Reconfigurable Intelligent Surface (RIS)-aided Vehicular Networks: Their Protocols, Resource Allocation, and Performance
可重构智能表面（RIS）有助于为传统车辆网络向自动驾驶的演进铺平道路。话虽如此，第三代合作伙伴计划（3GPP）在不久的将来面临着许多关于RI辅助的车联网（V2X）解决方案的挑战。为了应对这些挑战并促进未来的研究，本文重点关注RIS辅助V2X通信的前瞻性传输设计。特别是，两种V2X侧链路模式通过利用RIS及其变体来增强，随后是将传输工作划分为不同阶段的定制传输帧结构。接下来，开发有效的信道跟踪和资源分配技术，以在低开销和复杂度下获得高波束成形增益。最后，突出了有前途的研究课题，并提出了未来的3GPP标准化项目的RISaided V2X系统。
2022-03-05 eess.SP
Integration of Vehicular Clouds and Autonomous Driving: Survey and Future Perspectives
几十年来，车载自组织网络（VANESTs）和自动驾驶汽车的研究人员分别提出了各种车辆安全和自动驾驶的解决方案。然而，在这两个领域的发达国家的工作，主要是在自己的独立的世界进行，几乎没有影响到对方，尽管有明显的关系。在未来几年，车联网（IoV），包括传感，通信，连接，处理，网络和计算，预计将桥接许多技术，为自动驾驶车辆的导航提供增值信息，减少车载计算，并提供所需的功能。弥合这两个世界之间的差距并创造这两种技术的协同效应的潜力最近开始引起许多公司和政府机构的极大关注。在本文中，我们首先全面调查和概述了与车辆云（VC）的两个世界相关的新兴关键挑战，包括通信，网络，交通建模，媒体访问，VC计算（VCC），VC整理策略，安全问题和自动驾驶（AD），包括3D环境学习方法和AD支持深度学习，计算机视觉和人工智能（AI）技术。然后，我们讨论了最近的相关工作和合并这两个世界的潜在趋势，以丰富车辆对其周围环境的认知，并实现更安全，更明智和协调的AD系统。与其他调查论文相比，这项工作对文献中最相关的风险投资和广告系统进行了更详细的总结，以及一些关键挑战和见解，这些挑战和见解涉及不同的技术如何结合在一起，以提供安全，自主和信息娱乐服务。
2022-01-15 eess.SP
Sequential and Generative Models for Vehicular Distributed MIMO Channel Prediction
College of computing GVSU（GVSU计算学院）；Univ Rennes, CNRS, IETR, UMR 6164（雷恩大学，法国国家科学研究中心，IETR，UMR 6164）；Univ Lille, CNRS, IEMN, UMR 8520（里尔大学，法国国家科学研究中心，IEMN，UMR 8520）
针对高速移动下车辆通信信道预测难题，基于实测数据提出框架，对比LSTM、TCN、CNN+Transformer和ChannelGPT，后者在NMSE、FLOPs和延迟上最优，且预测信道用于频谱效率评估与实测几乎一致。
2026-06-24 eess.SP
Simulating Hybrid Aerial- and Ground-based Vehicular Networks with ns-3 and LIMoSim
将无人机（UAV）集成到未来的智能交通系统（ITS）中，可以利用其独特的移动潜力来提高近场包裹递送、动态网络配置和空中传感等服务的性能。为了提供一个可控的环境的方法性能分析，仿真框架需要支持地面和空中的移动性，以及所涉及的通信技术。在本文中，我们提出了开源的轻量级ICT为中心的移动性仿真（LIMoSim）框架，用于在网络模拟器3（NS-3）中模拟混合车辆网络。LIMoSim实现了一种共享代码库耦合方法，该方法将所有必需的组件集成到单个仿真过程中。低层次的流动性行为依赖于众所周知的分析模型。不同的案例研究讨论了前沿的通信技术，如蜂窝车联网（C-V2X）和毫米波（mmWave），以说明如何将所提出的框架集成到基于ns-3的网络仿真设置。
2020-03-22 cs.NI eess.SP
Data-driven Network Simulation for Performance Analysis of Anticipatory Vehicular Communication Systems
提供可靠的连接被认为是未来自动驾驶的关键推动因素。预期通信技术已经被提出用于主动地考虑通信系统自身内的高度动态无线电信道的属性。由于现实世界的实验是非常耗时的，缺乏一个可控的环境，性能评估和新的预期车载通信系统的参数研究通常是基于网络仿真进行。然而，由于所需的简化和未知参数的宽范围（例如，移动网络运营商（MNO）特定的网络基础设施配置），所实现的结果通常与现实世界评估中的行为显著不同。在本文中，我们提出了数据驱动的网络仿真（DDNS）作为一种新的数据驱动的方法来分析和优化预期的车载通信系统。不同的机器学习模型被组合以实现所分析的系统的行为的接近现实的表示。在一个概念验证评估集中在机会车辆数据传输，所提出的方法进行了验证，对现场测量和系统级网络仿真。与后者相比，DDNS不仅提供了更快的结果生成，而且由于通过机器学习方法隐式地考虑了跨层依赖性，它还实现了对真实世界行为的更好的表示。
2019-11-28 cs.NI eess.SP
Performance Evaluation of a Substrate Integrated Waveguide Antenna for Vehicular Networks
本文介绍了一种工作在2.4 GHz的基片集成波导（SIW）天线的设计和评估。该天线被设计为实施车载网络（VANESTO）的可能解决方案。基片集成波导天线的主要优点是简单、尺寸小和成本低，这使得这种天线特别适合用于尺寸是关键因素的无线节点中。例如，在作为最有前途的无线通信系统之一的车辆网络（VANERAL）中。我们在本文中提出的设计的基片集成波导天线使用软件ANSYS HFSS以及评估的结果，如辐射方向图，工作频率和带宽的一些参数。此外，我们提出了一个VANET，其中包括设计参数的基片集成波导天线，以评估其集成到车辆节点的模拟。在NS2仿真器中进行了仿真，并评估了一些网络性能指标，如分组延迟和分组丢失率。其他附加软件，例如MOVE和SUMO，也用于生成路线和车辆的移动
2019-12-26 cs.NI eess.SP
Green Internet of Vehicles (IoV) in the 6G Era: Toward Sustainable Vehicular Communications and Networking
车联网作为未来物联网最有前景的应用之一，已被公认为是发展智慧城市智能交通系统的基础技术。随着第六代（6G）通信技术的出现，大量网络基础设施将密集部署，网络节点数量将呈指数级增长，导致极高的能耗。在6G时代，人们对开发绿色车联网以实现可持续的车辆通信和网络的兴趣激增。在本文中，我们提出了绿色车联网的主要考虑因素，从五个不同的场景，包括通信，计算，交通，电动汽车（EV）和能量收集管理。从能量优化的角度比较了与每种情景相关的文献（例如，关于资源分配、工作负载调度、路由设计、业务控制、充电管理、能量收集和共享等）以及影响能量效率的相关因素（例如，资源限制、信道状态、网络拓扑、业务状况等）。此外，我们还介绍了6G中开发绿色车联网系统的潜在挑战和新兴技术。最后，我们讨论了设计节能车联网系统的研究趋势。
2021-08-26 cs.NI eess.SP
Towards ISAC-Empowered Vehicular Networks: Framework, Advances, and Opportunities
针对网联自动驾驶车辆网络的低吞吐、高延迟、定位差等问题，本文综述通感一体化（ISAC）在车到基础设施网络中的应用框架、进展及5G NR感知辅助通信案例，并指明未来研究方向与机遇。
2023-05-01 eess.SP
Spatio-temporal Dynamics of Cellular V2X Communication in Dense Vehicular Networks
蜂窝车联网（C-V2X）通信是由第三代合作伙伴计划（3GPP）提出和开发的主要V2X解决方案。我们之前的工作研究了C-V2X的可扩展性，并证明了它在密集车辆场景中容纳大量车辆的潜力。然而，科学文献中的现有研究大多采用网络层面的方法来解决这个问题，并且没有评估重网络负载情况下C-V2X网络的时间和空间动态。在这项工作中，我们揭示了这些网络的时空特性，并研究了拥塞控制算法在密集的车辆自组织网络（VANESTO）中的有效性，在稳定时间，稳定性和可靠性方面，用于安全关键的车辆应用程序，其中延迟起着重要作用。
2019-07-28 cs.SY eess.SP eess.SY
LOS Coverage Area in Vehicular Networks with Cox distributed Roadside Units and Relays
我们开发了一个分析框架，以检查的视线（LOS）覆盖区域的车辆网络与路边单元（RSU）和车辆继电器。在实际的部署情况下，RSU和车辆继电器空间相关，我们的特点是采用Cox点过程建模RSU和车辆继电器的位置同时。利用随机阻塞模型，我们对这些Cox点过程的布尔模型的LOS覆盖区域建模。然后通过其面积分数来评估LOS覆盖区域。我们发现，中继可以增加近50%的LOS覆盖的面积分数，即使RSU和中继空间相关。通过提出一个随机几何模型的车辆网络RSU和继电器，然后通过提供一个工具来捕捉其LOS覆盖，我们的工作评估的可行性，现代车辆网络利用LOS覆盖的车辆继电器。
2023-01-19 cs.IT eess.SP math.IT
A Survey on Resource Allocation in Vehicular Networks
车载网络是智能交通系统（ITS）、智慧城市和自动驾驶的一项使能技术，可以提供多种车载数据服务，例如，然而，由于诸如错误和拥塞的无线信道之类的许多限制因素，在车辆网络中提供令人满意的服务质量（QoS）是一项具有挑战性的任务（由于高移动性或不协调的信道接入），日益碎片化和拥塞的频谱，硬件缺陷，以及车辆通信设备的预期增长。因此，以超高效的方式分配和利用可用的无线网络资源将是至关重要的。在本文中，我们提出了一个全面的调查资源分配计划的两个主要的车辆网络技术，例如专用短程通信（DSRC）和蜂窝为基础的车辆网络。我们讨论了现代车辆网络中资源分配的挑战和机遇，并概述了一些有前途的未来研究方向。
2020-08-24 cs.IT eess.SP math.IT
Vehicular Edge Computing and Networking: A Survey
作为智能交通系统（ITS）的关键技术之一，车载自组网（VANET）受到了学术界和工业界的广泛关注。新兴的车载应用和指数级增长的数据自然导致了对通信、计算和存储资源的需求增加，并且对响应时间和网络带宽的性能要求也越来越高。为了应对这些挑战，移动边缘计算（MEC）被认为是一个有前途的解决方案。MEC将强大的计算和存储能力从远程云推送到车辆用户附近的网络边缘，从而实现低延迟和降低带宽消耗。在MEC优势的推动下，许多人致力于将车载网络集成到MEC中，从而形成了一种名为车辆边缘计算（VEC）的新范式。在本文中，我们提供了一个全面的调查，最先进的研究VEC。首先，我们提供了VEC的概述，包括介绍，架构，关键推动因素，优势，挑战以及几个有吸引力的应用场景。然后，我们描述了几个典型的研究课题，其中VEC应用。在此基础上，对血管内皮细胞的研究现状进行了分类综述。最后，我们确定了开放的研究问题，并讨论了未来的研究方向。
2019-07-25 eess.SP
Non-Orthogonal Multiple Access with Wireless Caching for 5G-Enabled Vehicular Networks
联网车辆的激增以及对丰富多媒体服务的高需求构成了新兴5G车载网络的关键挑战。这些挑战包括但不限于高频谱效率和低延迟要求。最近，高速缓存使能网络与非正交多址接入（NOMA）的集成已被证明可以减少无线网络中的内容交付时间和流量拥塞。因此，在本文中，我们设想缓存辅助NOMA作为5G车载网络的技术促进者。特别是，我们提出了一个缓存辅助NOMA架构，它可以解决这些网络中的一些上述挑战。我们证明了所提出的架构，这在很大程度上取决于缓存的内容，显着优于传统的车载网络的频谱效率增益。最后，我们对挑战、机遇和未来的研究趋势提供了深入的见解，这些挑战、机遇和未来的研究趋势将使高速缓存辅助NOMA在支持5G的车载网络中的实际实现成为可能。
2020-01-20 cs.IT eess.SP math.IT
Non-stationarity Characteristics in Dynamic Vehicular ISAC Channels at 28 GHz
针对 28 GHz 车载通感一体化场景，论文通过动态信道测量分析多感知方向的时变 PDP、RMSD 与非平稳特性，为 V2X ISAC 系统建模和设计提供实测依据。
2024-03-01 eess.SP
MmWave-LoRadar Empowered Vehicular Integrated Sensing and Communication Systems: LoRa Meets FMCW
Beijing Institute of Technology（北京理工大学）；Sun Yat-sen University（中山大学）
本文提出毫米波LoRadar系统，将LoRa调制与FMCW雷达结合，解决信号双重不连续性问题，实现车辆ISAC，仿真验证其优越性。
2025-05-16 eess.SP
Rate Maximization in Vehicular uRLLC with Optical Camera Communications
光学相机通信（OCC）已成为未来自动驾驶汽车无缝操作的关键技术。通过利用OCC的卓越性能，我们可以满足车辆OCC中超可靠和低延迟通信（uRLLC）的严格要求。在本文中，我们介绍了一种速率优化方法，在车辆OCC通过最佳的功率分配，同时尊重uRLLC的要求。首先，我们制定了一个离散速率优化问题作为一个混合整数规划（MIP）的平均发射功率和uRLLC的约束，为一组给定的调制方案。为了降低求解MIP问题的复杂度，我们将离散速率问题转化为连续速率优化方案。然后，我们提出了一种基于拉格朗日松弛和二分法的算法来解决优化问题。考虑到所提出的算法，我们驱动的离散速率和连续速率优化方案的速率优化和功率分配方案，同时满足uRLLC约束。我们首先通过仿真分析所提出的系统模型的性能。然后，我们调查的平均速率和延迟为不同的目标位出错率的功率分配和速率优化方案的影响。结果表明，增加发射功率分配提高了平均速率和延迟性能。
2022-05-13 cs.NI cs.PF eess.SP
Radar-assisted Predictive Beamforming for Vehicular Links: Communication Served by Sensing
在未来的车载网络中，传感和通信功能将交织在一起。在本文中，我们研究了雷达辅助的预测波束形成设计的车辆到基础设施（V2I）通信，利用双功能雷达通信（DFRC）技术。为了实现联合传感和通信功能的路边单元（RSU），我们提出了一种新的扩展卡尔曼滤波（EKF）框架来跟踪和预测每辆车的运动参数。通过利用RSU的雷达功能，我们表明，通信波束跟踪开销可以大大减少。为了在保证下行通信和速率的同时提高感知精度，我们进一步提出了一种多车辆的功率分配方案。数值结果表明，所提出的DFRC波束跟踪方法的跟踪性能显着优于通信的反馈为基础的技术。此外，所设计的功率分配方法是能够实现一个良好的性能之间的权衡感测和通信。
2020-01-25 eess.SP
Quality-Aware Task Offloading for Cooperative Perception in Vehicular Edge Computing
本文提出质量感知协作感知任务卸载方案Q-CPTO及其启发式版本Q-CPTOH，通过卡尔曼滤波评估信息价值并整合至整数线性规划中，在严格延迟下最大化用户信息价值并减少感知冗余，显著优于现有方案且启发式方法接近最优解。
2024-05-31 cs.NI eess.SP
Federated Learning in Vehicular Networks
Duzce University（杜兹切大学）；University of Luxembourg（卢森堡大学）；Imperial College London（帝国理工学院）；University of Oulu（奥卢大学）
机器学习（ML）最近已被采用在车辆网络中的应用，如自动驾驶，道路安全预测和车辆目标检测，由于其无模型特性，允许自适应快速响应。然而，这些ML应用中的大多数采用集中式学习（CL），这为参数服务器和车辆边缘设备之间的数据传输带来了显著的开销。联邦学习（FL）框架最近被引入作为一种有效的工具，其目标是减少传输开销，同时通过传输模型更新而不是整个数据集来实现隐私。在本文中，我们研究了使用FL在CL在车辆网络应用开发智能交通系统。我们提供了一个全面的分析FL的可行性ML为基础的车辆应用程序，以及调查对象检测利用基于图像的数据集作为案例研究。然后，我们从学习的角度，即，数据标记和模型训练，以及从通信的角度来看，即，数据速率、可靠性、传输开销、隐私和资源管理。最后，我们强调了相关的未来研究方向FL在车载网络。
2022-07-16 cs.IT cs.LG eess.SP
Channel Measurements and Modeling for Dynamic Vehicular ISAC Scenarios at 28 GHz
针对 28 GHz 动态车载 ISAC 场景，本文基于实测提出融合 S-MPC 与 C-MPC 的动态统计信道模型，并通过仿真统计对比验证其有效性。
2024-03-01 eess.SP
Optimized Vehicular Antenna Placement for Phase-Coherent Positioning
针对车辆近场定位，研究相位相干子阵列的优化布置，发现最大化子阵列孔径并增加子阵列数量可提升覆盖均匀性，但相干处理需更高计算复杂度。
2025-03-28 eess.SP
Deep Learning Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios
Beijing Jiaotong University（北京交通大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；China Academy of Industrial Internet, Ministry of Industry and Information Technology（工业和信息化部工业信息安全发展中心）
本文提出基于ISAC信道的深度学习框架，通过多模态测量建立联合信道环境数据集，开发多阶段网络实现高精度动态环境重建，实验显示其在Chamfer Distance和F Score@1%上表现优异。
2026-03-20 eess.SP
A C-V2X Platform Using Transportation Data and Spectrum-Aware Sidelink Access
智能交通系统和自动驾驶汽车有望在不久的将来为道路使用者带来更高效率和安全性的新体验。然而，一个高效和强大的车辆通信系统应该作为一个强大的骨干提供所需的基础设施连接。基于深度学习（DL）的算法由于其实现的低延迟和快速重配置特性而最近在各种车辆通信应用中被广泛采用。然而，收集实际且足够的运输数据以训练基于DL的车辆通信模型是昂贵且复杂的。本文介绍了一种基于实际交通模拟器和频谱感知接入的蜂窝车联网（C-V2X）验证平台。该集成平台可以生成真实的交通和通信数据，有利于基于DL的解决方案的开发和适应性。因此，车辆频谱识别和管理进行了进一步的研究，以证明动态slidelink访问的潜力。仿真结果表明，该平台能够有效地训练和实现基于DL的C-V2X算法。所开发的滑动链路通信可以采用不同的工作频段，具有显着的频谱检测性能，验证了其在现实世界的车辆环境中的实用性。
2021-06-04 eess.SP
Bayesian Predictive Beamforming for Vehicular Networks: A Low-overhead Joint Radar-Communication Approach
双功能雷达通信（DFRC）系统的发展，车辆定位和跟踪可以与车辆通信相结合，将导致更有效的未来车辆网络。在本文中，我们开发了一种预测波束形成方案的DFRC系统的背景下。我们考虑一个系统模型，其中路边单元估计和预测的DFRC信号的回波的基础上的车辆的运动参数。与传统的基于反馈的波束跟踪方法相比，该方法可以减少信令开销，提高精度。为了实时准确地估计车辆运动参数，提出了一种基于因子图的消息传递算法，该算法能获得最大后验概率估计的近优解。然后，基于预测的角度来设计波束形成器，以建立通信链路。通过适当的近似，因子图上的所有信息都可以以封闭形式导出，从而降低了复杂度。仿真结果表明，所提出的DFRC的波束形成方案是优于基于反馈的方法在估计和通信性能。此外，所提出的消息传递算法实现了类似的性能的高复杂度的基于粒子的方法。
2020-05-15 eess.SP
Real-Time HAP-Assisted Vehicular Edge Computing for Rural Areas
Department of Information Engineering, University of Padova, Padova, Italy（帕多瓦大学信息工程学院）
本文研究了在农村地区利用高空平台辅助实现实时车载边缘计算，通过优化卸载因子以提高服务可靠性。
2023-01-24 cs.IT cs.NI eess.SP
Causality Graph of Vehicular Traffic Flow
在智能交通系统中，交通流在网络中不同点的影响和关系是有价值的特征，可以用于控制系统设计和交通预测。在本文中，我们定义了因果关系的概念的基础上有向信息，一个行之有效的数据驱动的措施，代表有效的连接节点之间的车辆交通网络。这个概念表明在任何给定点的交通流量是否影响另一个点的流量在未来，更重要的是，揭示了这种影响的程度。与传统的网络连接表示方法不同，它不限于线性模型和正态条件。在这项工作中，有向信息被用来确定网络的底层图结构，表示有向信息图，它表示网络中的节点之间的因果关系。我们设计了一种算法来估计每个链接中的影响程度并构建图表。最后，利用合成数据和实际的车辆交通聚集数据对算法的性能进行了分析。
2020-11-23 cs.SY eess.SP eess.SY
Large AI Model for Delay-Doppler Domain Channel Prediction in 6G OTFS-Based Vehicular Networks
School of Electronic Science and Engineering, Nanjing University, Nanjing, 210023, China（南京大学电子科学与技术学院）；Department of Electrical and Computer Engineering, University of Waterloo, Waterloo, N2L3G1, Canada（滑铁卢大学电气与计算机工程系）
本文提出将车载信道转换到时延-多普勒域以增强可预测性，并利用预训练大型AI模型的零样本能力及微调实现高精度信道预测，为6G OTFS车载网络提供鲁棒通信支持。
2025-05-08 cs.LG eess.SP
Vehicular Wireless Positioning -- A Survey
Chalmers University of Technology（查尔姆斯理工大学）；Ericsson Research（爱立信研究）；European Space Agency（欧洲空间局）；Magna Electronics Sweden AB（麦格纳电子瑞典有限公司）；Lund University（隆德大学）
本文综述了车辆应用中无线定位技术的发展、现状及未来方向，涵盖卫星、蜂窝及IEEE标准技术，分析了定位需求、技术演变和传感器融合方法。
2026-01-28 eess.SP
Multi-Node Vehicular Wireless Channels: Measurements, Large Vehicle Modelling, and Hardware-in-the-Loop Evaluation
了解多节点车辆无线通信信道对于未来公路、铁路和空中的人工驾驶以及部分自动驾驶车辆的时间敏感安全应用至关重要。这些高度动态的无线通信信道的特征在于快速变化的信道统计。在本文中，我们提出了第一个完全移动的多节点车载无线信道探测系统，它能够同时捕获多个信道的频率响应，确保测量条件是相同的所有观察到的链接。我们用它来分析多辆车和一个大型阻碍双层巴士的道路场景。经验测量数据被用来参数化的模型内的基于几何的随机信道模型的大型障碍车辆。我们比较了从我们的信道模型与测量活动中获得的时变信道统计。通过一个信道仿真器，我们获得的分组错误率的商业调制解调器的测量和模拟的无线通信信道，并比较它们，以验证模型在链路级。我们发现，路径损耗，均方根（RMS）延迟扩展，和RMS多普勒扩展偏离小于$3.6\,\mathrm{dB}$，$78\,\mathrm{ns}$，和$52\,\mathrm{Hz}$，分别为$80\%$的总模拟持续时间。从测量数据中获得的PER是在我们的模型的最大和最小范围内的$86\%$的模拟持续时间。
2021-07-06 eess.SP
Vehicular Networks for Combating a Worldwide Pandemic: Preventing the Spread of COVID-19
作为一种全球性大流行病，新型冠状病毒病（COVID-19）给人们的社会生活带来了严重限制，同时造成了生命损失、经济崩溃和人道主义援助中断。尽管技术发展取得了进步，但作为研究人员，我们目睹了一些问题需要进一步调查，以便更好地应对大流行病的爆发。因此，研究人员最近开始研究阻止或至少减少大流行病传播的想法。虽然已经有一些关于用于对抗流行病场景的无线网络的先前工作，但是车辆网络及其潜在瓶颈尚未被充分研究。此外，车辆场景可以被识别为社交距离最常被违反的位置。基于这一动机，本文对车辆网络用于抗击流行病进行了广泛的讨论。我们提供车联网在公共交通、车载诊断、边境巡逻和社交距离监控方面的主要应用，以抗击COVID-19。接下来，我们确定了所收集的数据在隐私，灵活性和覆盖范围方面的独特特征，然后强调了隐私保护，资源分配，数据缓存和数据路由的未来发展方向。我们相信，这项工作为开发新产品和算法铺平了道路，这些产品和算法可以促进社会生活，并有助于控制疫情的传播。
2022-10-11 cs.IT cs.SY eess.SP
Time-Varying Rician K-factor in Measured Vehicular Channels at cmWave and mmWave Bands
TU Wien（维也纳工业大学）；AIT Austrian Institute of Technology（奥地利技术研究所）；University of Southern California（南加州大学）
本文研究了厘米波和毫米波频段中车对基础设施通道的时变Rician K因子，分析了其与RMS时延扩展的关系，并展示了不同频段间K因子的相似性。
2026-01-22 eess.SP
DL-Based Beam Management for mmWave Vehicular Networks Exploring Temporal Correlation
LASSE - Telecom., Automation and Electronics Research and Development Center（电信、自动化与电子研发中心）；Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）
提出一种结合位置感知波束预选与循环神经网络序列预测的深度学习波束跟踪框架，在非视距场景下保持高top-K精度并降低50%波束测量开销。
2026-07-02 eess.SP
Artificial Intelligence and Location Verification in Vehicular Networks
设备声称的位置信息将在未来的无线网络中发挥越来越大的作用，例如5G，物联网（IoT）。在这种背景下，核实这种声称的位置信息将是一个日益重要的问题。一个正式的信息理论位置验证系统（LVS）可以在一定程度上解决这个问题，但这样的系统通常在理想的假设范围内的先验信息的比例，真正的用户在该领域内。在这项工作中，我们使用神经网络（NN）来解决这个关键的限制，显示这样一个基于NN的LVS是如何能够有效地发挥作用，即使真正的用户的比例是完全未知的先验。我们展示了这种新形式的LVS的改进性能，基于车辆网络背景下多个验证基站的到达时间测量，量化我们的NN-LVS如何在一系列预期的现实条件下优于独立的信息理论LVS。我们还展示了当用户信号中加入非现场线（NLoS）偏差时，NN-LVS的有效性能。这种新的LVS可以应用于物联网领域内的一系列以位置为中心的应用。
2019-05-03 cs.CR eess.SP
Proactive Content Caching Scheme in Urban Vehicular Networks
针对城市车载网络高动态性挑战，提出边缘计算使能的分层协作缓存框架，通过轨迹与流行度预测及隐私保护，实现自适应资源管理，显著提升命中率并降低延迟。
2023-05-12 cs.IT eess.SP math.IT
Enabling Ultra-Dense, Open-RAN, Vehicular Networks with Non-Linear MIMO Processing
本研究提出基于 Open-RAN 的 MPNL MIMO 处理技术，解决超密集车载网络容量未充分利用问题，在无吞吐量损失下使并发车辆连接数提升超 300%。
2024-09-22 eess.SP
TransRx-6G-V2X : Transformer Encoder-Based Deep Neural Receiver For Next Generation of Cellular Vehicular Communications
本文提出基于Transformer编码器的深度神经接收机TransRx，用于6G车联网V2N通信，在UMa信道多种速度场景下相比CNN接收机和传统接收机分别获得3.5dB和8dB的BER收敛增益，并具备强泛化能力。
2024-08-02 eess.SP
Security and Privacy Issues for Connected Vehicles
现代汽车包含一百多个电子控制单元（ECU），它们通过不同的车载网络进行通信，并且它们通常连接到互联网，这使得它们容易受到各种网络攻击。此外，联网车辆收集的数据直接连接到车辆网络。因此，收集了大量的车辆数据，这些数据是有价值的，并且可以深入了解驾驶员的行为。在此之前，提出了一种名为vehicleLang的概率建模和仿真语言来分析联网车辆的安全性。然而，车辆数据的隐私问题尚未得到解决。为了填补这一空白，这项工作提出了一个基于vehicleLang的车辆隐私规范，该规范使用Meta Attack Language（MAL）以正式的方式评估联网车辆的安全性，特别关注隐私方面。为了评估这项工作，测试用例也。
2018-12-18 cs.CR eess.SP
Machine Learning Based Channel Modeling for Vehicular Visible Light Communication
Koc University（科奇大学）
光无线通信（OWC）传播信道特性对车载可见光通信（VVLC）系统的设计和性能分析具有重要意义。目前的OWC信道模型基于确定性和随机性方法，未能解决流动性引起的环境光，光学湍流和道路反射对信道特性的影响。因此，替代机器学习（ML）的计划，考虑环境光，光学湍流，道路反射的影响，除了车间距和几何形状，提出了获得准确的VVLC信道损耗和信道频率响应（CFR）。本文通过多层感知器前馈神经网络（MLP）、径向基函数神经网络（RBF-NN）和随机森林集成学习算法，实现了基于ML的VVLC信道模型框架的综合。预测和响应变量，通过实际道路测量收集，训练和验证各种条件下提出的模型。此外，不同的预测变量的信道损耗和CFR的重要性进行了评估，介绍了测量VVLC信道的特征的归一化重要性。我们发现，RBF-NN，随机森林和MLP为基础的模型产生更准确的信道损耗估计与3.53 dB，3.81 dB，3.95 dB均方根误差（RMSE），分别相比，拟合曲线为基础的VVLC信道模型与7 dB RMSE。此外，RBF-NN和MLP模型被证明预测VVLC CFR相对于距离，环境光和接收器倾斜角预测变量分别为3.78 dB和3.60 dB的RMSE。
2020-02-03 cs.LG eess.SP stat.ML
Real-Time Vehicular Wireless System-Level Simulation
本文提出一种实时车载无线系统级仿真方法，利用GSCM提取压缩信道参数并通过查表获得FER，经验证与实测FER高度吻合。
2023-08-08 cs.SY eess.SP eess.SY
