論文の概要: Connectivity Management in Satellite-Aided Vehicular Networks with Multi-Head Attention-Based State Estimation

• arxiv url: http://arxiv.org/abs/2508.01060v1
• Date: Fri, 01 Aug 2025 20:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.689682
• Title: Connectivity Management in Satellite-Aided Vehicular Networks with Multi-Head Attention-Based State Estimation
• Title（参考訳）: マルチヘッドアテンション状態推定による衛星支援車両ネットワークの接続性管理
• Authors: Ibrahim Althamary, Chen-Fu Chou, Chih-Wei Huang,
• Abstract要約: 本文は, 衛星支援型マルチヘッドセルフアテンション(MAAC-SAM)を用いたマルチエージェントアクタクリティカルについて紹介する。 MAAC-SAMは、車両からサテライト(V2S)、V2I(V2I)、V2V(V2V)への接続を自律的に管理できる新しいマルチエージェント強化学習フレームワークである。 私たちのキーとなるイノベーションは、車両間の情報共有の変動や制限があっても、堅牢な状態推定を可能にするマルチヘッドアテンション機構の統合です。
• 参考スコア（独自算出の注目度）: 0.9831489366502301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Managing connectivity in integrated satellite-terrestrial vehicular networks is critical for 6G, yet is challenged by dynamic conditions and partial observability. This letter introduces the Multi-Agent Actor-Critic with Satellite-Aided Multi-head self-attention (MAAC-SAM), a novel multi-agent reinforcement learning framework that enables vehicles to autonomously manage connectivity across Vehicle-to-Satellite (V2S), Vehicle-to-Infrastructure (V2I), and Vehicle-to-Vehicle (V2V) links. Our key innovation is the integration of a multi-head attention mechanism, which allows for robust state estimation even with fluctuating and limited information sharing among vehicles. The framework further leverages self-imitation learning (SIL) and fingerprinting to improve learning efficiency and real-time decisions. Simulation results, based on realistic SUMO traffic models and 3GPP-compliant configurations, demonstrate that MAAC-SAM outperforms state-of-the-art terrestrial and satellite-assisted baselines by up to 14% in transmission utility and maintains high estimation accuracy across varying vehicle densities and sharing levels.
• Abstract（参考訳）: 衛星と地上の車体ネットワークの統合接続の管理は6Gにとって重要であるが、動的条件と部分観測性によって困難である。 この書簡では、衛星支援型マルチヘッド自己注意(MAAC-SAM)によるマルチエージェント・アクター・クリティカル(Multi-Agent Actor-Critic)について紹介する。これは、車両からサテライト(V2S)、車両から赤外線構造(V2I)、車両から車両までの接続を自律的に管理することのできる、新しいマルチエージェント強化学習フレームワークである。 私たちのキーとなるイノベーションは、車両間の情報共有の変動や制限があっても、堅牢な状態推定を可能にするマルチヘッドアテンション機構の統合です。 このフレームワークは、学習効率とリアルタイムな意思決定を改善するために、SIL(Self-imitation Learning)とフィンガープリントを活用する。 現実的なSUMOトラフィックモデルと3GPPに準拠した構成に基づくシミュレーションの結果、MAAC-SAMは送信ユーティリティにおいて、最先端の地上および衛星支援ベースラインを最大14%上回り、様々な車両密度と共有レベルにわたって高い推定精度を維持することを示した。

関連論文リスト

• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• Enhancing Traffic Sign Recognition On The Performance Based On Yolov8 [0.0]
  この論文では、高度なデータ拡張技術を統合する拡張YOLOv8ベースの検出システムを提案する。 GTSRB、TT100K、GTSDBなどのデータセットで実施された実験では、検出精度、悪条件下での堅牢性、エッジデバイス上でのリアルタイム推論が著しく改善された。
  論文  参考訳（メタデータ） (2025-04-02T07:28:05Z)
• Multi-Agent Deep Reinforcement Learning for Safe Autonomous Driving with RICS-Assisted MEC [36.36591743123764]
  環境検知とオンボードセンサーによる融合は、将来の自律運転ネットワークに広く適用されることが想定されている。 スペクトル利用を改善するために、V2VリンクはV2Iリンクと同じ周波数スペクトルを再利用し、深刻な干渉を引き起こす可能性がある。 この問題に対処するために、再構成可能なインテリジェント・コンピューティング・サーフェス(RICS)を活用し、V2I反射型リンクを共同で有効化する。
  論文  参考訳（メタデータ） (2025-03-25T07:53:50Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• Knowledge-Informed Multi-Agent Trajectory Prediction at Signalized Intersections for Infrastructure-to-Everything [7.452533291998081]
  我々は、I2X(Infrastructure-to-Everything)協調予測スキームを導入する。 このスキームでは、ロードサイドユニット(RSU)は独立して全ての車両の将来の軌跡を予測する。 我々は,専用インフラストラクチャベースの軌道予測モデルであるI2XTrajを提案する。
  論文  参考訳（メタデータ） (2025-01-23T08:23:45Z)
• Hybrid-Generative Diffusion Models for Attack-Oriented Twin Migration in Vehicular Metaverses [58.264499654343226]
  Vehicle Twins (VTs) は、Vehicular Metaverse Users (VMUs) 向けに没入型仮想サービスを提供するデジタルツインである。 車両の高モビリティ、エッジサーバの不均一なデプロイ、潜在的なセキュリティ脅威は、効率的で信頼性の高いVTマイグレーションを実現する上での課題である。 車両メタバースにおけるセキュアで信頼性の高いVTマイグレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T11:11:33Z)
• Improving Autonomous Separation Assurance through Distributed Reinforcement Learning with Attention Networks [0.0]
  本稿では,AAM廊下内で自律的な自己分離機能を実現するための強化学習フレームワークを提案する。 この問題はマルコフ決定プロセス(Markov Decision Process)として定式化され、サンプル効率の良いオフポリティ・ソフトアクター・クリティック(SAC)アルゴリズムへの新たな拡張を開発することで解決される。 包括的数値計算により,提案手法は高密度・動的環境下で航空機の安全かつ効率的な分離を保証できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T13:44:35Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• 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。