論文の概要: Deep Reinforcement Learning Algorithms for Hybrid V2X Communication: A
Benchmarking Study
- arxiv url: http://arxiv.org/abs/2310.03767v1
- Date: Wed, 4 Oct 2023 12:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 19:20:08.338939
- Title: Deep Reinforcement Learning Algorithms for Hybrid V2X Communication: A
Benchmarking Study
- Title(参考訳): ハイブリッドv2x通信のための深層強化学習アルゴリズム:ベンチマーク研究
- Authors: Fouzi Boukhalfa, Reda Alami, Mastane Achab, Eric Moulines, Mehdi
Bennis
- Abstract要約: 本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,V2Xにおける垂直ハンドオーバ問題に対処する。
ベンチマークアルゴリズムは、V-VLCヘッドライトの冗長性と使用率の観点から、現在の最先端アプローチよりも優れている。
- 参考スコア(独自算出の注目度): 39.214784277182304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In today's era, autonomous vehicles demand a safety level on par with
aircraft. Taking a cue from the aerospace industry, which relies on redundancy
to achieve high reliability, the automotive sector can also leverage this
concept by building redundancy in V2X (Vehicle-to-Everything) technologies.
Given the current lack of reliable V2X technologies, this idea is particularly
promising. By deploying multiple RATs (Radio Access Technologies) in parallel,
the ongoing debate over the standard technology for future vehicles can be put
to rest. However, coordinating multiple communication technologies is a complex
task due to dynamic, time-varying channels and varying traffic conditions. This
paper addresses the vertical handover problem in V2X using Deep Reinforcement
Learning (DRL) algorithms. The goal is to assist vehicles in selecting the most
appropriate V2X technology (DSRC/V-VLC) in a serpentine environment. The
results show that the benchmarked algorithms outperform the current
state-of-the-art approaches in terms of redundancy and usage rate of V-VLC
headlights. This result is a significant reduction in communication costs while
maintaining a high level of reliability. These results provide strong evidence
for integrating advanced DRL decision mechanisms into the architecture as a
promising approach to solving the vertical handover problem in V2X.
- Abstract(参考訳): 今日の時代には、自動運転車は航空機と同等の安全性を要求する。
高い信頼性を達成するために冗長性に依存する航空宇宙業界からのヒントを取り入れ、自動車部門はV2X(Vehicle-to-Everything)技術で冗長性を構築することでこの概念を活用できる。
信頼性の高いV2X技術がない現在、このアイデアは特に有望である。
複数のRAT(Radio Access Technologies)を並列に展開することで、将来の車両の標準技術に関する議論が休むことができる。
しかし、複数の通信技術を調整することは、動的、時間的変化のあるチャネルと様々な交通条件による複雑な作業である。
本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,V2Xにおける垂直ハンドオーバ問題に対処する。
目的は、セレンチン環境で最も適切なV2X技術(DSRC/V-VLC)を選択することを支援することである。
その結果、ベンチマークアルゴリズムは、V-VLCヘッドライトの冗長性と使用率の観点から、現在の最先端手法よりも優れていることがわかった。
この結果は、高いレベルの信頼性を維持しながら通信コストを大幅に削減する。
これらの結果は、V2Xにおける垂直ハンドオーバ問題を解決するための有望なアプローチとして、高度なDRL決定機構をアーキテクチャに統合する強力な証拠となる。
関連論文リスト
- Federated Reinforcement Learning for Resource Allocation in V2X Networks [46.6256432514037]
資源配分はV2Xネットワークの性能に大きな影響を及ぼす。
リソース割り当てのための既存のアルゴリズムのほとんどは、最適化や機械学習に基づいている。
本稿では,連合型強化学習の枠組みの下で,V2Xネットワークにおける資源配分について検討する。
論文 参考訳(メタデータ) (2023-10-15T15:26:54Z) - V2X-Lead: LiDAR-based End-to-End Autonomous Driving with
Vehicle-to-Everything Communication Integration [4.166623313248682]
本稿では,V2X(Vine-to-Everything)通信を統合したLiDARを用いたエンドツーエンド自動運転手法を提案する。
提案手法は,搭載したLiDARセンサとV2X通信データを融合させることにより,不完全な部分的観測を処理することを目的としている。
論文 参考訳(メタデータ) (2023-09-26T20:26:03Z) - Connected and Automated Vehicles Investment and Smart Infrastructure in
Tennessee Part 3: Infrastructure and Vehicular communications: From Dedicated
Short-Range Communications to Cellular Vehicle-to-Everything [0.6552063740259303]
本報告では、DSRC(Dedicated Short-Range Communication)V2XからC-V2X(C-V2X)への移行について検討する。
つまり、DSRC V2Xのデプロイメント(と将来のデプロイメント)は、C-V2Xに移行する必要があるということだ。
C-V2Xへの移行を複雑にすることは、交通信号の運用と保守におけるTDOTの役割である。
C-V2X技術は、許可されていないデバイスによる広くテストされた干渉ではなく、チャネルの混雑は安全クリティカルなアプリケーションに悪影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2023-04-06T06:28:32Z) - CV2X-LOCA: Roadside Unit-Enabled Cooperative Localization Framework for
Autonomous Vehicles [1.6624933615451842]
都市部での安全な運転を可能にするために、正確なロバストなローカライゼーションシステムは、自動運転車(AV)にとって不可欠である。
セルラーV2X(C-V2X)無線通信の可能性を検討した。
我々は,C-V2Xチャネル状態情報のみを用いてレーンレベルの位置決め精度を実現する,第1の道路側ユニット(RSU)対応協調位置決めフレームワーク,CV2X-LOCAを提案する。
論文 参考訳(メタデータ) (2023-04-03T01:35:54Z) - 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) - 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) - V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision
Transformer [58.71845618090022]
我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。
V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。
我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
論文 参考訳(メタデータ) (2022-03-20T20:18:25Z) - 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) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳(メタデータ) (2021-05-28T08:45:37Z)
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。