論文の概要: CAVIAR: Co-simulation of 6G Communications, 3D Scenarios and AI for Digital Twins

• arxiv url: http://arxiv.org/abs/2401.03310v1
• Date: Sat, 6 Jan 2024 21:22:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 19:25:58.533562
• Title: CAVIAR: Co-simulation of 6G Communications, 3D Scenarios and AI for Digital Twins
• Title（参考訳）: CAVIAR:デジタル双生児のための6Gコミュニケーション、3DシナリオとAIの共同シミュレーション
• Authors: Jo\~ao Borges, Felipe Bastos, Ilan Correa, Pedro Batista, Aldebaro Klautau
• Abstract要約: この研究はCAVIARと呼ばれるモジュラーコシミュレート手法を記述している。 ここで、CAVIARはメッセージパッシングライブラリをサポートし、異なる6Gシミュレータを使ってデジタルツインシステムの仮想的な実装を可能にするようにアップグレードされている。 実装されたSARユースケースの結果は、方法論が単一のマシンで実行可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 1.6385107515426238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins are an important technology for advancing mobile communications, specially in use cases that require simultaneously simulating the wireless channel, 3D scenes and machine learning. Aiming at providing a solution to this demand, this work describes a modular co-simulation methodology called CAVIAR. Here, CAVIAR is upgraded to support a message passing library and enable the virtual counterpart of a digital twin system using different 6G-related simulators. The main contributions of this work are the detailed description of different CAVIAR architectures, the implementation of this methodology to assess a 6G use case of UAV-based search and rescue mission (SAR), and the generation of benchmarking data about the computational resource usage. For executing the SAR co-simulation we adopt five open-source solutions: the physical and link level network simulator Sionna, the simulator for autonomous vehicles AirSim, scikit-learn for training a decision tree for MIMO beam selection, Yolov8 for the detection of rescue targets and NATS for message passing. Results for the implemented SAR use case suggest that the methodology can run in a single machine, with the main demanded resources being the CPU processing and the GPU memory.
• Abstract（参考訳）: デジタルツインは、特に無線チャネル、3Dシーン、機械学習を同時にシミュレートする必要があるユースケースにおいて、モバイル通信を進める上で重要な技術である。 この要求に対する解決策の提供を目的として、この研究はCAVIARと呼ばれるモジュラーコシミュレート手法を記述している。 ここで、CAVIARはメッセージパッシングライブラリをサポートし、異なる6Gシミュレータを使ってデジタルツインシステムの仮想的な実装を可能にするようにアップグレードされている。 この研究の主な貢献は、異なるCAVIARアーキテクチャの詳細な説明、UAVベースの捜索救助ミッション(SAR)の6Gユースケースを評価するための方法論の実装、計算資源利用に関するベンチマークデータの生成である。 物理的およびリンクレベルのネットワークシミュレータであるSionna、自動運転車のシミュレータであるAirSim、MIMOビーム選択の決定ツリーをトレーニングするためのScikit-learn、救助目標の検出のためのYolov8、メッセージパッシングのためのNATSの5つのオープンソースソリューションを採用しています。 実装されたSARユースケースの結果は、その方法論が単一のマシンで実行可能であることを示唆しており、主に要求されるリソースはCPU処理とGPUメモリである。

関連論文リスト

• GRS: Generating Robotic Simulation Tasks from Real-World Images [18.64560477109255]
  GRS(Generating Robotic Simulation task)は、ロボット工学、コンピュータビジョン、AR/VRにおけるリアル・トゥ・シモンの課題に対処する新しいシステムである。 我々は、最先端のビジョン言語モデル(VLM)を使用して、包括的なリアルタイムパイプラインを実現する。 1)オブジェクトセグメンテーションのためのSAM2を用いたシーン理解,2)識別されたオブジェクトとシミュレーション可能なアセットとのマッチング,3)コンテキストに適したロボットタスクを生成する。
  論文  参考訳（メタデータ） (2024-10-20T23:33:06Z)
• Are We Ready for Real-Time LiDAR Semantic Segmentation in Autonomous Driving? [42.348499880894686]
  シーンセマンティックセグメンテーションは、3次元空間データを専門のディープニューラルネットワークと直接統合することで実現できる。 本研究では, NVIDIA Jetson プラットフォーム上でのリソース制約推論の性能と性能を解析し, 様々な3次元セマンティックセマンティックセマンティクス手法について検討する。
  論文  参考訳（メタデータ） (2024-10-10T20:47:33Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Model-aided Federated Reinforcement Learning for Multi-UAV Trajectory Planning in IoT Networks [17.770665737751372]
  本稿では,データ収集ミッションにおいて,環境に関する限られた知識しか持たない複数のUAVを協調するモデル支援フェデレーションMARLアルゴリズムを提案する。 標準的なMARLアルゴリズムとの比較により,提案したモデル支援型FedQMIXアルゴリズムは実世界のトレーニング経験を約3倍削減することを示した。
  論文  参考訳（メタデータ） (2023-06-03T07:16:17Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Learning Centric Wireless Resource Allocation for Edge Computing: Algorithm and Experiment [15.577056429740951]
  Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。 既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。 本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
  論文  参考訳（メタデータ） (2020-10-29T06:20:40Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。