論文の概要: PRATA: A Framework to Enable Predictive QoS in Vehicular Networks via Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2507.14211v1
- Date: Tue, 15 Jul 2025 10:36:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:31.766534
- Title: PRATA: A Framework to Enable Predictive QoS in Vehicular Networks via Artificial Intelligence
- Title（参考訳）: PRATA: 人工知能によるVehicular Networksの予測QoSを可能にするフレームワーク
- Authors: Federico Mason, Tommaso Zugno, Matteo Drago, Marco Giordani, Mate Boban, Michele Zorzi,
- Abstract要約: 遠隔運転アプリケーションのためのAIに基づくPredictiveを実現するための新しいシミュレーションフレームワークであるPRATAを提案する。
PRATAは、(i) 5G無線アクセスネットワーク(RAN)をシミュレートするエンドツーエンドのプロトコルスタック、(ii)自動車データを生成するツール、(iii)PQoS決定を最適化する人工知能(AI)ユニットから構成される。
その実用性を証明するため、PRATAを用いてRAN-AIと呼ばれるRLユニットを設計し、リソース飽和やチャネル劣化の場合に遠隔操作運転データのセグメンテーションレベルを最適化する。
- 参考スコア（独自算出の注目度）: 16.48895653820328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictive Quality of Service (PQoS) makes it possible to anticipate QoS changes, e.g., in wireless networks, and trigger appropriate countermeasures to avoid performance degradation. Hence, PQoS is extremely useful for automotive applications such as teleoperated driving, which poses strict constraints in terms of latency and reliability. A promising tool for PQoS is given by Reinforcement Learning (RL), a methodology that enables the design of decision-making strategies for stochastic optimization. In this manuscript, we present PRATA, a new simulation framework to enable PRedictive QoS based on AI for Teleoperated driving Applications. PRATA consists of a modular pipeline that includes (i) an end-to-end protocol stack to simulate the 5G Radio Access Network (RAN), (ii) a tool for generating automotive data, and (iii) an Artificial Intelligence (AI) unit to optimize PQoS decisions. To prove its utility, we use PRATA to design an RL unit, named RAN-AI, to optimize the segmentation level of teleoperated driving data in the event of resource saturation or channel degradation. Hence, we show that the RAN-AI entity efficiently balances the trade-off between QoS and Quality of Experience (QoE) that characterize teleoperated driving applications, almost doubling the system performance compared to baseline approaches. In addition, by varying the learning settings of the RAN-AI entity, we investigate the impact of the state space and the relative cost of acquiring network data that are necessary for the implementation of RL.
- Abstract（参考訳）: Predictive Quality of Service (PQoS)は、無線ネットワークにおけるQoSの変化を予測し、性能劣化を避けるための適切な対策をトリガーする。
したがって、PQoSは遠隔運転のような自動車アプリケーションに非常に有用であり、レイテンシと信頼性の点で厳しい制約を課している。
PQoSの有望なツールは、確率的最適化のための意思決定戦略の設計を可能にする手法である強化学習(Reinforcement Learning, RL)によって提供される。
本稿では,Predictive QoSを実現するための新しいシミュレーションフレームワークであるPRATAについて述べる。
PRATAはモジュラーパイプラインで構成される
(i) 5G Radio Access Network(RAN)をシミュレートするエンドツーエンドプロトコルスタック
二 自動車データを生成するためのツール、及び
(iii)PQoS決定を最適化する人工知能(AI)ユニット。
その実用性を証明するため、PRATAを用いてRAN-AIと呼ばれるRLユニットを設計し、リソース飽和やチャネル劣化の場合に遠隔操作運転データのセグメンテーションレベルを最適化する。
したがって、RAN-AIエンティティは、遠隔操作駆動アプリケーションを特徴付けるQoSとQuality of Experience(QoE)のトレードオフを効率よくバランスさせ、ベースラインアプローチと比較してシステム性能をほぼ2倍にします。
また、RAN-AIエンティティの学習環境を変化させることで、RLの実装に必要な状態空間の影響と、ネットワークデータを取得する相対コストを調査する。
関連論文リスト
- Bi-LSTM based Multi-Agent DRL with Computation-aware Pruning for Agent Twins Migration in Vehicular Embodied AI Networks [20.574619097682923]
インテリジェントトランスポートでは、大型言語モデルと組み込み人工知能(AI)の組み合わせにより、Vehicular Embodied AI Network(VEAN)が生成される。
VEANでは、自律走行車(AV)が典型的なエージェントであり、局所的な高度なAIアプリケーションは車載型AIエージェントとして定義される。
レイテンシとリソースの制約のため、車載型AIエージェント上で動作するローカルAIアプリケーションとサービスを移行する必要がある。
論文 参考訳（メタデータ） (2025-05-09T18:52:26Z) - Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization [4.7430397428031785]
本稿では、さまざまな状態パラメータがハンドオーバ決定にどのように影響するかについて、より深い洞察を提供するための、説明可能なAI(XAI)フレームワークを紹介する。
参照信号受信電力(RSRP)などの重要な特徴の影響を定量化することにより、RLベースのハンドオーバソリューションの解釈可能性と信頼性を向上させる。
論文 参考訳（メタデータ） (2025-04-25T14:11:51Z) - 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) - 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) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳（メタデータ） (2023-03-25T14:40:59Z) - Artificial Intelligence in Vehicular Wireless Networks: A Case Study
Using ns-3 [18.54699818319184]
無線ネットワーク最適化のためのAIアルゴリズムを実装可能なns-3シミュレーションフレームワークを提案する。
パイプラインは、(i)V2Xのための新しい幾何学ベースのモビリティ依存チャネルモデル、(ii)5G-NR準拠プロトコルスタックのすべての層、(iii)V2Xデータ伝送をシミュレートする新しいアプリケーションで構成される。
論文 参考訳（メタデータ） (2022-03-10T16:20:54Z) - A Reinforcement Learning Framework for PQoS in a Teleoperated Driving
Scenario [18.54699818319184]
PQoS機能を実装したRANレベルで実装された新しいエンティティの設計を提案する。
具体的には,学習者の報酬関数の設計に焦点をあて,要求が満たされない場合,見積もりを適切な対策に変換することができる。
我々は, ns-3シミュレーションを用いて, 遠隔運転のようなシナリオにおいて, エンドユーザーのQoE(Quality of Experience, QoE)パフォーマンスにおいて, 最良のトレードオフを実現することを実証した。
論文 参考訳（メタデータ） (2022-02-04T02:59:16Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。