通过评估 ML 树集成方法来预测无线通信质量，并利用车辆之间的相关性和无线环境特征改进预测性能，支持商业网络中的 ML 应用。

Feb, 2024

本文介绍了一系列关键技术，包括新材料、算法和系统架构等，阐述了机器学习在第六代车辆通信网络中的最近进展，并讨论了这些技术的优势、挑战、成熟和增强领域，旨在实现智能化交通系统，推动未来研究。

Dec, 2020

本文研究了如何在车联网中实现预测服务质量（PQoS）的目标，通过强化学习代理设计来实现 PQoS。通过中心化，完全分布式和联邦学习等不同的学习方案，我们证明了去中心化学习和尤其是联邦学习在收敛时间和可靠性之间具有良好的权衡，这对隐私和复杂性方面具有积极的影响，并且在低延迟和可靠性的限制下确定了发送车载数据的最佳压缩级别。

Feb, 2023

通过一系列的详细的测量活动，我们提供了一批适用于车联网 (V2X) 领域的、具有高时间分辨率的 GPS 定位的无线测量数据集，并公开了这些数据，供新研究人员使用。这些数据可用于针对 6G 及以后的无线通信技术的机器学习研究和新的车联网和工业通信用例的探索，并建议 ML 需要克服的一些挑战和利用的一些功能。}

Dec, 2022

未来的自动驾驶车辆将使用各种传感器生成大量数据，该研究论文提出了一种联邦测量和学习系统，通过车辆间通信提供实时数据，并通过车辆到网络链接运行联邦学习方案来创建交通网络的预测模型。研究结果表明，该方案能够提高学习性能并防止聚合服务器侧的窃听。

Jan, 2024

本文评估了基于人工智能的 5G 无线通信系统，包括网络管理、无线资源分配和网络安全等。

Sep, 2020

基于强化学习的创新解决方案可以解决城市区域自主车辆的路径规划问题，同时考虑驾驶时间和数据传输需求，通过优先选择高带宽道路来满足数据传输要求，并最小化驾驶时间，相较于不考虑交通和带宽的基准路线规划方法，该解决方案表现更好。

Sep, 2023

车辆对一切辅助自动驾驶（V2X-AD）具有巨大潜力，目前尚未充分探索利用基础设施和通信资源来提高驾驶性能，因此，本研究介绍了一个充分整合 V2X 通信的协同驾驶系统 CoDriving，通过改进信息共享策略以提高驾驶性能，并在研究中利用 V2Xverse 进行了专门设计的测试与评估。

Apr, 2024

合作智能交通系统依赖一套车到车（V2X）应用来提高道路安全。本文提出了一种智能可扩展的混合车载通信架构，利用多种无线接入技术的性能满足这些应用的需求，并基于深度强化学习提出一种通信模式选择算法来最大化网络可靠性并限制资源消耗，通过车队编队场景的数值结果验证了混合车载通信架构相比静态车载选择策略和多准则决策选择算法可将数据包接收率提高 30％以及资源消耗方面冗余通信模式效率提高 20％。

Apr, 2024

自动驾驶中准确的感知是推动该领域发展并解决安全挑战的关键。新兴的基于车联网技术的合作感知被提出作为一种解决方案，以克服当前感知方法在复杂真实交通环境中遇到的困难，并提升驾驶自动化系统的性能。本文通过全面综述合作感知技术的演进，并重点关注与车联网通信技术相关的最新研究，提出了一个当代通用框架来说明基于车联网的合作感知工作流程，分析了当前所解决的关键问题并进行了文献综述，最后探讨了自动驾驶中感知和车联网通信发展所面临的挑战和未来方向。

Oct, 2023