論文の概要: AI-Driven Multi-Agent Vehicular Planning for Battery Efficiency and QoS in 6G Smart Cities
- arxiv url: http://arxiv.org/abs/2509.14877v1
- Date: Thu, 18 Sep 2025 11:46:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.196466
- Title: AI-Driven Multi-Agent Vehicular Planning for Battery Efficiency and QoS in 6G Smart Cities
- Title（参考訳）: 6Gスマートシティにおけるバッテリ効率とQoSのためのAI駆動マルチエージェント車体計画
- Authors: Rohin Gillgallon, Giacomo Bergami, Reham Almutairi, Graham Morgan,
- Abstract要約: 本稿では,これらの要件を満たすためのSimulator Orchestrator(SO)の拡張について述べる。
現実的な都市データセットに対する予備的な結果は、車載計画アルゴリズムを利用すると、バッテリーと性能が向上することを示している。
- 参考スコア（独自算出の注目度）: 0.5955612786175961
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While simulators exist for vehicular IoT nodes communicating with the Cloud through Edge nodes in a fully-simulated osmotic architecture, they often lack support for dynamic agent planning and optimisation to minimise vehicular battery consumption while ensuring fair communication times. Addressing these challenges requires extending current simulator architectures with AI algorithms for both traffic prediction and dynamic agent planning. This paper presents an extension of SimulatorOrchestrator (SO) to meet these requirements. Preliminary results over a realistic urban dataset show that utilising vehicular planning algorithms can lead to improved battery and QoS performance compared with traditional shortest path algorithms. The additional inclusion of desirability areas enabled more ambulances to be routed to their target destinations while utilising less energy to do so, compared to traditional and weighted algorithms without desirability considerations.
- Abstract（参考訳）: 完全にシミュレートされたオズミズムアーキテクチャでは、エッジノードを介してクラウドと通信する車両用IoTノード用のシミュレータが存在するが、それらはしばしば、車両用バッテリー消費を最小限に抑えるための動的エージェント計画と最適化のサポートを欠いている。
これらの課題に対処するには、トラフィック予測と動的エージェント計画の両方のためのAIアルゴリズムを使用して、現在のシミュレータアーキテクチャを拡張する必要がある。
本稿では,これらの要件を満たすためのSimulator Orchestrator(SO)の拡張について述べる。
現実的な都市データセットに対する予備的な結果は、車載計画アルゴリズムを利用することで、従来の最短経路アルゴリズムと比較してバッテリーとQoSのパフォーマンスが向上することを示している。
好ましくない領域が加わったことで、目的の目的地により多くの救急車を輸送できるようになり、望ましくないアルゴリズムや重み付けアルゴリズムと比べてエネルギーを減らした。
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) - Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。
VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。
本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-29T13:20:02Z) - Getting SMARTER for Motion Planning in Autonomous Driving Systems [6.389340982597326]
本稿では,第2世代の動作計画シミュレータSMARTS 2.0を紹介する。
新機能には、現実的なマップの統合、車両間通信、交通と歩行者のシミュレーション、さまざまなセンサーモデルが含まれる。
本稿では,様々な難易度の高いシナリオにおいて,計画アルゴリズムを評価するための新しいベンチマークスイートを提案する。
論文 参考訳（メタデータ） (2025-02-20T03:51:49Z) - Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - 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) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for
Autonomous Driving [27.776472262857045]
本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。
メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。
強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
論文 参考訳（メタデータ） (2024-02-04T15:07:49Z) - Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-16T23:13:51Z)
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。