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

• Diffusion-based Auction Mechanism for Efficient Resource Management in 6G-enabled Vehicular Metaverses [57.010829427434516]
  6G対応のVehicular Metaversesでは、車両は物理的車両のデジタルレプリカとして機能するVT(Vine Twins)によって表現される。 VTタスクはリソース集約であり、高速処理のために地上基地局(BS)にオフロードする必要がある。 地上BSとUAV間の資源配分を最適化する学習型修正第2バイド(MSB)オークション機構を提案する。
  論文  参考訳（メタデータ） (2024-11-01T04:34:54Z)
• Joint Optimization of Age of Information and Energy Consumption in NR-V2X System based on Deep Reinforcement Learning [13.62746306281161]
  5Gニューラジオ(NR)技術に基づくV2X仕様。 モード2サイドリンク(SL)通信はLTE-V2Xのモード4に似ており、車両間の直接通信を可能にする。 この影響を緩和するために 干渉キャンセル法が使われています。
  論文  参考訳（メタデータ） (2024-07-11T12:54:38Z)
• Resource Allocation for Twin Maintenance and Computing Task Processing in Digital Twin Vehicular Edge Computing Network [48.15151800771779]
  車両エッジコンピューティング(VEC)は、車両の近くにVECサーバを配置することで、計算キャッシュサービスを提供する。 しかしながら、VECネットワークは、ハイカーモビリティのような課題に直面している。 本研究では,ネットワーク内のツイン処理による2種類の遅延について検討した。
  論文  参考訳（メタデータ） (2024-07-10T12:08:39Z)
• Graph Neural Networks and Deep Reinforcement Learning Based Resource Allocation for V2X Communications [43.443526528832145]
  本稿では,グラフニューラルネットワーク(GNN)と深層強化学習(DRL)を統合する手法を提案する。 通信リンクをノードとする動的グラフを構築することにより、V2V通信における高い成功率を確保することを目指している。 提案手法は,GNNのグローバルな特徴学習能力を維持し,分散ネットワーク展開をサポートする。
  論文  参考訳（メタデータ） (2024-07-09T03:14:11Z)
• Hybrid-Generative Diffusion Models for Attack-Oriented Twin Migration in Vehicular Metaverses [58.264499654343226]
  Vehicle Twins (VTs) は、Vehicular Metaverse Users (VMUs) 向けに没入型仮想サービスを提供するデジタルツインである。 車両の高モビリティ、エッジサーバの不均一なデプロイ、潜在的なセキュリティ脅威は、効率的で信頼性の高いVTマイグレーションを実現する上での課題である。 車両メタバースにおけるセキュアで信頼性の高いVTマイグレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T11:11:33Z)
• Novel Actor-Critic Algorithm for Robust Decision Making of CAV under Delays and Loss of V2X Data [3.9160947065896803]
  本稿では,V2X環境における遅延および/またはロスデータによるロバストな駆動性能を保証する新しいBlind Actor-Criticアルゴリズムを提案する。 シミュレーション環境でのアルゴリズムの性能を評価し,ベンチマーク手法と比較した。
  論文  参考訳（メタデータ） (2024-05-08T14:14:03Z)
• DRL-Based RAT Selection in a Hybrid Vehicular Communication Network [2.345902601618188]
  協調的なインテリジェントトランスポートシステムは、道路安全性を高めるために、V2X(Vager-to-Everything)の一連のアプリケーションに依存している。 新しいV2Xアプリケーションは、大量の共有データに依存し、高い信頼性、低エンドツーエンド(E2E)レイテンシ、高いスループットを必要とする。 本稿では、複数の無線アクセス技術(RAT)の性能を活用して、これらのアプリケーションのニーズを満たすインテリジェントでスケーラブルなハイブリッド車両通信アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-04-03T08:13:07Z)
• 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)
• 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)
• 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。