論文の概要: Distributed Learning for Vehicular Dynamic Spectrum Access in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2204.10179v1
• Date: Tue, 22 Mar 2022 10:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-24 16:42:12.345780
• Title: Distributed Learning for Vehicular Dynamic Spectrum Access in Autonomous Driving
• Title（参考訳）: 自律運転における車両の動的スペクトルアクセスのための分散学習
• Authors: Pawe\{l} Sroka, Adrian Kliks
• Abstract要約: 本稿では,動的に選択された周波数帯域で小隊内通信を行う自律型小隊利用事例に焦点をあてる。 キャリアの選択は、道路側ユニットに位置するコンテキストデータベースのサポートにより柔軟に行われる。 データベースは、プラトンリーダーにコンテキスト情報のみを提供するので、最終的な決定は個々のプラトンによって別々に行われる。
• 参考スコア（独自算出の注目度）: 0.8310823210651432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable wireless communication between the autonomously driving cars is one of the fundamental needs for guaranteeing passenger safety and comfort. However, when the number of communicating cars increases, the transmission quality may be significantly degraded due to too high occupancy radio of the used frequency band. In this paper, we concentrate on the autonomous vehicle-platooning use-case, where intra-platoon communication is done in the dynamically selected frequency band, other than nominally devoted for such purposes. The carrier selection is done in a flexible manner with the support of the context database located at the roadside unit (edge of wireless communication infrastructure). However, as the database delivers only context information to the platoons' leaders, the final decision is made separately by the individual platoons, following the suggestions made by the artificial intelligence algorithms. In this work, we concentrate on a lightweight Q-learning solution, that could be successfully implemented in each car for dynamic channel selection.
• Abstract（参考訳）: 自律走行車間の信頼性の高い無線通信は、乗客の安全と快適性を保証するための基本的なニーズの1つである。 しかし、通信車両の数が増加すると、使用周波数帯の電波が多すぎるため、伝送品質が著しく低下する可能性がある。 本稿では,車内通信を動的に選択した周波数帯で行う自律型小隊通信のユースケースに焦点をあてる。 キャリア選択は、路側ユニット(無線通信インフラのエッジ)に位置するコンテキストデータベースのサポートにより、柔軟に行われる。 しかしながら、データベースがプラトンリーダーにコンテキスト情報のみを提供するため、最終的な決定は人工知能アルゴリズムによる提案に従って個々のプラトンによって別々に行われる。 本研究では,各車両に動的チャネル選択を成功させる軽量なq-learningソリューションに注目する。

関連論文リスト

• SPformer: A Transformer Based DRL Decision Making Method for Connected Automated Vehicles [9.840325772591024]
  本稿ではトランスフォーマーと強化学習アルゴリズムに基づくCAV意思決定アーキテクチャを提案する。 学習可能なポリシートークンは、多車連携ポリシーの学習媒体として使用される。 我々のモデルは交通シナリオにおける車両の全ての状態情報をうまく活用することができる。
  論文  参考訳（メタデータ） (2024-09-23T15:16:35Z)
• 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)
• Selective Communication for Cooperative Perception in End-to-End Autonomous Driving [8.680676599607123]
  協調認識のための新しい選択的コミュニケーションアルゴリズムを提案する。 提案アルゴリズムは, 従来研究されてきた安全クリティカル運転シナリオシミュレーションにおいて, ランダム選択法よりも高い成功率を示す。
  論文  参考訳（メタデータ） (2023-05-26T18:13:17Z)
• Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
  自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている 道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。 我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-08-03T04:33:02Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• 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)
• Collaborative Driving: Learning- Aided Joint Topology Formulation and Beamforming [24.54541437306899]
  mmWave/THz帯における運転トポロジと車両ネットワークの定式化を共同で制御する新しいフレームワークである協調自律運転を構想する。 Swarmインテリジェンスシステムとして、コラボレーティブな運転方式は、単一車両インテリジェンスに基づく既存の自律運転パターンを越えている。 我々は、mmWave/THz-based vehicle-to-vehicle (V2V) 通信において、2つの有望なアプローチを示す。
  論文  参考訳（メタデータ） (2022-03-18T12:50:35Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)

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。