- MM基于变分量子电路的强化学习的车载网络优化
本研究使用变分量子电路(VQC)多目标强化学习(MORL)框架来开发一个用于选择网络和自主驾驶政策的韧性和高效的决策策略,数字结果证明了 VQC-MORL 解决方案在收敛速度和奖励方面相对于传统的深度 Q 网络有显著的改进。
- 双动态 ISAC 预编码在车载网络中的应用:基于约束深度强化学习(CDRL)方法
综合感知与通信(ISAC)技术对于实现车载网络至关重要,然而该场景中的通信信道呈现时变特性,潜在目标也可能迅速移动,形成双倍动态现象,这是实时预编码器设计面临的挑战。针对这一挑战,我们提出了使用约束深度强化学习(CDRL)来促进 ISAC - 面向鲁棒车辆目标检测的异构数据处理的联邦学习
在无人驾驶的精确感知模型的改进中,持续在线模型训练变得至关重要。联邦学习 (FL) 在车载网络中为模型训练提供了高效的机制,同时保持了原始感知数据的完整性。然而,FL 面临非分布相同的数据 (例如,数量偏斜) 问题,导致模型训练的收敛速度不 - 双胞胎车联网络在密集区域是否能提升其性能?
该研究探讨了数字孪生(DT)在提升密集人口城区中的网络性能方面的潜力,具体关注车辆网络。研究包括两个阶段,第一阶段利用交通数据和人工智能聚类来确定关键位置,尤其是在事故率高的拥挤城区。第二阶段评估了通过三种部署场景对车辆网络进行孪生的优势: - 基于覆盖感知和强化学习的高清地图更新服务提升
高清地图技术在自动驾驶中扮演关键角色,本论文提出了一种 Q-learning 算法来优化车载网络和高清地图更新,以解决网络拥塞和服务质量问题,实验结果显示,相较于其他方案,该算法显著提高了高清地图数据的延迟性能。
- 面向下一代车联网的分布式预测服务质量
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 - 边缘云管控车联网的经济高效双层网络切片技术
本文提出了一种基于两个时间尺度优化问题的网络切片方法,用于优化边缘云车联网的成本和服务质量,并使用强化学习和优化方法进行网络规划和操作决策。
- MM机器学习在车联网安全中的应用:综合调研
本文探讨了机器学习在车联网安全领域的应用,介绍了车联网的基础知识和通信类型,提出了车联网安全攻击的分类和安全挑战要求,以及机器学习在应对安全问题时的解决方案与工作原理,并讨论了采用机器学习方法在车联网中面临的局限性和挑战。
- MTH-IDS:一种面向车联网的多层级混合入侵检测系统
本文提出一种多层次混合式 IDS,其结合基于签名的 IDS 和基于异常的 IDS,以检测车载网络上已知和未知攻击,实验结果表明,该系统能够以 99.99%的准确度检测到各种类型的已知攻击,并且对于新攻击检测也非常有效。
- 3GPP 标准化中的 V2X:Rel-16 及其后续版本的 NR Sidelink
本文总结了 3GPP 标准化的 NR-V2X 的重要方面,主要关注侧链接通信,其中工作的主要部分属于 3GPP Rel-16,这是完全针对 NR-V2X 的首个 3GPP 发布版本,未来的 Rel-17 将提供更多研究项目和工作。
- MM车联网中的协作边缘计算深度强化学习
本文提出一种基于人工智能的协同计算方法,通过将任务分配和调度算法与决策流程相结合,实现车辆网络中任务的外包与协同计算,进而减少计算服务延迟,提高服务可靠性,并实现服务成本最小化。在复杂的城市交通网络中,基于提出的协同计算方法,仿真结果表明该 - 5G SLAM 中的扩散多径利用
本研究提出了一种新的方法,可以利用每个地标的所有可用多径信号进行映射,并将其纳入到 5G SLAM 问题的 Poisson 多伯努利混合中,以解决在车联网中利用 5G 毫米波信号共同定位接收器和绘制传播环境的问题。仿真结果表明了该方案的有效 - MM车联网中的联邦学习
本文研究车联网应用中的联邦学习与集中式学习的可行性,探讨了基于图像数据集的目标检测,分析了数据标注、模型训练的挑战,以及数据速率、可靠性、隐私和资源管理等通信方面的问题,并为联邦学习在车联网领域中的未来研究方向提供了展望。
- 毫米波车联网中基于位置的在线压缩波束码本学习
本文提出了一种基于角度信息和在线学习算法的压缩感知编码本学习框架,有效地获得通道测量值并提供快速波束对准的解决方案。
- MM联合 URRC 和 eMBB 资源分配的深度学习辅助 CSI 估计
通过采用深度学习技术,本文提出了一种能够解决在高速移动车辆网络中获取发射端信道状态信息的技术,在此基础上进一步解决了一种基于动态网络切片的资源分配问题,实现了全面减少开销和满足阈值的性能优化
- 毫米波车联网中基于移动性和阻塞感知的通信
本文提出了一种自适应设计的方法来减少车联网在毫米波频段操作时遇到的性能退化问题,并通过时间相关性来优化吞吐量和功耗,该方法被称为 C-PBVI。
- 基于深度强化学习的车载网络低延迟服务波束跟踪
本论文研究汽车网络中毫米波频段的超高可靠低延迟通信服务,通过修改经典控制算法以适应非稳态场景,并提出一种基于强化学习的方法,从训练数据中提取上下文信息来实现 URLLC 要求,模拟结果表明,强化学习方法可以将延迟缩短至约 6ms。
- 层次化的软分片以满足缓存增强车联网中的多维 QoS 需求
本论文提出了一种基于服务的分层软切片框架用于具有缓存的车载网络,其中每个切片支持一项服务,资源在逻辑上被隔离但机会主义重复利用以利用多路复用增益。 研究了所提出框架的性能,并以两个典型的车载内容服务为例进行了理论分析,即时间关键的驾驶相关上 - 探究未来车联网通信中的信息价值
本文描述了价值的特征和使用了多层次决策过程来确定传感器观察价值的方法,以解决未来车用网络中的数据传播和容量问题。
- 基于深度学习的车联网无线资源分配
本文介绍深度学习在车联网中用于资源分配的关键动因和障碍,并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术,探究当前设计方法所面临的挑战,并提出未来资源分配研究的一些方向。