基于 V2X 的隐私保护联邦测量与学习系统
本研究提出了一个用于交通运输系统的上下文客户端选择通道，提高了联邦学习的性能，该通道使用车到一切 (V2X) 传输的信息来选择客户端，并根据预测的通信延迟来选择最小延迟的客户端。
May, 2023
本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。
Sep, 2022
本文旨在探讨利用车辆间通信（V2V）来提高自动驾驶汽车的感知和运动预测性能，通过聚合来自多个附近车辆的信息，我们可以从不同视角观察相同的场景，可以穿透遮挡物并检测长距离的行为者，通过使用压缩的深度特征图激活的方法，达到高精度的目的，同时满足通信带宽要求。
Aug, 2020
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
利用 V2X 通信通过合作利用自车和基础设施传感器数据已成为对于先进自主驾驶的一种有希望的方法。本文介绍 UniV2X，一个开创性的合作自主驾驶框架，将所有关键驾驶模块无缝集成到一个统一的网络中，并提出了一种稀疏稠密混合数据传输和融合机制，以有效地实现车辆和基础设施的合作。实验结果表明 UniV2X 在显著提高规划性能和所有中间输出性能方面的有效性。
Mar, 2024
这项研究提出了一种结合联邦学习和区块链的实用方法，用于构建一个分散化的车辆网络，以解决互联车辆系统中的数据隐私和安全问题，并展示了相比常规的分散化联邦学习技术，该方法在车辆网络的性能和安全性方面显著提升。
Nov, 2023
利用车辆的计算和感知能力，本文提出了一种车辆联邦学习（VFL）算法，通过直接车对车（V2V）通信增强 VFL 训练效率，并考虑能量限制和车辆的移动性问题来优化 VFL 训练性能。通过导数漂移加罚方法将长期随机优化问题转化为在线混合整数非线性规划（MINLP）问题，并通过理论分析来衡量在线解和离线最优解之间的性能差距。通过对调度优先级的进一步分析，将原始问题简化为一组凸优化问题，并使用内点法有效求解。实验结果表明，与现有基准相比，所提出的算法将 CIFAR-10 数据集上的图像分类准确度提高了 3.18％，并将 Argoverse 轨迹预测数据集上的平均位移误差降低了 10.21％。
Jun, 2024
本文提出了一种基于量化的分布式车辆对车辆关联方案，以平衡传统信道状态和排队状态信息与感知内容分辨率、及感知增强的时间和范围信息。在实际车辆移动轨迹的路口场景下进行分布式多对一匹配游戏，并通过在接收机能够利用来自不同来源的信息时，所提出的匹配方案在收集扩展感知信息的平均体积方面比距离和最小延迟匹配基线高出 71％。
Apr, 2017
该研究呈现了两个在工业测试平台上进行的无线测量活动，重点是工业车辆之间的侧链通信场景以及用于自主清洁机器人的专用蜂窝网络。两个数据集的详细信息提供，并针对快速应用设计了标签和预过滤，以便为机器学习等任务提供洞见。
Dec, 2022