論文の概要: Learning Based Task Offloading in Digital Twin Empowered Internet of
Vehicles
- arxiv url: http://arxiv.org/abs/2201.09076v1
- Date: Tue, 28 Dec 2021 08:24:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-30 14:16:48.045399
- Title: Learning Based Task Offloading in Digital Twin Empowered Internet of
Vehicles
- Title(参考訳): デジタル双発車載インターネットにおける学習型タスクオフロード
- Authors: Jinkai Zheng, Tom H. Luan, Longxiang Gao, Yao Zhang, and Yuan Wu
- Abstract要約: インターネット・オブ・ビークルのためのタスク・オフロード・フレームワークとしてDigital Twin (DT)を提案する。
クラウドに居住するソフトウェアエージェントとして、DT間の通信を用いて、DTは両方のグローバルネットワーク情報を得ることができる。
本稿では,アルゴリズムが最適オフロード戦略を効果的に発見できることを示すとともに,高速収束と高性能化を実現可能であることを示す。
- 参考スコア(独自算出の注目度): 22.088412340577896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile edge computing has become an effective and fundamental paradigm for
futuristic autonomous vehicles to offload computing tasks. However, due to the
high mobility of vehicles, the dynamics of the wireless conditions, and the
uncertainty of the arrival computing tasks, it is difficult for a single
vehicle to determine the optimal offloading strategy. In this paper, we propose
a Digital Twin (DT) empowered task offloading framework for Internet of
Vehicles. As a software agent residing in the cloud, a DT can obtain both
global network information by using communications among DTs, and historical
information of a vehicle by using the communications within the twin. The
global network information and historical vehicular information can
significantly facilitate the offloading. In specific, to preserve the precious
computing resource at different levels for most appropriate computing tasks, we
integrate a learning scheme based on the prediction of futuristic computing
tasks in DT. Accordingly, we model the offloading scheduling process as a
Markov Decision Process (MDP) to minimize the long-term cost in terms of a
trade off between task latency, energy consumption, and renting cost of clouds.
Simulation results demonstrate that our algorithm can effectively find the
optimal offloading strategy, as well as achieve the fast convergence speed and
high performance, compared with other existing approaches.
- Abstract(参考訳): モバイルエッジコンピューティングは、未来の自動運転車がコンピューティングタスクをオフロードする上で、効果的で基本的なパラダイムとなっている。
しかし, 車両の移動性の高さ, 無線環境のダイナミクス, 到着時のコンピューティングタスクの不確実性などにより, 最適降ろし戦略を一つの車両で決定することは困難である。
本稿では,車両のインターネット化のためのタスクオフロードフレームワークとして,デジタルツイン(dt)を提案する。
クラウドに居住するソフトウェアエージェントとして、DT間の通信を用いてグローバルネットワーク情報と、ツイン内の通信を用いて車両の履歴情報の両方を得ることができる。
グローバルネットワーク情報と履歴車両情報は、オフロードを著しく促進することができる。
具体的には、最も適切なコンピューティングタスクのために、貴重なコンピューティングリソースを異なるレベルで保持するために、dtにおける未来的コンピューティングタスクの予測に基づく学習スキームを統合する。
そこで我々は,オフロードスケジューリングプロセスをMarkov Decision Process (MDP) としてモデル化し,タスク遅延,エネルギー消費,クラウドのレンタルコストのトレードオフの観点から,長期コストを最小化する。
シミュレーションの結果,本手法は他の手法と比較して高速収束速度と高速性能を実現するとともに,最適オフロード戦略を効果的に求めることができることがわかった。
関連論文リスト
- Structural Knowledge-Driven Meta-Learning for Task Offloading in
Vehicular Networks with Integrated Communications, Sensing and Computing [21.50450449083369]
タスクオフロードは、オンボードコンピューティングリソースが限られているため、遅延に敏感な車両用アプリケーションの厳格な要件を満たすための潜在的なソリューションである。
本稿では,モデルに基づくAMアルゴリズムとニューラルネットワークを併用した,創造的構造的知識駆動型メタラーニング(SKDML)手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T03:31:59Z) - Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-16T23:13:51Z) - Knowledge-Driven Multi-Agent Reinforcement Learning for Computation
Offloading in Cybertwin-Enabled Internet of Vehicles [24.29177900273616]
我々は,サイバトウィン対応IoVにおけるタスクオフロードの遅延を低減するために,知識駆動型マルチエージェント強化学習(KMARL)手法を提案する。
具体的には、検討されたシナリオにおいて、サイバートウィンは、各車両が情報を交換し、仮想空間におけるオフロード決定を行うための通信エージェントとして機能する。
論文 参考訳(メタデータ) (2023-08-04T09:11:37Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳(メタデータ) (2023-08-03T02:49:50Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - 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) - Task-Oriented Image Transmission for Scene Classification in Unmanned
Aerial Systems [46.64800170644672]
シーン分類作業のための新しい航空画像伝送パラダイムを提案する。
画像やチャネル条件の認識を伴うセマンティックブロック伝送のための,フロントエンドUAV上での軽量モデルを開発した。
伝送遅延と分類精度のトレードオフを達成するために、深層強化学習を用いる。
論文 参考訳(メタデータ) (2021-12-21T02:44:49Z) - Deep Reinforcement Learning for Collaborative Edge Computing in
Vehicular Networks [40.957135065965055]
協調エッジコンピューティングフレームワークは、コンピューティングサービスのレイテンシを低減し、車両ネットワークのサービスの信頼性を向上させるために開発されている。
人工知能(AI)に基づく協調コンピューティングアプローチが開発され、車両のタスクオフロード、コンピューティング、結果配信ポリシーが決定される。
当社のアプローチでは,サービスレイテンシとサービス障害ペナルティを含むサービスコストを,最適なワークロード割り当てとサーバの選択によって最小化することができる。
論文 参考訳(メタデータ) (2020-10-05T00:06:37Z) - Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions [30.606518785629046]
高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。
本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
論文 参考訳(メタデータ) (2020-08-14T11:48:13Z) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳(メタデータ) (2020-07-20T13:46:42Z)
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。