Fugu-MT 論文翻訳(概要): Dynamic Unicast-Multicast Scheduling for Age-Optimal Information Dissemination in Vehicular Networks

論文の概要: Dynamic Unicast-Multicast Scheduling for Age-Optimal Information Dissemination in Vehicular Networks

arxiv url: http://arxiv.org/abs/2209.13006v1
Date: Mon, 19 Sep 2022 16:04:49 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 23:13:30.437055
Title: Dynamic Unicast-Multicast Scheduling for Age-Optimal Information Dissemination in Vehicular Networks
Title（参考訳）: 車両網における年齢最適情報伝達のための動的ユニキャストマルチキャストスケジューリング
Authors: Ahmed Al-Habob, Hina Tabassum, and Omer Waqar
Abstract要約: 車両ネットワークでは、道路側ユニット(RSU)が車両に物理プロセスのセットに関するタイムリーな更新を提供する。決定をユニキャスト、マルチキャスト、ブロードキャスト、あるいは車両へのアップデートの送信に最適化するためのフレームワークが提案されている。
参考スコア（独自算出の注目度）: 10.934800950965336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper investigates the problem of minimizing the age-of-information (AoI) and transmit power consumption in a vehicular network, where a roadside unit (RSU) provides timely updates about a set of physical processes to vehicles. Each vehicle is interested in maintaining the freshness of its information status about one or more physical processes. A framework is proposed to optimize the decisions to unicast, multicast, broadcast, or not transmit updates to vehicles as well as power allocations to minimize the AoI and the RSU's power consumption over a time horizon. The formulated problem is a mixed-integer nonlinear programming problem (MINLP), thus a global optimal solution is difficult to achieve. In this context, we first develop an ant colony optimization (ACO) solution which provides near-optimal performance and thus serves as an efficient benchmark. Then, for real-time implementation, we develop a deep reinforcement learning (DRL) framework that captures the vehicles' demands and channel conditions in the state space and assigns processes to vehicles through dynamic unicast-multicast scheduling actions. Complexity analysis of the proposed algorithms is presented. Simulation results depict interesting trade-offs between AoI and power consumption as a function of the network parameters.
Abstract（参考訳）: 本稿では,道路側ユニット(RSU)が車両への物理プロセスのタイムリーな更新を行う車載ネットワークにおいて,情報提供年齢(AoI)の最小化と消費電力の伝達の問題について検討する。各車両は、1つ以上の物理的プロセスに関する情報ステータスの鮮度を維持することに関心を持っている。 AoI と RSU の電力消費を時間軸で最小化するために、この決定を統一、マルチキャスト、ブロードキャスト、あるいは車両への更新の送信に最適化する枠組みが提案されている。定式化問題は混合整数非線形プログラミング問題(MINLP)であり,大域的最適解の達成は困難である。この文脈で、我々はまず、ほぼ最適性能を提供し、効率的なベンチマークとして機能するアリコロニー最適化(ACO)ソリューションを開発する。そこで, リアルタイム実装において, 車両の要求やチャネル条件を把握し, 動的ユニキャスト・マルチカストスケジューリング動作を通じて車両にプロセスを割り当てる, 深層強化学習(DRL)フレームワークを開発した。提案アルゴリズムの複雑性解析について述べる。シミュレーション結果は,ネットワークパラメータの関数として,aoiと電力消費の興味深いトレードオフを示す。

関連論文リスト

Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks [24.85135243655983]
本稿では,これらの課題に対処する新しいU字型分割学習(U-SFL)フレームワークを提案する。 U-SFLは、生のデータとラベルの両方をVU側に置くことで、プライバシー保護を強化することができる。通信効率を最適化するために,送信データの次元を著しく低減する意味認識型自動エンコーダ(SAE)を導入する。
論文参考訳（メタデータ） (2024-11-11T07:59:13Z)
End-to-end Driving in High-Interaction Traffic Scenarios with Reinforcement Learning [24.578178308010912]
これらの問題に対処するために,Ranmble というエンドツーエンドモデルベース RL アルゴリズムを提案する。環境のダイナミックスモデルを学ぶことで、Rambleは今後のトラフィックイベントを予測し、より情報に富んだ戦略的決定を下すことができる。 Rambleは、CARLA Leaderboard 2.0におけるルート完了率と運転スコアに関する最先端のパフォーマンスを達成し、複雑でダイナミックな交通状況を管理する上での有効性を示している。
論文参考訳（メタデータ） (2024-10-03T06:45:59Z)
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
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)
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)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文参考訳（メタデータ） (2021-06-02T07:36:27Z)
Reinforcement Learning for Minimizing Age of Information in Real-time Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。サンプリングポリシを最適化するために,分散強化学習手法を提案する。 PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文参考訳（メタデータ） (2021-04-04T03:17:26Z)
Dynamic RAN Slicing for Service-Oriented Vehicular Networks via Constrained Learning [40.5603189901241]
品質の異なる車両用インターネット(IoV)サービスにおける無線アクセスネットワーク(RAN)スライシング問題について検討する。無線スペクトルと演算資源を動的に割り当てる動的RANスライシングフレームワークを提案する。 RAWSは,ベンチマークと比較すると,要求を高い確率で満たしながら,システムコストを効果的に削減できることを示す。
論文参考訳（メタデータ） (2020-12-03T15:08:38Z)
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)
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。