Low-Latency High-Level Data Sharing for Connected and Autonomous Vehicular Networks
自动驾驶汽车可以将自己的数据与其他车辆的数据相结合，以增强其感知能力，从而提高检测精度和驾驶安全性。然而，由于车辆上的各种类型的传感器生成的数据量巨大，因此自动驾驶车辆之间的数据共享是一个具有挑战性的问题。在本文中，我们提出了一个低延迟，高层次（L3）数据共享协议连接和自主车辆网络。基于L3协议，单个车辆产生的传感结果将在有限的传感区域内同时广播。L3协议通过利用车辆之间发生的无线传输的捕获效应来减少联网延迟。根据提出的设计原则，我们在模拟环境中实现并测试了L3协议。仿真结果表明，L3协议能够实现自主车辆间可靠、快速的数据共享。
2019-12-02 cs.NI eess.SP
Integrity-Based Path Planning Strategy for Urban Autonomous Vehicular Navigation Using GPS and Cellular Signals
提出了一种基于完整性的城市环境下自主地面车辆（AGV）导航路径规划策略。假设车辆除了全球定位系统（GPS）信号之外还利用蜂窝长期演进（LTE）信号来导航。给定期望的目的地，计算最优路径，其最小化考虑水平保护水平（HPL）和行进距离两者的代价函数。约束条件是（i）具有故障信号的节点与总节点的比率低于最大允许比率，以及（ii）沿着每个候选路径的HPL低于水平警报限制（HAL）。为了在驾驶车辆之前预测故障和HPL，利用商业射线跟踪软件和三维（3D）地形和建筑物地图生成沿着候选路径的GPS和LTE伪距。模拟的伪距告知路径规划算法关于由于来自城市环境中的建筑物的反射而引起的潜在偏差。仿真结果表明，所提出的路径规划策略产生的最优路径具有最小的平均HPL的候选路径。
2020-10-13 eess.SP
Deep CLSTM for Predictive Beamforming in Integrated Sensing and Communication-enabled Vehicular Networks
预测波束形成设计是实现高移动性通感一体化（ISAC）的一项重要任务，它高度依赖于信道预测（CP）的准确性，即，预测用户的角度参数。然而，CP的性能高度依赖于估计的历史信道状态信息（CSI）的估计误差，导致大多数传统的CP方法的性能下降。为了进一步提高预测精度，本文重点研究了车辆网络中的ISAC，提出了一种卷积长短期（CLSTM）递归神经网络（CLRNet）来预测车辆的角度，用于预测波束形成的设计。在开发的CLRNet中，采用卷积神经网络（CNN）模块和LSTM模块来利用车辆估计历史角度的空间特征和时间依赖性，以促进角度预测。最后，数值结果表明，开发的CLRNet为基础的方法是鲁棒的估计误差，可以显着优于国家的最先进的基准，实现了优异的和速率性能的ISAC系统。
2022-09-26 cs.IT eess.SP math.IT
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
Vehicular Visible Light Communications Noise Analysis and Autoencoder Based Denoising
Koc University（科奇大学）
车辆可见光通信（V-VLC）是一种利用发光二极管（LED）进行车辆到车辆（V2 V）和车辆到基础设施（V2 I）通信的有前途的智能交通系统（ITS）技术。影响V-VLC系统性能的主要因素是噪声。与传统的基于射频（RF）的系统不同，V-VLC系统包括许多噪声源：太阳辐射、来自车辆、街道、停车场和隧道灯的背景照明。传统的V-VLC系统噪声建模是基于以散粒和热噪声形式存在的加性高斯白噪声假设。在本文中，调查的时间相关和白噪声分量的V-VLC通道，我们提出了一种基于Allan方差（AVAR），它提供了一种时间序列分析方法来识别噪声的数据的噪声分析。我们还提出了一个广义维纳过程为基础的V-VLC信道噪声合成方法来产生不同的噪声分量。我们进一步提出了一种基于卷积自动编码器（CAE）的去噪方案，以减少V-VLC信号噪声，实现重建均方根误差（RMSE）为0.0442和0.0474室内和室外通道，分别。
2021-11-20 cs.LG eess.SP
RFI and Jamming Detection in Antenna Arrays with an LSTM Autoencoder
针对射频干扰与恶意干扰问题，提出结合 Fourier 空间成像与深度 LSTM 自编码器的天线阵列异常检测方法，可在无干扰信号先验知识的情况下实现高性能检测。
2025-07-28 eess.SP
Energy Efficient Software Matching in Distributed Vehicular Fog Based Architecture with Cloud and Fixed Fog Nodes
车载单元的快速发展和自动驾驶汽车在现代城市中的扩散创造了一种新的雾计算范式的潜力，称为车辆雾计算（VFC）。在本文中，我们提出了一种架构，集成了车辆雾（VF）组成的车辆聚集在一个停车场与一个固定的雾节点在接入网络和中央云。考虑到在车辆中部署软件包的不同方法，我们研究了VF中的节能软件匹配问题。
2020-04-27 cs.NI eess.SP
Propagation Channels for mmWave Vehicular Communications: State-of-the-art and Future Research Directions
车载通信本质上支持汽车应用的安全性和信息娱乐。因此，行业领导者设想车辆通信在第五代移动通信技术中发挥更大的作用。多年来，车载传感器的数量稳步增加，这可能导致在短时间内产生更多的关键数据通信量。此外，诸如远程/自动驾驶和诸如高清电影流之类的信息娱乐等新兴应用需要多个Gbit/s量级的数据速率。如此高的数据速率需要大的系统带宽，但是在低于6 GHz的蜂窝频带中可用的带宽非常有限。这引发了对毫米波（mmWave）频带（10 GHz-300 GHz）的研究兴趣，其中大带宽可用于支持为新兴车辆应用设想的高数据速率和低延迟通信。然而，利用毫米波通信需要彻底了解相关的车辆传播信道，这与6 GHz以下的研究有很大不同。尽管它们的意义，在文献中报道的毫米波车载信道的调查很少。这项工作突出了毫米波车载通信信道的关键属性，并调查了最近的文献信道表征的努力，以提供一个差距分析，并提出可能的方向，为未来的研究。
2018-12-06 cs.IT eess.SP math.IT
Space-Time Adaptive Processing for radars in Connected and Automated Vehicular Platoons
本文针对网联自动驾驶车辆多基地雷达中的空时自适应处理干扰问题，提出基于时分复用的发射机调度方法，将其建模为二次分配问题并用类幂法迭代与匈牙利算法求解，实验证明该方法能显著提升目标检测性能。
2024-01-17 cs.SY eess.SP eess.SY
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
Fogbanks: Future Dynamic Vehicular Fog Banks for Processing, Sensing and Storage in 6G
固定边缘处理已成为5G网络的一个关键功能，同时在减少延迟、提高能效和按需引入灵活的计算资源利用方面发挥着关键作用，并节省了额外的成本。预计自动驾驶汽车将拥有更多的车载处理能力，并具有更好的连接性。车辆继续在一天中的一小部分时间内使用，因此，当车辆处于短期和长期停车场、道路和道路交叉口时，有可能通过利用这些资源来提高处理能力。这些停车场和路段可以通过6G网络转变为车辆雾群或雾库，可以提供处理，存储和传感功能，从而利用未充分利用的车辆资源。我们介绍了Fogbanks的概念，概述了目前在车辆云方面正在进行的研究工作，并提出了在自动驾驶将变得司空见惯的世界中6G的前景方向。此外，我们研究了基于云的Fogbank架构中的处理分配问题。我们解决这个问题，使用混合编程（MILP），以最大限度地减少总功耗的建议架构，考虑到两个分配策略，单一分配的任务和分布式分配。最后，我们描述了建立可靠性、安全性、虚拟化、能源效率、商业模式和标准化所需的其他未来方向。
2020-05-10 cs.NI eess.SP
Acting Selfish for the Good of All: Contextual Bandits for Resource-Efficient Transmission of Vehicular Sensor Data
作为一种新的基于客户端的方法，用于延迟容忍车辆传感器数据的资源有效的机会传输。BS-CB采用一种混合方法，将所有主要的机器学习学科-监督、无监督和强化学习-结合在一起，以便根据预期的资源效率自主调度车辆传感器数据传输。在三个移动网络运营商（MNO）的公共蜂窝网络中的综合真实世界性能评估中，发现1）平均上行数据率提高了125%-195% 2）数据率优化的明显自私目标减少了占用小区资源量的84%-89% 3）平均传输相关功耗可以减少53%-4）代价是由于机会主义介质访问策略而导致的额外缓冲延迟。
2020-07-20 cs.NI eess.SP
DALC: Distributed Automatic LSTM Customization for Fine-Grained Traffic Speed Prediction
Norwegian University of Science and Technology（挪威科技大学）
在过去的十年中，已经引入了几种方法用于短期交通预测。然而，为大规模交通网络提供细粒度的交通预测仍然是一个悬而未决的问题，在大规模交通网络中，在地理上部署了许多检测器来收集交通数据。为了解决这个问题，本文将为单个检测器定制LSTM模型的问题公式化为有限马尔可夫决策过程，然后引入自动LSTM定制（ALC）算法来自动定制单个检测器的LSTM模型，以便相应的预测精度尽可能令人满意，并且时间消耗尽可能低。基于ALC算法，我们引入了一种称为分布式自动LSTM定制（DALC）的分布式方法，为大规模交通网络中的每个检测器定制LSTM模型。我们的实验表明，DALC提供了更高的预测精度比Apache Spark MLlib提供的几种方法。
2020-02-04 cs.LG eess.SP stat.ML
Joint Sensing, Communication, and Computation Resource Allocation for Cooperative Perception in Fog-Based Vehicular Networks
为了扩大自主车辆的感知范围和可靠性，协同感知受到了广泛的关注。然而，考虑到大量的共享消息，有限的带宽和计算资源在车辆网络成为瓶颈。在本文中，我们研究如何平衡共享消息和有限的资源在基于雾的车辆网络的体积。为此，我们首先考虑其时空价值和延迟性能的合作感知的总满意度的特征。然后，在满足车辆最大延迟和逗留时间约束的前提下，联合分配感知块消息、通信资源块和计算资源，以最大化协作感知的满意度和.由于其非凸性，我们将原问题解耦成两个独立的子问题，并设计相应的解决方案。仿真结果表明，与现有的基线相比，我们提出的方案可以有效地提高合作感知的总满意度。
2021-12-12 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
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
Performance of Cooperative Detection in Joint Communication-Sensing Vehicular Network: A Data Analytic and Stochastic Geometry Approach
城市环境的日益复杂给自主车辆网络的部署带来了额外的不确定性。为了实现城市自主车辆的高效通信和障碍物检测，提出了一种基于联合通信与感知（JCS）技术的道路基础设施协同检测模型。为了抑制JCS信号因阴影和障碍物而引起的性能波动，我们首先从地理信息系统（GIS）中导出道路障碍物的统计信息。在此基础上，利用视距和非视距信道模型，分析了复杂城市场景下JCS信道特性和阴影影响因素。应用随机几何方法分析了干扰因素和JCS成功检测与通信的概率分布。仿真结果验证了基于LoS和NLoS信道的概率分析的合作检测模型，数值结果表明了几种不同的优化方法部署JCS道路基础设施。最后，对符合城市交通点结构布局标准的JCS道路基础设施配置优化方法进行了仿真分析。
2022-11-02 cs.SY eess.SP eess.SY
Vehicular Visible Light Positioning for Collision Avoidance and Platooning: A Survey
本文综述车载可见光定位方法，提出一种性能更优的新VLP方案，并通过真实驾驶场景仿真验证其可满足防撞与编队行驶的厘米级、高于50 Hz定位需求。
2023-11-02 cs.SY eess.SP eess.SY
Realizing Multi-Point Vehicular Positioning via Millimeter-wave Transmission
全尺度环境的多点检测是自动驾驶中的一个重要问题。最先进的定位技术（例如雷达和激光雷达）无法在没有视线的情况下进行实时检测。为了解决这个问题，本文提出了一种新的多点车辆定位技术，通过\emph{millimeter-wave}（毫米波）传输，利用从\emph{target vehicle}（电视）到\emph{sensing vehicle}（SV）的多径反射，这使得SV快速捕获的形状和位置信息的电视在\emph{non-line-of-sight}（NLoS）下的多径反射的帮助下。设计了一种基于\emph{phase-difference-of-arrival}（PDoA）的双曲线定位算法，实现了TV和SV的同步。利用\emph{stepped-frequency-continuous-wave}（SFCW）作为用于TV的多点检测的信号。收发器分离使我们的方法能够在NLoS条件下工作，并实现比传统定位技术低得多的延迟。
2019-04-30 cs.IT eess.SP math.IT
