論文の概要: NS3Learn: Transferring 5G NR Mode-2 Reception Realism from ns-3 to the Veins/SUMO Stack for Connected-Vehicle Safety Assessment

• arxiv url: http://arxiv.org/abs/2609.20578v1
• Date: Thu, 17 Sep 2026 15:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.354821
• Title: NS3Learn: Transferring 5G NR Mode-2 Reception Realism from ns-3 to the Veins/SUMO Stack for Connected-Vehicle Safety Assessment
• Title（参考訳）: NS3Learn:5G NRモード-2レセプションリアリズムをns-3からVeins/SUMOスタックに移行して車載安全評価
• Abstract要約: 本研究は、完全なプロトコル再構成を必要とせずに、リソース競合損失を導入する。 ns-3 5G-LENAによる1050万の結果をNS3Learnに適合させた。 現実的な通信モデルを使用することで、シミュレートされたトラフィック速度トレンドと、予測された2倍以上のハードブレーキイベントが逆転した。
• 参考スコア（独自算出の注目度）: 3.5498205810713035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Connected-vehicle safety evaluations rely on coupled traffic and network simulations, but standard channel models ignore radio resource competition in 5G NR sidelink Mode-2, reporting unrealistically high message delivery in dense traffic. This study introduces resource-competition losses without requiring full protocol reimplementation. We labeled 10.5 million reception outcomes from ns-3 5G-LENA traces (calibrated on 3GPP scenarios and driven by SUMO trajectories) to fit NS3Learn - a closed-form model capturing half-duplex loss, scheduling collisions, receiver capture, and decoding. Evaluation spanned two signalized urban networks, six penetration levels (1-100%), and five random seeds per condition. NS3Learn achieved a mean absolute deviation of 0.06 in per-instant delivery compared to ns-3 5G-LENA, outperforming alternative models (0.44 and 0.55 deviation). Fitted parameters transferred to a distinct intersection with only 20% additional error. Crucially, using realistic communication models reversed simulated traffic speed trends and more than doubled predicted hard-braking events. The framework transfers reception realism between simulators via model distillation instead of full reimplementation. Every stage maps directly to an explicit physical mechanism. Researchers and transportation agencies can maintain existing simulation pipelines while accurately accounting for dense-traffic packet loss and denial-of-service impacts. Adapting to new radio configurations requires only offline refitting rather than code modification.
• Abstract（参考訳）: 接続車両の安全性評価は、結合トラフィックとネットワークシミュレーションに依存するが、標準チャネルモデルは、5G NRサイドリンクモード2における無線リソースの競合を無視し、高密度トラフィックにおける非現実的に高いメッセージ配信を報告している。 本研究では、完全なプロトコルの再実装を必要とせずに、リソース競合損失を導入する。 我々は,ns-3 5G-LENAトレースから1050万の受信結果(3GPPシナリオでキャリブレーションされ,SUMOトラジェクトリによって駆動される)をNS3Learnにラベル付けした。 評価は,2つの信号化都市ネットワーク,6つの浸透レベル(1-100%),5つのランダムシードを対象とした。 NS3Learn は ns-3 5G-LENA よりも平均絶対偏差 0.06 を達成し、代替モデル (0.44 と 0.55 偏差) を上回った。 フィットされたパラメータは、20%追加エラーで別の交差点に移動した。 重要なことは、現実的な通信モデルを使用することで、シミュレートされた交通速度トレンドと2倍以上の予測ハードブレーキイベントが逆転した。 このフレームワークは、完全な再実装ではなく、モデル蒸留によってシミュレータ間でレセプションリアリズムを伝達する。 すべてのステージは、明示的な物理的メカニズムに直接マップする。 研究者や交通機関は、密集したパケット損失とサービス停止の影響を正確に考慮しながら、既存のシミュレーションパイプラインを維持することができる。 新しいラジオ設定に適応するには、コードの変更よりもオフラインで調整する必要がある。

関連論文リスト

• PhaseShift: Topology-Aware Data Harmonization and Model Consolidation Across Signalized Intersections [7.890686084519088]
  PhaseShiftは、異種道路側軌跡を共有アクター中心の表現に調和させるトポロジ対応フレームワークである。 フロリダ州の2地域の5つの交差点を,バランスの取れたフィールドデータ,100kのトレーニングウィンドウ,同規模のテストセットを用いて評価した。
  論文  参考訳（メタデータ） (2026-08-26T01:22:49Z)
• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• A Multi-Agent System for 5G Throughput Prediction in Multi-Operator Urban Environments [1.2599533416395763]
  タイアード・マルチエージェント・システム(TMAS)は、マレーシアのサンウェイ市で収集された48,618個のサンプルのデータセットに基づいて、テレメトリをドメインマイクロエージェントに動的にルーティングする。 TMASは予測可能性ボトルネックを克服し、最大0.931の判定係数(R2)と平均絶対誤差(MAE)を0.53Mbpsまで下げる。
  論文  参考訳（メタデータ） (2026-07-18T18:48:53Z)
• Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study [0.0]
  通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。 現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルの指標に依存している。 我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。
  論文  参考訳（メタデータ） (2026-03-09T19:27:00Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
  我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。 我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。 下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
  論文  参考訳（メタデータ） (2025-09-07T09:36:51Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Res-GCNN: A Lightweight Residual Graph Convolutional Neural Networks for Human Trajectory Forecasting [0.0]
  ペデストリアンの対話的挙動をモデル化した残差グラフ畳み込みニューラルネットワーク(Res-GCNN)を提案する。 その結果、最終変位誤差(FDE)が0.65mに達すると、アートの状態を13.3%改善することが示された。 コードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2020-11-18T11:18:16Z)

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。