論文の概要: AI-Driven Real-Time Relay Optimisation in Smart Urban NR-V2X Networks via Learning-to-Optimise Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2609.20271v1
• Date: Wed, 29 Jul 2026 07:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.650577
• Title: AI-Driven Real-Time Relay Optimisation in Smart Urban NR-V2X Networks via Learning-to-Optimise 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を用いたスマート都市NR-V2XネットワークにおけるAI駆動リアルタイムリレー最適化
• Abstract要約: 本稿では,NR-V2Xシステムにおけるリアルタイムマルチホップリレー選択のためのAI駆動学習・最適化フレームワークを提案する。 現実的な都市データセットの実験により,提案手法がほぼ最適接続性能を実現することを示す。 このフレームワークはスケーラブルでリアルタイムなネットワーク制御を可能にし、スマートシティとIndustrial 4.0のデプロイメントに適している。
• 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 communication is a fundamental requirement for smart city services and Industry 4.0 applications enabled by NR-V2X networks. However, limited Road-Side Unit (RSU) deployment and complex urban propagation conditions often prevent Connected and Automated Vehicles (CAVs) from maintaining stable connectivity. This paper proposes an AI-driven Learning-to-Optimise (L2O) framework based on Graph Neural Networks (GNNs) for real-time multi-hop relay selection in NR-V2X systems. The vehicular network is modelled as a graph, where nodes represent CAVs and RSUs, and edges encode radio-link characteristics. An offline Mixed-Integer Linear Programming (MILP) formulation provides optimal relay decisions used as supervision for training an edge-aware Graph Isomorphism Network with Edge Features (GINE). Extensive experiments on realistic urban datasets demonstrate that the proposed approach achieves near-optimal connectivity performance, recovering up to 11.3% connectivity gain, while reducing execution time by orders of magnitude (up to 100 x speed-up) compared to MILP. The framework enables scalable and real-time network control, making it suitable for smart city and Industry 4.0 deployments.
• Abstract（参考訳）: 信頼性と低レイテンシの通信は、NR-V2Xネットワークによって実現されるスマートシティサービスと産業用 4.0 アプリケーションの基本要件である。 しかし、限られた道路側ユニット(RSU)の配置と複雑な都市伝播条件により、コネクテッド・アンド・オートマチック・ビークル(CAV)が安定した接続を維持するのを防いでいる。 本稿では、NR-V2Xシステムにおけるリアルタイムマルチホップ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AI駆動学習最適化(L2O)フレームワークを提案する。 車両ネットワークは、ノードがCAVとRSUを表現し、エッジが無線リンク特性を符号化するグラフとしてモデル化されている。 オフラインのMILP(Mixed-Integer Linear Programming)の定式化は、エッジを意識したグラフ同型ネットワーク(GINE)のトレーニングに使用される最適なリレー決定を提供する。 現実的な都市データセットに対する大規模な実験により、提案手法は、MILPと比較して桁違い(最大100倍のスピードアップ)の実行時間を短縮しつつ、最大11.3%の接続ゲインを回復し、ほぼ最適接続性能を達成することを示した。 このフレームワークはスケーラブルでリアルタイムなネットワーク制御を可能にし、スマートシティとIndustrial 4.0のデプロイメントに適している。

関連論文リスト

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• AI-Driven Multi-Hop Relay Selection for Smart Urban NR-V2X Networks via Learning-to-Optimize Graph Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-15T20:15:28Z)
• 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)
• 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)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• 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)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• 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)

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。