論文の概要: Machine Learning Algorithm for NLOS Millimeter Wave in 5G V2X
Communication
- arxiv url: http://arxiv.org/abs/2012.12123v1
- Date: Wed, 16 Dec 2020 11:41:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 07:48:11.608489
- Title: Machine Learning Algorithm for NLOS Millimeter Wave in 5G V2X
Communication
- Title（参考訳）: 5G V2X通信におけるNLOSミリ波の機械学習アルゴリズム
- Authors: Deepika Mohan, G.G.Md.Nawaz Ali, Peter Han Joo Chong
- Abstract要約: 本稿では,mmWave基地局からLOS(Line-of-sight)とNLOS(Non-LOS)の車両に送信する。
機械学習(RML)アルゴリズムを使用したリレーは、そのカバレッジ領域内のブロックを特定するためにmmBSをトレーニングし、LOSノードをリレーとしてNLOSの車両にメッセージをブロードキャストする。
- 参考スコア（独自算出の注目度）: 4.219722822139437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The 5G vehicle-to-everything (V2X) communication for autonomous and
semi-autonomous driving utilizes the wireless technology for communication and
the Millimeter Wave bands are widely implemented in this kind of vehicular
network application. The main purpose of this paper is to broadcast the
messages from the mmWave Base Station to vehicles at LOS (Line-of-sight) and
NLOS (Non-LOS). Relay using Machine Learning (RML) algorithm is formulated to
train the mmBS for identifying the blockages within its coverage area and
broadcast the messages to the vehicles at NLOS using a LOS nodes as a relay.
The transmission of information is faster with higher throughput and it covers
a wider bandwidth which is reused, therefore when performing machine learning
within the coverage area of mmBS most of the vehicles in NLOS can be benefited.
A unique method of relay mechanism combined with machine learning is proposed
to communicate with mobile nodes at NLOS.
- Abstract（参考訳）: 自律・半自律運転のための5G車両間通信(V2X)は無線通信技術を利用しており、ミリ波帯はこの種の車載ネットワークアプリケーションで広く実装されている。
本研究の目的は,mmWave基地局からLOS(Line-of-sight)とNLOS(Non-LOS)の車両にメッセージを送信することである。
機械学習(RML)アルゴリズムを使用したリレーは、そのカバレッジ領域内のブロックを特定するためにmmBSをトレーニングし、LOSノードをリレーとしてNLOSの車両にメッセージをブロードキャストする。
情報伝送は高いスループットで高速化され、再利用される広い帯域幅をカバーしているため、NLOSのほとんどの車両は、mBSのカバー範囲内で機械学習を行うことができる。
NLOSの移動ノードと通信するために,独自のリレー機構と機械学習を組み合わせる方法を提案する。
関連論文リスト
- Efficient Driving Behavior Narration and Reasoning on Edge Device Using Large Language Models [16.532357621144342]
大規模言語モデル(LLM)は、人間の知覚と同じような精度で、運転シーンや行動を記述することができる。
エッジデバイスにLLMを適用した運転行動ナレーションと推論フレームワークを提案する。
実験により,エッジデバイスに展開したLCMは,応答速度が良好であることが確認された。
論文 参考訳（メタデータ） (2024-09-30T15:03:55Z) - VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning [2.6322811557798746]
車両用無線環境マップフェデレートラーニング(VREM-FL)を提案する。
車両の移動性と5G無線環境マップを組み合わせる。
VREM-FLは無線リソース使用のためのトレーニング時間に調整することができる。
論文 参考訳（メタデータ） (2023-11-30T17:38:54Z) - Revolutionizing Wireless Networks with Federated Learning: A
Comprehensive Review [0.0]
本稿では,無線通信における機械学習の重要性について論じる。
これは、フェデレートラーニング(FL)を、将来のモバイルネットワーク、特に6Gなどにおいて重要な役割を果たす新しいアプローチとして強調している。
論文 参考訳（メタデータ） (2023-08-01T22:32:10Z) - 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) - Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。
過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。
データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
論文 参考訳（メタデータ） (2021-12-07T20:15:39Z) - Federated mmWave Beam Selection Utilizing LIDAR Data [3.7352534957395522]
We propose LIDAR aided beam selection for V2I mmWave communication system using federated training。
提案手法では、コネクテッドカーが協調して、システム正常動作中に、ローカルで利用可能なLIDARデータに基づいて共有ニューラルネットワーク(NN)を訓練する。
また,CNNアーキテクチャとLIDARプリプロセッシングの代替として,性能と複雑さの両面で,従来よりも大幅に優れていた,より複雑な畳み込みNN(CNN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-02-04T18:49:20Z) - Wireless for Machine Learning [91.13476340719087]
我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。
文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。
このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
論文 参考訳（メタデータ） (2020-08-31T11:09:49Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳（メタデータ） (2020-08-06T12:37:14Z) - 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) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。