論文の概要: Online V2X Scheduling for Raw-Level Cooperative Perception
- arxiv url: http://arxiv.org/abs/2202.06085v1
- Date: Sat, 12 Feb 2022 15:16:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:05:43.328873
- Title: Online V2X Scheduling for Raw-Level Cooperative Perception
- Title（参考訳）: 生レベル協調認知のためのオンラインv2xスケジューリング
- Authors: Yukuan Jia, Ruiqing Mao, Yuxuan Sun, Sheng Zhou, Zhisheng Niu
- Abstract要約: 視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。
本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。
本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 21.099819062731463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cooperative perception of connected vehicles comes to the rescue when the
field of view restricts stand-alone intelligence. While raw-level cooperative
perception preserves most information to guarantee accuracy, it is demanding in
communication bandwidth and computation power. Therefore, it is important to
schedule the most beneficial vehicle to share its sensor in terms of
supplementary view and stable network connection. In this paper, we present a
model of raw-level cooperative perception and formulate the energy minimization
problem of sensor sharing scheduling as a variant of the Multi-Armed Bandit
(MAB) problem. Specifically, volatility of the neighboring vehicles,
heterogeneity of V2X channels, and the time-varying traffic context are taken
into consideration. Then we propose an online learning-based algorithm with
logarithmic performance loss, achieving a decent trade-off between exploration
and exploitation. Simulation results under different scenarios indicate that
the proposed algorithm quickly learns to schedule the optimal cooperative
vehicle and saves more energy as compared to baseline algorithms.
- Abstract（参考訳）: 視覚領域が単独の知性を制限すると、コラボレーティブな車両の認識が救われる。
生レベルの協調認識は、ほとんどの情報を精度を保証するために保存するが、通信帯域幅と計算能力は要求されている。
したがって、補足的な視点と安定したネットワーク接続の観点から、最も有益な車両がセンサを共有するようにスケジュールすることが重要である。
本稿では,マルチアーム付きバンディット(mab)問題の変種として,センサ共有スケジューリングのエネルギー最小化問題を定式化する。
具体的には、隣接する車両のボラティリティ、V2Xチャネルの不均一性、時間変動交通状況を考慮する。
次に,対数的性能損失を伴うオンライン学習ベースのアルゴリズムを提案し,探索と搾取のまともなトレードオフを実現する。
異なるシナリオによるシミュレーション結果から,提案アルゴリズムは最適協調車両のスケジュールを迅速に学習し,ベースラインアルゴリズムと比較してより多くのエネルギーを節約できることがわかった。
関連論文リスト
- Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - Communication- and Computation-Efficient Distributed Decision-Making in Multi-Robot Networks [2.8936428431504164]
複数のロボット間のスケーラブルでほぼ最適な関節運動計画を可能にする分散協調パラダイムを提供する。
我々のアルゴリズムは、競合する準最適アルゴリズムよりも2桁高速である。
最大45台のロボットによる監視タスクのシミュレーションでは、1Hzのオーダーでリアルタイム計画が可能で、カバー性能も優れている。
論文 参考訳（メタデータ） (2024-07-15T01:25:39Z) - Novel Actor-Critic Algorithm for Robust Decision Making of CAV under Delays and Loss of V2X Data [3.9160947065896803]
本稿では,V2X環境における遅延および/またはロスデータによるロバストな駆動性能を保証する新しいBlind Actor-Criticアルゴリズムを提案する。
シミュレーション環境でのアルゴリズムの性能を評価し,ベンチマーク手法と比較した。
論文 参考訳（メタデータ） (2024-05-08T14:14:03Z) - Cooperative Perception with Learning-Based V2V communications [11.772899644895281]
本研究は,コミュニケーションチャネル障害に対する協調認識会計の性能を解析する。
中間特性のロバスト性を活用するために, 新たなレイトフュージョン方式を提案する。
協調によって生じるデータサイズを圧縮するために、畳み込みニューラルネットワークベースのオートエンコーダを採用する。
論文 参考訳（メタデータ） (2023-11-17T05:41:23Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Roulette-Wheel Selection-Based PSO Algorithm for Solving the Vehicle
Routing Problem with Time Windows [58.891409372784516]
本稿では,Roulette Wheel Method (RWPSO) を用いた新しいPSO手法を提案する。
RWPSOのSolomon VRPTWベンチマークデータセットを用いた実験は、RWPSOが文学の他の最先端アルゴリズムと競合していることを示している。
論文 参考訳（メタデータ） (2023-06-04T09:18:02Z) - MASS: Mobility-Aware Sensor Scheduling of Cooperative Perception for
Connected Automated Driving [19.66714697653504]
コラボレーティブ・パーセプション(CP)と呼ばれる新しいパラダイムが、コラボレーティブ・ビークル(CoV)からのセンサデータを共有することで救助にやってくる。
既存の方法は、近くの車両からの知覚の利得を予測するために、可視性マップのようなメタ情報交換に依存している。
CPの分散スケジューリングにおいて,スケジューリング中に学習する新しい手法を提案する。
提案したMASSアルゴリズムは,他の学習ベースアルゴリズムと比較して,最大4.2ポイントのリコール率向上を実現している。
論文 参考訳（メタデータ） (2023-02-25T09:03:05Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Cooperative LIDAR Object Detection via Feature Sharing in Deep Networks [11.737037965090535]
協調物体検出(FS-COD)のための特徴共有の概念を導入する。
提案手法では, 協調車両間で部分的に処理されたデータを共有することにより, 環境の理解を深める。
提案手法は,従来の単車車物体検出手法よりも性能に優れていた。
論文 参考訳（メタデータ） (2020-02-19T20:47:09Z) - 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。