論文の概要: Intelligent Transportation Systems' Orchestration: Lessons Learned & Potential Opportunities

• arxiv url: http://arxiv.org/abs/2205.14040v1
• Date: Thu, 5 May 2022 15:41:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-12 11:18:07.671117
• Title: Intelligent Transportation Systems' Orchestration: Lessons Learned & Potential Opportunities
• Title（参考訳）: インテリジェントトランスポーテーションシステムのオーケストレーション - 学んだ教訓と可能性
• Authors: Abdallah Moubayed and Abdallah Shami and Abbas Ibrahim
• Abstract要約: 6Gはこの目標を達成するための技術とアーキテクチャのセットとして提案されている。 5Gネットワークで登場し、今後も6Gネットワークにおいて重要な役割を果たす主要なユースケースの1つは、インテリジェントトランスポーテーションシステム(ITS)である。 注目すべき課題の1つは、様々なサポート技術と、望まれるITSアプリケーション/サービスを提供するために使用される異種ネットワークのため、ITSオーケストレーションである。
• 参考スコア（独自算出の注目度）: 5.012225318994545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing deployment efforts of 5G networks globally has led to the acceleration of the businesses/services' digital transformation. This growth has led to the need for new communication technologies that will promote this transformation. 6G is being proposed as the set of technologies and architectures that will achieve this target. Among the main use cases that have emerged for 5G networks and will continue to play a pivotal role in 6G networks is that of Intelligent Transportation Systems (ITSs). With all the projected benefits of developing and deploying efficient and effective ITSs comes a group of unique challenges that need to be addressed. One prominent challenge is ITS orchestration due to the various supporting technologies and heterogeneous networks used to offer the desired ITS applications/services. To that end, this paper focuses on the ITS orchestration challenge in detail by highlighting the related previous works from the literature and listing the lessons learned from current ITS deployment orchestration efforts. It also presents multiple potential data-driven research opportunities in which paradigms such as reinforcement learning and federated learning can be deployed to offer effective and efficient ITS orchestration.
• Abstract（参考訳）: 5gネットワークのグローバル展開の努力は、企業やサービスのデジタルトランスフォーメーションの加速につながった。 この成長は、この変革を促進する新しいコミュニケーション技術の必要性につながった。 6Gはこの目標を達成するための技術とアーキテクチャのセットとして提案されている。 5Gネットワークで登場し、今後も6Gネットワークにおいて重要な役割を果たす主要なユースケースの1つは、Intelligent Transportation Systems (ITS) である。 効率的で効果的なITSの開発とデプロイのすべての計画されたメリットは、対処しなければならない、ユニークな課題の集まりをもたらします。 注目すべき課題は、様々なサポート技術と、望まれるITSアプリケーション/サービスを提供するために使用される異種ネットワークのため、ITSオーケストレーションである。 そこで本論文では,ITS のオーケストレーションの課題について,文献からの先行研究を取り上げ,現在のITS デプロイメントオーケストレーションの取り組みから学んだ教訓を列挙することによって,詳細に取り上げる。 また、強化学習やフェデレーション学習といったパラダイムを効果的かつ効率的なITSオーケストレーションに展開する、データ駆動型研究の機会を複数提示する。

関連論文リスト

• Semantic Revolution from Communications to Orchestration for 6G: Challenges, Enablers, and Research Directions [16.807697160355303]
  本稿では,KB-MANO(Knowledge Base Management and Orchestration)フレームワークを紹介する。 KB-MANOは、知識の更新と再配布に特化したネットワークおよびコンピューティングリソースの割り当てを目的としている。 KB-MANOと無線アクセスネットワークのリソース割り当ての統合を実証するために概念実証法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T09:04:09Z)
• Generative AI for the Optimization of Next-Generation Wireless Networks: Basics, State-of-the-Art, and Open Challenges [11.707122626823248]
  生成AI(GAI)はその独特な強みのために強力なツールとして出現する。 GAIは現実世界のネットワークデータから学習し、その複雑さを捉えている。 本稿では、xG無線ネットワークにおいて、GAIベースのモデルが最適化の機会を解放する方法を調査する。
  論文  参考訳（メタデータ） (2024-05-22T14:56:25Z)
• From Generative AI to Generative Internet of Things: Fundamentals, Framework, and Outlooks [82.964958051535]
  生成人工知能(GAI)は、現実的なデータを生成し、高度な意思決定を促進する能力を持っている。 GAIを現代のモノのインターネット(IoT)に統合することによって、ジェネレーティブ・インターネット・オブ・モノ(GIoT)が登場し、社会の様々な側面に革命をもたらす大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-27T02:58:11Z)
• Enabling Intelligent Vehicular Networks Through Distributed Learning in the Non-Terrestrial Networks 6G Vision [0.5461938536945721]
  6G対応のインテリジェントトランスポーテーションシステム(ITS)は、先進的なインテリジェントサービスとアプリケーションで従来の交通ネットワークを再定義する。 これらの技術は、レイテンシ、エネルギー効率、ユーザデータセキュリティの厳しい要件を課している。 本稿では,資源制約型車両シナリオのための共同空地ネットワークにおいて,FSTL(Federated Split Transfer Learning)の概念を導入する。
  論文  参考訳（メタデータ） (2023-09-07T22:18:21Z)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• Transformer-Empowered 6G Intelligent Networks: From Massive MIMO Processing to Semantic Communication [71.21459460829409]
  トランスフォーマーとして知られる新しいディープラーニングアーキテクチャを導入し、その6Gネットワーク設計への影響について論じる。 具体的には、6GネットワークにおけるMIMO(Multiple-input multiple-output)システムと様々な意味コミュニケーション問題に対するトランスフォーマーベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-08T03:22:20Z)
• Making a Case for Federated Learning in the Internet of Vehicles and Intelligent Transportation Systems [6.699060157800401]
  車両のインターネット(IoV)はインテリジェント交通システム(ITS)に変換されます。 これらの課題に対処するために,協調的分散知能技術である連合学習が提案されている。 多数のユースケースとメリットを備えたFederated Learningは、ITSの重要なイネーブラーであり、5Gおよびネットワークやアプリケーションを超えて広く実装される予定です。
  論文  参考訳（メタデータ） (2021-02-19T20:07:17Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [71.31783903289273]
  6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。 6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
  論文  参考訳（メタデータ） (2020-06-04T15:17:19Z)

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。