MMMar, 2023

基于深度强化学习的移动边缘对抗检测在数字孪生与元宇宙中的应用

PDF
TL;DR本研究旨在解决互联网车联网拍摄实时场景并将其投入虚拟现实的实时数字双生技术中，从而应用于增强现实辅助驾驶；同时，针对数字双生技术招致了对手攻击的问题，提出了一种基于异构行动近端策略优化（HAPPO）算法的解决方法。实验结果表明，HAPPO 在关键指标上优于基准模型。
发现论文，激发创造
  • AIoT - 可控交通虚拟城市中基于多智能体深度强化学习的动态角色迁移与轨迹预测

    本研究提出了一个基于实时轨迹预测和多智能体深度强化学习技术的动态迁移框架，以解决虚拟汽车元宇宙中的任务迁移问题。数值结果表明，我们提出的算法可以有效地减少大约 25％的任务执行延迟，并改善用户在 AIoT-enabled Vehicular Metaverse (AeVeM) 中的沉浸式体验。

    Jun, 2023

  • 基于数字孪生技术的边缘辅助移动增强现实三维地图管理

    本篇论文提出了一种数字孪生基于的 3D 地图管理方案，利用模型驱动增强学习算法对摄像头逐帧预测和上传，以解决动态环境中边缘增强现实设备姿态估计不确定性和数据不足的问题。模拟结果表明，该方案可以在动态环境中实现更低的姿态估计不确定性和更高的数据效率。

    May, 2023

  • 基于生成人工智能的机动车元宇宙中有效的物理虚拟同步

    本文提出了一种基于生成式 AI 的物理 - 虚拟同步框架，用于车辆元宇宙。在物理到虚拟同步方面，由自动驾驶汽车生成的数字孪生（DT）任务通过 RSU 进行执行，在生成未来路径的同时，通过生成式人工智能模型基于用户首选项对元宇宙 AR 推荐器（MARs）进行多样化和个性化的推荐。

    Jan, 2023

  • 一种动态资源分配框架：用于将元界与物联网服务和数据同步

    本研究旨在探讨在 Metaverse 中，利用 IoT 设备进行数字孪生同步，实现虚拟服务提供商与真实世界实体的连接；并采用混合进化动力学算法，以实现设备选择虚拟服务提供商的动态优化，最终得到一种进化稳定状态。

    Oct, 2021

  • 利用生成式 AI 模拟自主驾驶在车辆混合现实元宇宙中的应用

    本研究提出一种自动驾驶架构，利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率，并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。

    Feb, 2023

  • 评估自动驾驶语义分割在面对真实世界对抗性补丁攻击时的鲁棒性

    本文通过研究数字和现实中的对抗补丁，对流行的 SS 模型的稳健性进行了深入评估，并提出了场景特定攻击优化方法，似乎对自动驾驶等实际应用的影响不大。

    Aug, 2021

  • 基于深度强化学习的 6G 无线通信下移动边缘计算与 AI 启用的 Web3 Metaverse

    该研究提出了一种全新的质量服务（Quality-of-Service）模型，利用深度强化学习方法来找到多用户社交中接近最优的信道资源分配。全面的实验证明采用该质量服务模型可以提升整体社交体验。

    Dec, 2023

  • 基于采样、通信和预测协同设计的元宇宙中现实设备和数字模型同步化

    该研究提出了一种基于采样，通信和预测的元宇宙设备同步设计框架，通过利用专家知识和开发知识辅助的约束双延迟深确定性策略梯度算法实现最小化通信负荷目标，优化采样率和预测时间，从而在真实设备和元宇宙数字模型之间实现最小均方误差跟踪。

    Jul, 2022

  • 面向元宇宙的强鲁棒对抗检测与去活化方法

    本文提出了一种对抗性检测与停用方法来限制和隔离潜在的恶意参与者的访问，隔离和禁用生成对抗网络（GAN）攻击或受到威胁梯度的有害反向传播，通过启用嵌入式防火墙的低成本分支来迅速检查接收到的梯度，从而有效地防止有害访问并保护现有模型。

    Oct, 2023

  • 自主驾驶实时语义分割模型的现实世界的对抗鲁棒性

    该研究评估并提出改进方法，以提高当受到数字、模拟和实际的对抗性补丁攻击时，对语义分割模型的稳健性。研究结果表明，尽管对抗效果在数字和真实攻击中可见，但其影响通常局限于图像周围的补丁区域，这就打开了进一步探讨实时语义分割模型的空间鲁棒性的问题。

    Jan, 2022