論文の概要: AI-Driven Multi-Hop Relay Selection for Smart Urban NR-V2X Networks via Learning-to-Optimize Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.20554v1
• Date: Wed, 15 Jul 2026 20:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.164423
• Title: AI-Driven Multi-Hop Relay Selection for Smart Urban NR-V2X Networks via Learning-to-Optimize Graph Neural Networks
• Title（参考訳）: 学習-最適化グラフニューラルネットワークによるスマート都市NR-V2XネットワークのAI駆動型マルチホップリレー選択
• Abstract要約: グラフニューラルネットワーク(GNN)に基づくリアルタイムNR-V2Xリレー選択のためのフレームワークを提案する。 統合SUMO-GEMV2シミュレーションパイプラインによって生成された大規模都市データセットの実験により,提案手法がMILPオラクルと同等の接続性を実現することを示す。 このフレームワークは、既存の車両資産を活用し、スマートシティ環境でスケーラブルでリアルタイムなNR-V2X操作をサポートすることにより、都市V2X接続の費用対効果を高めることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable and low-latency NR-V2X communications are essential for smart mobility in dense urban environments. However, limited Road-Side Unit (RSU) density, frequent non-line-of-sight conditions, and highly dynamic vehicular topologies often prevent many Connected and Automated Vehicles (CAVs) from maintaining stable single-hop connectivity. Although multi-hop relay-assisted communication can extend infrastructure coverage, selecting relay links in real time under practical flow, capacity, and connectivity constraints remains challenging. Mixed-Integer Linear Programming (MILP) yields optimal multi-hop relay decisions, but its computational complexity scales sharply with network density, limiting real-time applicability. To address this, we propose a Learning-to-Optimise (L2O) framework based on Graph Neural Networks (GNNs) for real-time NR-V2X relay selection. Vehicular communication states are modeled as attributed graphs, where CAVs and RSUs are nodes and candidate radio links are enriched with propagation-aware features. An offline MILP oracle provides optimal supervision, while an edge-aware Graph Isomorphism Network (GINE) approximates oracle decisions with near-constant inference latency. Experiments on large-scale urban datasets generated by an integrated SUMO--GEMV2 simulation pipeline show that the proposed approach achieves connectivity comparable to that of the MILP oracle while reducing execution time by orders of magnitude. The framework enables cost-effective enhancement of urban V2X connectivity by leveraging existing vehicular assets and supporting scalable, real-time NR-V2X operation in smart city environments.
• Abstract（参考訳）: 高密度都市環境におけるスマートモビリティには信頼性と低遅延NR-V2X通信が不可欠である。 しかし、限られたロード・サイド・ユニット(RSU)密度、頻繁な非視界条件、非常にダイナミックな車両のトポロジーは、多くのコネクテッド・アンド・オートマチック・ビークル(CAV)が安定したシングルホップ接続を維持するのを妨げている。 マルチホップ中継支援通信はインフラの網羅範囲を拡張できるが,現実的なフロー,キャパシティ,接続性制約の下で,リアルタイムに中継リンクを選択することは依然として困難である。 Mixed-Integer Linear Programming (MILP) は最適なマルチホップリレー決定をもたらすが、その計算複雑性はネットワーク密度とともに急激にスケールし、リアルタイム適用性を制限する。 そこで我々は,リアルタイムNR-V2Xリレー選択のためのグラフニューラルネットワーク(GNN)に基づくL2O(Learning-to-Optimise)フレームワークを提案する。 ベクトル通信状態は属性グラフとしてモデル化され、CAVとRSUはノードであり、候補無線リンクは伝搬認識機能によってリッチ化される。 オフラインMILPオラクルは最適な監視を提供する一方、エッジ対応グラフアイソモーフィックネットワーク(GINE)は、ほぼ一貫した推論遅延でオラクルの決定を近似する。 統合SUMO-GEMV2シミュレーションパイプラインによって生成された大規模都市データセットに対する実験により,提案手法はMILPオラクルに匹敵する接続性を達成し,実行時間を桁違いに短縮することを示した。 このフレームワークは、既存の車両資産を活用し、スマートシティ環境でスケーラブルでリアルタイムなNR-V2X操作をサポートすることにより、都市V2X接続の費用対効果を高めることができる。

関連論文リスト

• Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features [0.0]
  本稿では,リアルタイムリレー選択のためのエッジ・アウェア・ラーニング・ツー・オプティマイズ・フレームワークを提案する。 オフラインMILPオラクルは、エッジ特徴を持つグラフ同型ネットワークを監督する最適なリレー構成を生成する。 OSM-SUMO-GEMV$2$パイプラインを通じて生成された大規模なデータセットの実験は、GINEがリンクレベルでMILP決定と密接に一致していることを示している。
  論文  参考訳（メタデータ） (2026-07-15T12:50:48Z)
• Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning [11.833896722352568]
  本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。 提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
  論文  参考訳（メタデータ） (2025-10-29T15:02:28Z)
• Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6G Networks [43.88530200050682]
  本稿では,GNNベースのマルチキャストルーティングフレームワークを提案する。 提案手法は、計算複雑性を著しく低減しつつ、最適な動的プログラムベースの解を近似する。 また,大規模および動的ネットワークトポロジへの強力な一般化も確認し,6Gマルチメディア配信シナリオにおけるリアルタイム展開の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-13T08:00:45Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• 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)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)

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。