論文の概要: An approach to implement Reinforcement Learning for Heterogeneous Vehicular Networks

• arxiv url: http://arxiv.org/abs/2208.12466v1
• Date: Fri, 26 Aug 2022 07:15:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-29 13:19:39.314550
• Title: An approach to implement Reinforcement Learning for Heterogeneous Vehicular Networks
• Title（参考訳）: 不均質な車両ネットワークのための強化学習の一手法
• Authors: Bhavya Peshavaria, Sagar Kavaiya, Dhaval K. Patel
• Abstract要約: ここでは、複数車両間(V2V)リンクは、他の車両間(V2I)および他のネットワークのスペクトルを再利用する。 MLベースのメソッドを実装するというアイデアは、すべての車両で分散的に実装できるように、ここで使用されています。
• 参考スコア（独自算出の注目度）: 5.349238386983279
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper presents the extension of the idea of spectrum sharing in the vehicular networks towards the Heterogeneous Vehicular Network(HetVNET) based on multi-agent reinforcement learning. Here, the multiple vehicle-to-vehicle(V2V) links reuse the spectrum of other vehicle-to-interface(V2I) and also those of other networks. The fast-changing environment in vehicular networks limits the idea of centralizing the CSI and allocate the channels. So, the idea of implementing ML-based methods is used here so that it can be implemented in a distributed manner in all vehicles. Here each On-Board Unit(OBU) can sense the signals in the channel and based on that information runs the RL to decide which channel to autonomously take up. Here, each V2V link will be an agent in MARL. The idea is to train the RL model in such a way that these agents will collaborate rather than compete.
• Abstract（参考訳）: 本稿では,マルチエージェント強化学習に基づくHetVNET(Heterogeneous Vehicular Network)に向けた車両ネットワークにおけるスペクトル共有の考え方の拡張について述べる。 ここでは、複数車両間(V2V)リンクは、他の車両間(V2I)および他のネットワークのスペクトルを再利用する。 車両網の高速交換環境はcsiの集中化とチャネルの割り当てを制限している。 したがって、mlベースのメソッドを実装するというアイデアは、すべての車両で分散的に実装できるように使用される。 ここでは、各オンボードユニット(OBU)がチャネル内の信号を検知し、その情報に基づいてRLを実行し、どのチャネルを自律的に取り上げるかを決定する。 ここで、各V2VリンクはMARLのエージェントとなる。 その考え方は、RLモデルを、これらのエージェントが競争するよりも協力するように訓練することにある。

関連論文リスト

• Spectrum Sharing using Deep Reinforcement Learning in Vehicular Networks [0.14999444543328289]
  本稿では、DQNモデルの有効性を実証し、スペクトル共有効率を向上させるためのいくつかの結果と分析を行った。 SARLモデルとMARLモデルの両方がV2V通信の成功率を示し、トレーニングが進むにつれてRLモデルの累積報酬が最大に達する。
  論文  参考訳（メタデータ） (2024-10-16T12:59:59Z)
• Joint Channel Selection using FedDRL in V2X [20.96900576250422]
  車両間通信技術(V2X)は、車両、デバイス、インフラ間の通信を可能にすることで、輸送に革命をもたらしている。 本稿では,異なる技術を持つ車両が1つ以上のアクセスポイント(AP)を選択してネットワーク上でメッセージを送信する,共同チャネル選択の問題について検討する。 本稿では,フェデレートディープ強化学習(Federated Deep Reinforcement Learning, FedDRL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-03T14:04:08Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• 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)
• 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)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• Transfer Learning in Multi-Agent Reinforcement Learning with Double Q-Networks for Distributed Resource Sharing in V2X Communication [24.442174952832108]
  本稿では,V2X通信ネットワークにおける分散スペクトル共有の問題に対処する。 目的は、V2IおよびV2Vリンクの資源効率の高い共存を提供することである。
  論文  参考訳（メタデータ） (2021-07-13T15:50:10Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Distributed Conditional Generative Adversarial Networks (GANs) for Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
  無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。 実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。 分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
  論文  参考訳（メタデータ） (2021-02-02T20:56:46Z)
• 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)
• Multi-Agent Reinforcement Learning for Channel Assignment and Power Allocation in Platoon-Based C-V2X Systems [15.511438222357489]
  我々は,C-V2Xシステムにおける結合チャネル割り当てと電力配分の問題点を考察する。 提案する分散リソース割当アルゴリズムは,よく知られた網羅的探索アルゴリズムと比較して,近い性能を提供する。
  論文  参考訳（メタデータ） (2020-11-09T16:55:09Z)

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。