Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning-Based User Scheduling for Collaborative Perception

論文の概要: Deep Reinforcement Learning-Based User Scheduling for Collaborative Perception

arxiv url: http://arxiv.org/abs/2502.10456v1
Date: Wed, 12 Feb 2025 04:45:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:08:47.124995
Title: Deep Reinforcement Learning-Based User Scheduling for Collaborative Perception
Title（参考訳）: 協調的知覚のための深層強化学習に基づくユーザスケジューリング
Authors: Yandi Liu, Guowei Liu, Le Liang, Hao Ye, Chongtao Guo, Shi Jin,
Abstract要約: 車両間通信(V2X)を用いて、協調的知覚が知覚精度を向上させることを想定する。通信資源が限られているため、すべてのユニットが点雲や高精細ビデオなどのセンシングデータを送信するのは現実的ではない。協調認識のための深層強化学習に基づくV2Xユーザスケジューリングアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 24.300126250046894
License:
Abstract: Stand-alone perception systems in autonomous driving suffer from limited sensing ranges and occlusions at extended distances, potentially resulting in catastrophic outcomes. To address this issue, collaborative perception is envisioned to improve perceptual accuracy by using vehicle-to-everything (V2X) communication to enable collaboration among connected and autonomous vehicles and roadside units. However, due to limited communication resources, it is impractical for all units to transmit sensing data such as point clouds or high-definition video. As a result, it is essential to optimize the scheduling of communication links to ensure efficient spectrum utilization for the exchange of perceptual data. In this work, we propose a deep reinforcement learning-based V2X user scheduling algorithm for collaborative perception. Given the challenges in acquiring perceptual labels, we reformulate the conventional label-dependent objective into a label-free goal, based on characteristics of 3D object detection. Incorporating both channel state information (CSI) and semantic information, we develop a double deep Q-Network (DDQN)-based user scheduling framework for collaborative perception, named SchedCP. Simulation results verify the effectiveness and robustness of SchedCP compared with traditional V2X scheduling methods. Finally, we present a case study to illustrate how our proposed algorithm adaptively modifies the scheduling decisions by taking both instantaneous CSI and perceptual semantics into account.
Abstract（参考訳）: 自律運転におけるスタンドアローンの知覚システムは、長距離での限られた感知範囲と閉塞に悩まされ、破滅的な結果をもたらす可能性がある。この問題に対処するために、車両間通信(V2X)を用いて、接続された自動運転車と道路側ユニット間の協調を可能にすることにより、協調的知覚が知覚精度を向上させることを想定する。しかし、通信資源が限られているため、すべてのユニットが点雲や高精細ビデオなどのセンシングデータを送信することは不可能である。その結果、知覚データの交換に効率的なスペクトル利用を確保するために、通信リンクのスケジューリングを最適化することが不可欠である。本研究では,協調認識のための深層強化学習に基づくV2Xユーザスケジューリングアルゴリズムを提案する。知覚的ラベルを取得する上での課題を考慮し,従来のラベル依存目標を3次元物体検出の特性に基づいてラベルフリー目標に再構成する。チャネル状態情報 (CSI) と意味情報の両方を組み込んだ、協調認識のためのダブルディープQ-Network (DDQN) ベースのユーザスケジューリングフレームワーク、SchedCPを開発した。シミュレーションの結果,従来のV2Xスケジューリング手法と比較してSchedCPの有効性とロバスト性を検証した。最後に,我々の提案するアルゴリズムが,瞬時CSIと知覚意味論の両方を考慮し,スケジューリング決定を適応的に修正するケーススタディを提案する。

関連論文リスト

Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文参考訳（メタデータ） (2024-08-29T08:53:26Z)
Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
論文参考訳（メタデータ） (2024-04-10T13:24:27Z)
SmartCooper: Vehicular Collaborative Perception with Adaptive Fusion and Judger Mechanism [23.824400533836535]
通信最適化と判断機構を組み込んだ適応型協調認識フレームワークであるSmartCooperを紹介する。以上の結果から,非ジュッジャー方式に比べて通信コストが23.10%大幅に削減された。
論文参考訳（メタデータ） (2024-02-01T04:15:39Z)
MASS: Mobility-Aware Sensor Scheduling of Cooperative Perception for Connected Automated Driving [19.66714697653504]
コラボレーティブ・パーセプション(CP)と呼ばれる新しいパラダイムが、コラボレーティブ・ビークル(CoV)からのセンサデータを共有することで救助にやってくる。既存の方法は、近くの車両からの知覚の利得を予測するために、可視性マップのようなメタ情報交換に依存している。 CPの分散スケジューリングにおいて,スケジューリング中に学習する新しい手法を提案する。提案したMASSアルゴリズムは,他の学習ベースアルゴリズムと比較して,最大4.2ポイントのリコール率向上を実現している。
論文参考訳（メタデータ） (2023-02-25T09:03:05Z)
Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文参考訳（メタデータ） (2022-11-02T16:35:14Z)
Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文参考訳（メタデータ） (2022-07-03T06:57:07Z)
Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-02-12T15:16:45Z)
Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization [74.34699679568818]
時間的行動局所化 (WS-TAL) は、ビデオレベルの分類的監督によって、ビデオ内のアクションインスタンスをローカライズすることを目的とした課題である。この問題に対処するためのクロスモーダルコンセンサスネットワーク(CO2-Net)を提案する。
論文参考訳（メタデータ） (2021-07-27T04:21:01Z)
Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling [57.271494741212166]
本稿では,通信時間最小化問題を定式化し,解決する。最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
論文参考訳（メタデータ） (2021-07-24T11:39:17Z)

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。