論文の概要: Minimizing Age-of-Information for Fog Computing-supported Vehicular
Networks with Deep Q-learning
- arxiv url: http://arxiv.org/abs/2004.04640v1
- Date: Sat, 4 Apr 2020 05:19:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 23:28:06.549830
- Title: Minimizing Age-of-Information for Fog Computing-supported Vehicular
Networks with Deep Q-learning
- Title（参考訳）: 深部Q-ラーニングによるフォグコンピューティング支援Vehicular Networkの情報の最小化
- Authors: Maohong Chen, Yong Xiao, Qiang Li and Kwang-cheng Chen
- Abstract要約: Age of Information (AoI) は、車両とクラウド/フォグサーバ間の無線リンクの性能を評価する指標である。
本稿では, AoI の信頼性を保証するために, 運転経路を最適化する新しいプロアクティブかつデータ駆動方式を提案する。
- 参考スコア（独自算出の注目度）: 15.493225546165627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Connected vehicular network is one of the key enablers for next generation
cloud/fog-supported autonomous driving vehicles. Most connected vehicular
applications require frequent status updates and Age of Information (AoI) is a
more relevant metric to evaluate the performance of wireless links between
vehicles and cloud/fog servers. This paper introduces a novel proactive and
data-driven approach to optimize the driving route with a main objective of
guaranteeing the confidence of AoI. In particular, we report a study on three
month measurements of a multi-vehicle campus shuttle system connected to
cloud/fog servers via a commercial LTE network. We establish empirical models
for AoI in connected vehicles and investigate the impact of major factors on
the performance of AoI. We also propose a Deep Q-Learning Netwrok (DQN)-based
algorithm to decide the optimal driving route for each connected vehicle with
maximized confidence level. Numerical results show that the proposed approach
can lead to a significant improvement on the AoI confidence for various types
of services supported.
- Abstract（参考訳）: Connected vehicular Networkは、次世代のクラウド/フォグ対応自動運転車両のキーイネーブラーの1つだ。
ほとんどのコネクテッド車載アプリケーションは頻繁なステータス更新を必要としており、車両とクラウド/フォッグサーバ間の無線リンクのパフォーマンスを評価するためのより関連する指標である。
本稿では, AoI の信頼性を保証するために, 運転経路を最適化する新しいプロアクティブかつデータ駆動方式を提案する。
特に,商用LTEネットワークを介して,クラウド/フォグサーバに接続された複数車両のキャンパスシャトルシステムの3ヶ月間の計測について報告する。
連結車両におけるAoIの実証モデルを構築し,AoIの性能に及ぼす主要要因の影響を検討した。
また,信頼度を最大化する各車両の最適走行経路を決定するための深層q-learning netwrok (dqn) ベースのアルゴリズムを提案する。
数値解析の結果,提案手法は各種サービスに対するAoI信頼度を大幅に向上させる可能性が示唆された。
関連論文リスト
- Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。
本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-01T15:37:38Z) - QoS prediction in radio vehicular environments via prior user
information [54.853542701389074]
セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。
具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
論文 参考訳（メタデータ） (2024-02-27T17:05:41Z) - A V2X-based Privacy Preserving Federated Measuring and Learning System [0.0]
本稿では,V2V(Var-to-Vehicle)通信を介して,同志の車両にリアルタイムなデータを提供するフェデレート計測学習システムを提案する。
また,交通ネットワークの予測モデルを作成するために,車両ネットワーク(V2N)リンク上で連合学習スキームを運用している。
その結果,提案方式では学習性能が向上し,アグリゲータサーバ側での盗聴を防止することができた。
論文 参考訳（メタデータ） (2024-01-24T23:11:11Z) - DriveLM: Driving with Graph Visual Question Answering [57.51930417790141]
本研究では,Webスケールデータに基づいて学習した視覚言語モデル(VLM)を,エンド・ツー・エンドの運転システムに統合する方法について検討する。
グラフVQAとエンドツーエンド駆動を併用するVLMベースラインアプローチ(DriveLM-Agent)を提案する。
論文 参考訳（メタデータ） (2023-12-21T18:59:12Z) - MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected
Vehicles [21.615151912285835]
我々は、ニューラルネットワークを協調的かつ分散的に訓練するために、近隣のICVをコーディネートする基地局を考える。
車両の移動性のため、基地局とICV間の接続は短命である。
本稿では,各トレーニングラウンドの時間と局所的なイテレーション回数を最適化し,FL-ICVフレームワークの高速化を提案する。
論文 参考訳（メタデータ） (2022-12-07T08:53:53Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Deep Reinforcement Learning Based Multi-Access Edge Computing Schedule
for Internet of Vehicle [16.619839349229437]
車両用インターネット(IoV)の最大品質(QoE)を維持した無線ネットワークサービスを実現するためのUAV支援手法を提案する。
本稿では,M-AGCDRL(Multi-Agent Graph Convolutional Deep Reinforcement Learning)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-15T17:14:58Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳（メタデータ） (2020-06-02T06:32:59Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。