論文の概要: Energy-Efficient Learning-Based Beamforming for ISAC-Enabled V2X Networks

• arxiv url: http://arxiv.org/abs/2508.19566v1
• Date: Wed, 27 Aug 2025 04:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.492637
• Title: Energy-Efficient Learning-Based Beamforming for ISAC-Enabled V2X Networks
• Title（参考訳）: ISAC対応V2Xネットワークのためのエネルギー効率の良い学習ベースビームフォーミング
• Authors: Chen Shang, Jiadong Yu, Dinh Thai Hoang,
• Abstract要約: 本研究は、ISAC(Integrated Sentration and Communication)対応V2Xネットワークのための、エネルギー効率の高い学習ベースのビームフォーミング方式を提案する。 まず,V2X環境の動的・不確かさをマルコフ決定過程としてモデル化する。 そこで我々は,ビームフォーミングとパワーアロケーションを協調的に最適化する深層強化学習(DRL)アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 12.848904208580164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes an energy-efficient, learning-based beamforming scheme for integrated sensing and communication (ISAC)-enabled V2X networks. Specifically, we first model the dynamic and uncertain nature of V2X environments as a Markov Decision Process. This formulation allows the roadside unit to generate beamforming decisions based solely on current sensing information, thereby eliminating the need for frequent pilot transmissions and extensive channel state information acquisition. We then develop a deep reinforcement learning (DRL) algorithm to jointly optimize beamforming and power allocation, ensuring both communication throughput and sensing accuracy in highly dynamic scenario. To address the high energy demands of conventional learning-based schemes, we embed spiking neural networks (SNNs) into the DRL framework. Leveraging their event-driven and sparsely activated architecture, SNNs significantly enhance energy efficiency while maintaining robust performance. Simulation results confirm that the proposed method achieves substantial energy savings and superior communication performance, demonstrating its potential to support green and sustainable connectivity in future V2X systems.
• Abstract（参考訳）: 本研究は、ISAC(Integrated Sentration and Communication)対応V2Xネットワークのための、エネルギー効率の高い学習ベースのビームフォーミング方式を提案する。 具体的には,まず,V2X環境の動的・不確かさをマルコフ決定過程としてモデル化する。 この定式化により、路面ユニットは、現在のセンシング情報のみに基づいてビームフォーミング決定を生成することができ、頻繁なパイロット送信や広範なチャネル状態情報取得の必要がなくなる。 そこで我々は,ビームフォーミングとパワーアロケーションを協調的に最適化し,通信スループットとセンシング精度を両立させる深層強化学習(DRL)アルゴリズムを開発した。 従来の学習ベーススキームの高エネルギー要求に対処するために、スパイクニューラルネットワーク(SNN)をDRLフレームワークに組み込む。 イベント駆動で疎活性化されたアーキテクチャを活用することで、SNNは堅牢なパフォーマンスを維持しながら、エネルギー効率を大幅に向上する。 シミュレーションの結果,提案手法は省エネルギー化と通信性能の向上を実現し,将来のV2Xシステムにおけるグリーン・サステナブル・コネクティビティを支える可能性を実証した。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Semantic-Aware Resource Management for C-V2X Platooning via Multi-Agent Reinforcement Learning [41.8826976666953]
  セルラー車間通信(C-V2X)に基づく自律車小隊システムに意味コミュニケーションを導入する。 本稿では,SAMRAMARLと呼ばれるマルチエージェント強化学習(MARL)に基づく,分散意味認識型マルチモーダルリソースアロケーション(SAMRA)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-07T12:55:35Z)
• Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
  我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。 QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。 結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
  論文  参考訳（メタデータ） (2024-10-22T06:12:04Z)
• 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)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

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。