論文の概要: Timeliness-Oriented Scheduling and Resource Allocation in Multi-Region Collaborative Perception

• arxiv url: http://arxiv.org/abs/2601.04542v1
• Date: Thu, 08 Jan 2026 03:16:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.011046
• Title: Timeliness-Oriented Scheduling and Resource Allocation in Multi-Region Collaborative Perception
• Title（参考訳）: マルチリージョン協調知覚におけるタイムライン指向スケジューリングと資源配分
• Authors: Mengmeng Zhu, Yuxuan Sun, Yukuan Jia, Wei Chen, Bo Ai, Sheng Zhou,
• Abstract要約: 協調認識(CP)は、自動運転やスマートシティといったアプリケーションにおいて重要な技術である。 環境の動的な性質のため、送信された情報のタイムラインは知覚性能にとって重要である。 本研究では,マルチリージョンCPシナリオにおける動的スケジューリング問題について検討し,TAMPスケジューリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 19.430782700000158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative perception (CP) is a critical technology in applications like autonomous driving and smart cities. It involves the sharing and fusion of information among sensors to overcome the limitations of individual perception, such as blind spots and range limitations. However, CP faces two primary challenges. First, due to the dynamic nature of the environment, the timeliness of the transmitted information is critical to perception performance. Second, with limited computational power at the sensors and constrained wireless bandwidth, the communication volume must be carefully designed to ensure feature representations are both effective and sufficient. This work studies the dynamic scheduling problem in a multi-region CP scenario, and presents a Timeliness-Aware Multi-region Prioritized (TAMP) scheduling algorithm to trade-off perception accuracy and communication resource usage. Timeliness reflects the utility of information that decays as time elapses, which is manifested by the perception performance in CP tasks. We propose an empirical penalty function that maps the joint impact of Age of Information (AoI) and communication volume to perception performance. Aiming to minimize this timeliness-oriented penalty in the long-term, and recognizing that scheduling decisions have a cumulative effect on subsequent system states, we propose the TAMP scheduling algorithm. TAMP is a Lyapunov-based optimization policy that decomposes the long-term average objective into a per-slot prioritization problem, balancing the scheduling worth against resource cost. We validate our algorithm in both intersection and corridor scenarios with the real-world Roadside Cooperative perception (RCooper) dataset. Extensive simulations demonstrate that TAMP outperforms the best-performing baseline, achieving an Average Precision (AP) improvement of up to 27% across various configurations.
• Abstract（参考訳）: 協調認識(CP)は、自動運転やスマートシティといったアプリケーションにおいて重要な技術である。 盲点や範囲制限といった個々の知覚の限界を克服するために、センサー間で情報の共有と融合が伴う。 しかし、CPは2つの大きな課題に直面している。 第一に、環境の動的な性質から、送信された情報のタイムラインは知覚性能にとって重要である。 第二に、センサの計算能力が限られ、無線帯域が制限されているため、特徴表現が有効かつ十分であることを保証するために、通信容量を慎重に設計する必要がある。 本研究は,マルチリージョンCPシナリオにおける動的スケジューリング問題について検討し,TAMPスケジューリングアルゴリズムを用いて認識精度と通信資源利用のトレードオフを行う。 タイムラインは、CPタスクの知覚性能によって表される時間経過とともに減衰する情報の有用性を反映している。 本稿では,情報時代(AoI)とコミュニケーション量との連関効果を知覚性能にマッピングする経験的ペナルティ関数を提案する。 このタイムライン指向のペナルティを長期にわたって最小化し、スケジューリング決定がその後のシステム状態に累積効果があることを認識するため、TAMPスケジューリングアルゴリズムを提案する。 TAMPは、長期平均目標をスロットごとの優先順位付け問題に分解し、リソースコストとスケジュール価値のバランスをとる、リアプノフに基づく最適化政策である。 我々は,実際の道路側協調認識(RCooper)データセットを用いて,交差点と廊下の両方のシナリオでアルゴリズムを検証する。 大規模なシミュレーションでは、TAMPが最高性能のベースラインより優れており、様々な構成で平均精度(AP)が最大27%向上している。

関連論文リスト

• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
  統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。 本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:06Z)
• Pull-Based Query Scheduling for Goal-Oriented Semantic Communication [14.787190731074322]
  本稿では、プルベースステータス更新システムにおけるゴール指向セマンティック通信のためのクエリスケジューリングについて述べる。 本稿では,有効度尺度(GoE)を導入し,長期的有効性分析に累積的視点理論(CPT)を統合する。 本稿では、動的プログラミングに基づくモデルベースソリューションと、最先端の深層強化学習(DRL)アルゴリズムを用いたモデルフリーソリューションを提案する。
  論文  参考訳（メタデータ） (2025-03-09T18:51:14Z)
• Deep Reinforcement Learning-Based User Scheduling for Collaborative Perception [24.300126250046894]
  車両間通信(V2X)を用いて、協調的知覚が知覚精度を向上させることを想定する。 通信資源が限られているため、すべてのユニットが点雲や高精細ビデオなどのセンシングデータを送信するのは現実的ではない。 協調認識のための深層強化学習に基づくV2Xユーザスケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-12T04:45:00Z)
• Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
  一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。 本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。 事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
  論文  参考訳（メタデータ） (2024-04-01T00:21:11Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• MASS: Mobility-Aware Sensor Scheduling of Cooperative Perception for Connected Automated Driving [19.66714697653504]
  コラボレーティブ・パーセプション(CP)と呼ばれる新しいパラダイムが、コラボレーティブ・ビークル(CoV)からのセンサデータを共有することで救助にやってくる。 既存の方法は、近くの車両からの知覚の利得を予測するために、可視性マップのようなメタ情報交換に依存している。 CPの分散スケジューリングにおいて,スケジューリング中に学習する新しい手法を提案する。 提案したMASSアルゴリズムは,他の学習ベースアルゴリズムと比較して,最大4.2ポイントのリコール率向上を実現している。
  論文  参考訳（メタデータ） (2023-02-25T09:03:05Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
  視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。 本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。 本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:16:45Z)
• Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling [57.271494741212166]
  本稿では,通信時間最小化問題を定式化し,解決する。 最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。 提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
  論文  参考訳（メタデータ） (2021-07-24T11:39:17Z)

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。