論文の概要: VoI-Driven Joint Optimization of Control and Communication in Vehicular Digital Twin Network

• arxiv url: http://arxiv.org/abs/2505.07892v1
• Date: Mon, 12 May 2025 00:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.261452
• Title: VoI-Driven Joint Optimization of Control and Communication in Vehicular Digital Twin Network
• Title（参考訳）: VoI-Driven Joint Optimization of Control and Communication in Vehicular Digital Twin Network (特集:VoI-Driven Joint Optimization)
• Authors: Lei Lei, Kan Zheng, Jie Mei, Xuemin, Shen,
• Abstract要約: 第6世代(6G)無線ネットワークのビジョンは、ディジタルツインを車載ネットワークにシームレスに統合する方法を舗装し、Vehicular Digital Twin Network(VDTN)が誕生する。 まず,制御と通信の協調最適化に関連する機能を中心に,VDTNのアーキテクチャを提案する。 制御と通信に対応する2つのDeep Reinforcement Learning (DRL)モジュールを反復的に処理して最適なポリシーを導出する,新しい共同最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.562734500767075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vision of sixth-generation (6G) wireless networks paves the way for the seamless integration of digital twins into vehicular networks, giving rise to a Vehicular Digital Twin Network (VDTN). The large amount of computing resources as well as the massive amount of spatial-temporal data in Digital Twin (DT) domain can be utilized to enhance the communication and control performance of Internet of Vehicle (IoV) systems. In this article, we first propose the architecture of VDTN, emphasizing key modules that center on functions related to the joint optimization of control and communication. We then delve into the intricacies of the multitimescale decision process inherent in joint optimization in VDTN, specifically investigating the dynamic interplay between control and communication. To facilitate the joint optimization, we define two Value of Information (VoI) concepts rooted in control performance. Subsequently, utilizing VoI as a bridge between control and communication, we introduce a novel joint optimization framework, which involves iterative processing of two Deep Reinforcement Learning (DRL) modules corresponding to control and communication to derive the optimal policy. Finally, we conduct simulations of the proposed framework applied to a platoon scenario to demonstrate its effectiveness in ensu
• Abstract（参考訳）: 第6世代(6G)無線ネットワークのビジョンは、デジタルツインを車載ネットワークにシームレスに統合する方法を舗装し、Vehicular Digital Twin Network (VDTN) が誕生した。 インターネット・オブ・ビークル(IoV)システムの通信・制御性能を高めるため,Digital Twin(DT)領域における大量の計算資源と膨大な空間時空間データを利用することができる。 本稿では,制御と通信の協調最適化に関連する機能を中心に,VDTNのアーキテクチャを提案する。 次に、VDTNの協調最適化に固有のマルチスケール決定プロセスの複雑さを掘り下げ、特に制御と通信の動的相互作用について検討する。 共同最適化を容易にするために,制御性能に根ざした2つの価値情報(VoI)概念を定義した。 その後、制御と通信の橋渡しとしてVoIを活用することで、制御と通信に対応する2つの深層強化学習(DRL)モジュールを反復的に処理して最適なポリシーを導出する、新しい共同最適化フレームワークを導入する。 最後に,小隊シナリオに適用したフレームワークのシミュレーションを行い,その効果を実証する。

関連論文リスト

• Learning Value of Information towards Joint Communication and Control in 6G V2X [12.846064594551873]
  MDP、強化学習(RL)、最適制御理論に基づく体系的なVoIモデリングフレームワークを提案する。 様々なVoIメトリクスを活用して、"What"と"How"を最適化し、問題を伝達するための構造化されたアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-11T13:30:35Z)
• Automatic tuning of communication protocols for vehicular ad hoc networks using metaheuristics [4.734135226897704]
  車両用アドホックネットワーク(VANET)は、自発的に相互接続可能な通信車両の集合を扱う。 最終のネットワーク展開に先立って,通信プロトコルを最適に設定することが重要である。
  論文  参考訳（メタデータ） (2025-01-15T14:59:00Z)
• Joint Adaptive OFDM and Reinforcement Learning Design for Autonomous Vehicles: Leveraging Age of Updates [2.607046313483251]
  ミリ波を用いた周波数分割多重化(OFDM)は高分解能センシングと高速データ伝送に適した代替手段である。 本研究では,AVがキュー状態情報(QSI)とチャネル状態情報(CSI)を,通信とセンシングを管理するための強化学習技術とともに利用する自律走行車ネットワークについて考察する。
  論文  参考訳（メタデータ） (2024-12-24T15:32:58Z)
• DRL-Based Optimization for AoI and Energy Consumption in C-V2X Enabled IoV [33.32647734550201]
  本稿では,C-V2X車両通信システムにおけるマルチプライオリティキューとNOMAが情報時代に与える影響を解析する。 提案手法は,エネルギー消費とAoIの両面での進歩を示すものである。
  論文  参考訳（メタデータ） (2024-11-20T07:59:35Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• 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)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• Path Design and Resource Management for NOMA enhanced Indoor Intelligent Robots [58.980293789967575]
  通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。 室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。 調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
  論文  参考訳（メタデータ） (2020-11-23T21:45:01Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。