复杂交通场景通信与感知算法挑战赛分为3个赛题。

赛题一为网联协同信道大尺度衰落预测。路径损耗的精准预测可以为车辆路径规划及网络资源分配等多方面带来增益，网联协同场景下基于多模态感知信息的路径损耗预测具有重要意义。本赛题要求参与者根据路端设备和车端的感知数据，包括RGB图像、激光雷达点云数据和深度图像，实现不同天气（晴、雨、雪）和不同车流量密度（中、高）与通信频段（sub-6 GHz、毫米波28 GHz）下的路径损耗的实时预测。

赛题二为车路协同高效波束预测方案设计。网联协同场景下通信系统要求极低时延和极高可靠性，而毫米波大规模天线阵列的窄波束特性以及接收端的高速移动性对于传统波束选择算法提出了挑战。因此，基于多模态感知信息的精确波束预测对于提升通信系统的可靠性和有效性具有重要意义。本赛题鼓励选手利用路端设备的多模态感知信息在不同天气（晴、雨、雪）和不同车流量密度（中、高）的网联智能交通复杂场景下，实现高精度、低通信开销的最佳波束选择。

赛题三为异常数据条件下车辆协同定位。网联智能车在复杂交通场景中实现精确鲁棒的定位，是实现多样化智能任务的基础。在实际交通场景中，存在多种异常数据条件，例如包括大雨、大雪在内的特殊天气，以及包括数据残缺，数据丢失在内的数据缺失问题，这对传统的定位算法提出了挑战。因此，如何利用协同定位算法，实现复杂场景中高精度高可靠定位是智能车算法的关键挑战。赛题鼓励参赛者充分利用来自车端、路端的多模态感知数据，以及车路通信的射频信道信息，设计灵活可靠的智能车协同定位算法。

 

赛题一：网联协同信道大尺度衰落预测

赛题二：车路协同高效波束预测方案设计 

赛题三：异常数据条件下车辆协同定位  

如您遇到问题，请联系：黄子蔚 ziweihuang@pku.edu.cn（赛题一）；张浩天 haotianzhang@stu.pku.edu.cn（赛题二）；李思江 pkulsj@pku.edu.cn（赛题三）