論文の概要: Leveraging Edge Intelligence and LLMs to Advance 6G-Enabled Internet of Automated Defense Vehicles

• arxiv url: http://arxiv.org/abs/2501.06205v1
• Date: Sat, 28 Dec 2024 23:07:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-19 08:09:25.055107
• Title: Leveraging Edge Intelligence and LLMs to Advance 6G-Enabled Internet of Automated Defense Vehicles
• Title（参考訳）: エッジインテリジェンスとLLMを活用して6G対応の防衛車両インターネットを進化させる
• Authors: Murat Arda Onsu, Poonam Lohan, Burak Kantarci,
• Abstract要約: この研究は、重要な防衛アプリケーションにおいて、これらの技術の潜在能力をフルに実現しようとするビジョンによって、機会と課題を提示する。 6Gの出現は、IoMDT(Internet of Military Defense Things)の領域内でのIoADV(Internet of Automated Defense Vehicles)の概念を強化する。
• 参考スコア（独自算出の注目度）: 6.294884163829944
• License:
• Abstract: The evolution of Artificial Intelligence (AI) and its subset Deep Learning (DL), has profoundly impacted numerous domains, including autonomous driving. The integration of autonomous driving in military settings reduces human casualties and enables precise and safe execution of missions in hazardous environments while allowing for reliable logistics support without the risks associated with fatigue-related errors. However, relying on autonomous driving solely requires an advanced decision-making model that is adaptable and optimum in any situation. Considering the presence of numerous interconnected autonomous vehicles in mission-critical scenarios, Ultra-Reliable Low Latency Communication (URLLC) is vital for ensuring seamless coordination, real-time data exchange, and instantaneous response to dynamic driving environments. The advent of 6G strengthens the Internet of Automated Defense Vehicles (IoADV) concept within the realm of Internet of Military Defense Things (IoMDT) by enabling robust connectivity, crucial for real-time data exchange, advanced navigation, and enhanced safety features through IoADV interactions. On the other hand, a critical advancement in this space is using pre-trained Generative Large Language Models (LLMs) for decision-making and communication optimization for autonomous driving. Hence, this work presents opportunities and challenges with a vision of realizing the full potential of these technologies in critical defense applications, especially through the advancement of IoADV and its role in enhancing autonomous military operations.
• Abstract（参考訳）: 人工知能(AI)とそのサブセットであるディープラーニング(DL)の進化は、自律運転を含む多くのドメインに大きな影響を与えている。 軍事的環境における自律運転の統合は、人的被害を低減し、危険環境におけるミッションの正確かつ安全な実行を可能にし、疲労に関連したリスクを伴わずに信頼性の高い物流支援を可能にする。 しかし、自律運転に頼るには、どんな状況でも適応可能で最適な、高度な意思決定モデルが必要である。 ミッションクリティカルなシナリオにおける多数の相互接続型自動運転車の存在を考えると、シームレスなコーディネーション、リアルタイムデータ交換、動的運転環境への即時応答を保証するために、URLLC(Ultra-Reliable Low Latency Communication)が不可欠である。 6Gの出現は、インターネット・オブ・ミリタリー・ディフェンス・モノ(IoMDT)の領域におけるインターネット・オブ・オートマチック・ディフェンス・ビークルズ(IoADV)の概念を強化し、堅牢な接続を可能にし、リアルタイムデータ交換、高度なナビゲーション、IoADVインタラクションによる安全性の強化を可能にした。 一方、この分野での重要な進歩は、自動走行のための意思決定とコミュニケーションの最適化に、事前訓練された生成大言語モデル(LLM)を使用することである。 したがって、この研究は、特にIoADVの進歩と自律的な軍事活動の強化における役割を通じて、重要な防衛用途において、これらの技術の潜在能力を最大限に実現するための機会と課題を提示する。

関連論文リスト

• Enhancing Autonomous Driving Safety through World Model-Based Predictive Navigation and Adaptive Learning Algorithms for 5G Wireless Applications [7.686911269899608]
  NavSecureは、脅威を予測し、安全なルートを定式化するビジョンベースのナビゲーションフレームワークである。 我々のアプローチは、大規模な実世界の試行錯誤学習の必要性を減らす。 NavSecureは、衝突防止やリスク低減など、重要な安全性指標に優れています。
  論文  参考訳（メタデータ） (2024-11-22T16:16:07Z)
• A Survey on Adversarial Robustness of LiDAR-based Machine Learning Perception in Autonomous Vehicles [0.0]
  この調査は、AML(Adversarial Machine Learning)と自律システムの交差点に焦点を当てている。 我々は、脅威の風景を包括的に探求し、センサーに対するサイバー攻撃と敵の摂動を包含する。 本稿では、敵の脅威に対する自律運転システムの安全性確保における課題と今後の課題を簡潔に概説する。
  論文  参考訳（メタデータ） (2024-11-21T01:26:52Z)
• SPformer: A Transformer Based DRL Decision Making Method for Connected Automated Vehicles [9.840325772591024]
  本稿ではトランスフォーマーと強化学習アルゴリズムに基づくCAV意思決定アーキテクチャを提案する。 学習可能なポリシートークンは、多車連携ポリシーの学習媒体として使用される。 我々のモデルは交通シナリオにおける車両の全ての状態情報をうまく活用することができる。
  論文  参考訳（メタデータ） (2024-09-23T15:16:35Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Cyber-Twin: Digital Twin-boosted Autonomous Attack Detection for Vehicular Ad-Hoc Networks [8.07947129445779]
  Vehicular Ad-hoc NETworks(VANETs)の急速な進化は、インテリジェントトランスポートシステム(ITS)の転換期へと導いてきた。 VANETは、妨害やDDoS(Distributed Denial of Service)攻撃など、サイバー攻撃の影響を受けやすくなっている。 既存の方法は、動的攻撃を検出し、VANETサイバーセキュリティを強化するためにデジタルツイン技術と人工知能(AI)モデルを統合するのに困難に直面している。 本研究では、VANETにおけるRSUのセキュリティを高めるために、デジタルツイン技術とAIを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T08:05:41Z)
• Autonomous Vehicles an overview on system, cyber security, risks, issues, and a way forward [0.0]
  この章は、自動運転車の複雑な領域を探求し、その基本的な構成要素と運用上の特性を分析します。 この調査の主な焦点は、サイバーセキュリティの領域、特に自動運転車の文脈にある。 これらの車両を潜在的な脅威から保護することを目的とした様々なリスク管理ソリューションについて、包括的な分析を行う。
  論文  参考訳（メタデータ） (2023-09-25T15:19:09Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• 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)

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。