迎海内外优秀青年学者关注并申报。

3.智慧交通

3.1 面向交通专网的高可用无状态核心网技术研究

智慧交通中的交通专网将承载海量的车辆感知、控制和数据分发等业务，需要保障网络的高可用性。由于车联网所承载的数据具有时空不均衡性，交通专网资源需要针对业务波动性进行灵活地水平伸缩。但当前5G核心网的部署通常是状态与协议处理紧耦合，核心网各网元难以进行灵活伸缩，网络扩缩容或部署网元出现故障时将会导致用户终端业务受影响。无状态技术能够在专网核心网充分利用云环境下分布式资源特性，各网元服务以多实例服务网格形式提供，从而保障云环境下的业务高可用行、灵活伸缩能力。然而目前5G核心网的无状态化技术仍处于起步阶段，尚没有关键性能分析及原型系统验证。

本课题旨在研究核心网关键网元的状态与协议的解耦机制，实现核心网网元状态的统一存储;研究各实例间信令级负载均衡算法，实现针对业务及资源分布的信令调度，保障核心网的高可用性，形成无状态化5G核心网原型系统。课题组提供5G云化核心网软件环境。

建议研究方向:

1) 核心网关键网元状态及协议及其负载均衡实现机制。针对核心网控制面和用户面网元所使用的SCTP、HTTP2.0、GTP等协议,结合UE状态控制、PDU会话状态和用户面业务数据会话状态，定向研究其负载均衡的实现机制;

2) 网元实例化后的负载均衡算法研究。针对核心网控制面和用户面网元所使用的SCTP、HTTP2.0、GTP等协议，结合协议IP包体关键业务数据字段，使得负载均衡设备可以根据业务场景对RAN与5G核心网控制面、RAN与5G核心网用户面、5G核心网网元之间的请求进行灵活高效的负载均衡处理;

3) 结合网元状态和协议分析的业务处理和业务状态数据解耦机制。针对UE移动性管理MM状态和会话管理状态SM状态，通过改造业务处理机，实现业务处理和业务会话数据的解耦，进一步实现无状态的业务处理机集群，在单个业务处理机故障情况下，可无缝切换到其它的业务处理机，保证业务会话的连续性;

4) 网元状态统一存储机制及实现。基于内存和数据库同步技术的业务会话状态数据存储和获取，实现业务会话状态数据的持久化存储。当业务处理机集群中的某一节点宕机，业务会话被集群内其它节点接管情况下，业务会话状态数据可实时获取，从而保证业务会话处理的连续性。

3.2 基于视觉SLAM技术的建图和定位研究

视觉SLAM作为机器人自主导航的经典方案，获得了越来越多的关注，其要求简单、成本低廉、易于实现，在研究深度和创新性方面也不断提升。在封闭场景内，该技术可以根据视觉采集数据完成基于点云的三维地图重建，进而可基于点云地图进行精准定位，解决封闭场景内卫星信号无法定位的问题，补齐在封闭空间高精定位和持续导航的能力短板。在室外大场景，视觉SLAM技术同样可以提升定位精度，并在道路语义层面进行建模，构建道路语义地图。但目前视觉SLAM仍旧面临诸多挑战，如场景变化、纹理缺失、运行效率、尺度恢复等问题。本课题旨在结合腾讯地图在各种场景高精度定位和建图的需求，探索和实现高精度定位和建图应用。

建议研究方向:

1) 研究和探索面向封闭场景和室外开阔场景的视觉SLAM新技术和新应用; 2) 开展对已有SLAM框架、语义VIO等技术方案的效果对比，研究性能提升方法，探索视觉SLAM在三维点云重建和精准定位的应用潜力。

3.3 基于人工智能的出行意图识别和推荐算法

越来越多的用户在地图产品中进行驾车导航、POI检索、路况查询、路线规划，产生了大量的出行数据。基于这些数据有效识别用户出行意图、预测出行需求，利用推荐算法为用户提供高效的出行助手服务，成为一个非常有商业价值和研究价值的课题。本课题旨在研究基于人工智能的出行意图识别和出行类服务推荐技术，包括用户画像建模、意图识别、推荐算法等。

建议研究方向:

1) 用户画像建模技术，包括user embedding、图算法等;

2) 推荐技术，包括CTR预估、多目标建模等。

3.4 面向智慧出行场景的视觉及多模态感知算法研究

智慧出行涵盖智能座舱、自动驾驶等多个场景，也面向高、中、低端多层级硬件平台。感知是出行领域不可或缺的部分，而针对上述多场景、多硬件平台提供适配性、一体化的感知方案具有不小的挑战。面向中低端座舱平台，多任务感知架构能够极致化地利用有限的算力，为座舱下游服务的智能化提供有力的支撑，如何在此基础上进一步进行多任务协同、单任务定点优化是我们不断探索的方向。与此同时，视觉单模态已无法承载快速演变的座舱需求，视觉、语音、NLP跨模态的融合是当下比较明晰的发展路径。而面向高算力云端平台，高度依赖感知的数字化场景提取和重建也是自动驾驶工具链中重要的一环。本课题旨在探索基于海量的计算资源和标注数据，打造更高性能的感知引擎来提升出行体验的方法。

建议研究方向:

1) 多任务学习协同优化:多任务学习能实现有限算力下更高的检测精度和更广的检测要素类别。多任务协同优化包括但不限于:多任务架构的设计和组合、异源数据之间的调度机制以及任务间损失自适应调节等;

2) 多模态环境感知与场景理解:通过模型前端融合视觉环境感知、语音识别及语义理解等跨模态任务，实现端到端的场景理解;

3) 高保真数字化场景提取及重建:结合Camera、Lidar、IMU等传感器数据进行多源环境感知及三维重建。

3.5 基于大数据的交通分析、预测及优化

高效绿色的城市交通需要精准感知预测交通动态、深度挖掘出行规律和问题、优化规划和管理、引导需求和服务等。本课题旨在通过对海量交通数据和城市动态数据的深度分析，从多尺度、多角度建立科学系统的交通评估、诊断、预测及优化方法体系，融合网络动态、宏观规律、微观行为、出行需求、绿色低碳、便利可达等多源信息和维度，实现交通精准感知、预测、服务和管理，支持城市深度理论分析和决策优化。课题组提供脱敏数据和落地场景。

建议研究方向:

1) 科学系统的城市体检和交通评估诊断指标体系和计算方法;

2) 实时交通感知、分析、预测和仿真:比如动态出行需求感知、交通规律挖掘和可视化、车流和交通状态预测、微观和宏观交通仿真;

3) 交通优化和服务:比如公交线路优化、混合交通模式的路线规划、大规模个性化导航路径规划技术和服务模式等;

4) 绿色出行:通过对城市交通设施、路网结构、出行需求、交通方式选择、可达性等综合分析，引导绿色出行，推动城市交通规划、管理和生活方式的绿色转变、高质量发展和公平服务。