土耳其伊斯坦布尔的第一条地铁修建于1875年,是世界上最古老的地铁线路之一。为了缓解这座1000万人口特大城市的交通拥塞状况,伊斯坦布尔地铁三期工程已经完工,总长度达到110.5千米;其中UUC线路将是土耳其第一个无人驾驶的地铁线,自动化程度非常高。同时为了确保民众的出行安全及应对突发事件,列车在高速运行过程中,监控系统大量数据需要实时回传到地面监控中心,这就对网络可靠性和传输能力提出了更高的要求。列车上的数据实时回传地面,对Wi-Fi网络方案来说面临如下诉求:
高带宽:为了满足地铁上全高清摄像需求,每辆列车至少需要140M带宽,而且需要应对视频流量突发情况,极端情况下需要满足视频流量200M,Wi-Fi网络需要承载高带宽高清监控视频。
稳定性:列车在高速移动中,车载AP与轨旁AP之间需要频繁的快速切换,如果切换性能不满足要求,会频繁出现丢包率高、系统掉线等问题,导致列车上的数据无法正常回传到地面。所以要保证列车高速运行状态下的视频清晰流畅。
可靠性:列车在高速移动中,会带来强烈的震动,大风也会带来很多灰尘,隧道墙体经常会有水汽凝结,这些恶劣的外部环境对设备可靠性都提出了较高的要求。
针对以上挑战,华为应用WLAN轨道交通解决方案,满足土耳其地铁Wi-Fi网络对高带宽,可靠性,和稳定性的要求,保证数据实时回传地面,为土耳其UUC地铁打造安全出行的屏障。
华为WLAN轨道交通解决方案采用定制化的轨道交通无线接入点设备。车载AP满足防震和防火阻燃等标准,轨旁AP采用业界最高等级的防尘防水标准,细小尘埃无法进入,也不惧雨淋,满足极端环境下安装部署要求,有效避免恶劣天气和环境影响。此外,华为轨旁AP采用全金属外壳设计,内置天馈口、网口、交流供电口防雷器,省去了购置防雷器的成本,每个室外AP可以节省100美元投资,也避免了多个无源器件导致的故障问题,提高稳定性与可靠性。
图1:华为室外AP全内置防雷器
华为轨旁及车载AP使用5G频段用作数据回传,可有效减少干扰。同时,链路带宽在列车静止时达到1.3Gbps,在时速80km/h的情况下能达到300Mbps,提供充足的链路带宽;轨旁AP8130DN采用的是业界首款支持双5G技术的款型,一台AP可以实现双频5GHz异频段点覆盖,不仅解决了车地链路的可靠性问题,还可以采用负载均衡技术,同时部署车头尾两组设备,双链路备份进一步提高车地回传的可靠性。
图2车载AP和轨旁AP双链路备份
华为WLAN轨道交通解决方案采用专利多Link预链接技术,支持一个车载AP同时与多个轨旁AP建立链接,在信号强度满足切换条件时直接无缝切换;并且应用链路切换抑制专利算法,能够有效保证链路的稳定性,避免频繁切换带来吞吐性能的下降。在80km/h速度下,链路切换时间不超过50ms,保证链路切换时业务不受影响。
图3车载AP和轨旁AP链路无缝切换
轨旁天线采用30度小角度定向天线,定向性更好,抗干扰能力强,同时采用抗风设计,形状截面小,车辆快速移动产生大风时不易产生移动。列车上安装空间有限,传统抱杆或挂墙安装容易因为地铁行驶中产生的震动导致位置发生偏移,华为采用定制化的小型板状天线,针对车载特殊环境,定制化安装件来固定天线,保证天线辐射角度不受影响。
图4定制化的安装件
华为WLAN轨道交通解决方案,从性能、可靠性及定制化等多个方面很好的解决了土耳其UUC地铁Wi-Fi覆盖所面临的问题,保证了地铁监控系统的稳定运行,通过高质量的无线链路切换功能,车地回传的业务质量得到了显著改善,来自移动列车内的实况视频流可以被实时传送到控制中心,帮助操作者进一步提高列车上的操作意识和安全性,为相关机构应对突发事件及民众的安全出行增添了保障。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。