論文の概要: Joint Optimization of Age of Information and Energy Consumption in NR-V2X System based on Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2407.08458v1
- Date: Thu, 11 Jul 2024 12:54:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 17:29:40.222259
- Title: Joint Optimization of Age of Information and Energy Consumption in NR-V2X System based on Deep Reinforcement Learning
- Title（参考訳）: 深層強化学習に基づくNR-V2Xシステムにおける情報量とエネルギー消費量の同時最適化
- Authors: Shulin Song, Zheng Zhang, Qiong Wu, Qiang Fan, Pingyi Fan,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.62746306281161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving may be the most important application scenario of next generation, the development of wireless access technologies enabling reliable and low-latency vehicle communication becomes crucial. To address this, 3GPP has developed Vehicle-to-Everything (V2X) specifications based on 5G New Radio (NR) technology, where Mode 2 Side-Link (SL) communication resembles Mode 4 in LTE-V2X, allowing direct communication between vehicles. This supplements SL communication in LTE-V2X and represents the latest advancement in cellular V2X (C-V2X) with improved performance of NR-V2X. However, in NR-V2X Mode 2, resource collisions still occur, and thus degrade the age of information (AOI). Therefore, a interference cancellation method is employed to mitigate this impact by combining NR-V2X with Non-Orthogonal multiple access (NOMA) technology. In NR-V2X, when vehicles select smaller resource reservation interval (RRI), higher-frequency transmissions take ore energy to reduce AoI. Hence, it is important to jointly consider AoI and communication energy consumption based on NR-V2X communication. Then, we formulate such an optimization problem and employ the Deep Reinforcement Learning (DRL) algorithm to compute the optimal transmission RRI and transmission power for each transmitting vehicle to reduce the energy consumption of each transmitting vehicle and the AoI of each receiving vehicle. Extensive simulations have demonstrated the performance of our proposed algorithm.
- Abstract（参考訳）: 自律運転は次世代の最も重要な応用シナリオであり、信頼性と低遅延の車両通信を可能にする無線アクセス技術の開発が重要となる。
この問題を解決するため、3GPPは5Gニューラジオ(NR)技術に基づくV2X仕様を開発し、そこではモード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。
これはLTE-V2XにおけるSL通信を補完し、NR-V2Xの性能を改善したセルラーV2X(C-V2X)の最新の進歩を示す。
しかし、NR-V2Xモード2では資源衝突が発生し、情報時代(AOI)が悪化する。
したがって、NR-V2Xと非直交多重アクセス(NOMA)技術を組み合わせることにより、この影響を軽減するために干渉キャンセル法が用いられる。
NR-V2Xでは、車両がより小さな資源予約間隔(RRI)を選択すると、高周波数伝送はAoIを減らすために鉱石エネルギーを消費する。
したがって, NR-V2X通信に基づくAoIと通信エネルギー消費を共同で検討することが重要である。
そして、このような最適化問題を定式化し、Deep Reinforcement Learning (DRL)アルゴリズムを用いて各送信車両の最適な送信RRIと送信電力を計算し、各受信車両の送電車両とAoIのエネルギー消費量を減らす。
大規模なシミュレーションにより,提案アルゴリズムの性能を実証した。
関連論文リスト
- 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) - Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks [43.443526528832145]
車両間通信(V2X)方式を考慮したRIS支援車両インターネット(IoV)を提案する。
車両間リンク(V2I)のタイムラインと車両間リンク(V2V)の安定性を改善するため,情報量(AoI)モデルとペイロード伝達確率モデルを導入する。
論文 参考訳（メタデータ） (2024-06-17T06:16:07Z) - 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) - Deep Reinforcement Learning Algorithms for Hybrid V2X Communication: A
Benchmarking Study [39.214784277182304]
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。
論文 参考訳（メタデータ） (2023-10-04T12:32:14Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z) - 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) - 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。