Energy-Efficient NOMA Multicasting System for 5G Cellular V2X Communications with Imperfect CSI
V2X（Vehicle-to-Everything）是一种现代车辆技术，可改善交通和通信中的传统车辆系统。V2X通信需要高能效和高可靠性的网络，因为大量的车辆连接和高移动性的无线信道。非正交多址接入（NOMA）是5G V2X服务的一种有前途的解决方案，旨在保证高可靠性、服务质量（QoS）配置和大规模连接需求。在V2X中，检查不完美的CSI是至关重要的，因为车辆的高移动性导致更多的信道估计不确定性。与现有文献不同，我们提出了节能路边单元（RSU）辅助NOMA多播系统的5G蜂窝V2X通信，并研究了节能功率分配问题。所提出的系统通过低复杂度的最优功率分配算法下的信道中断概率约束的车辆与不完美的CSI，车辆的QoS约束，和RSU的发射功率限制约束的信息组播。该问题具有信道中断概率约束，是一个非凸概率优化问题。这个问题是有效地解决了概率问题，通过松弛转换成一个非概率问题。
2020-09-08 eess.SP
Channel-Adaptive Robust Resource Allocation for Highly Reliable IRS-Assisted V2X Communications
针对IRS辅助车联网中因多普勒频移导致的CSI不确定性，提出基于3GPP Mode 1架构的通道自适应鲁棒资源分配算法，通过分解问题并交替优化子问题，提升通信可靠性与效率，仿真验证其有效性。
2025-04-16 eess.SP
Joint Frame Design and Resource Allocation for Ultra-Reliable and Low-Latency Vehicular Networks
第五代移动通信系统的迅速发展，加速了车对车通信的实现。与其他类型的车辆通信相比，车辆到车辆（V2V）通信主要集中在与相邻车辆交换驾驶安全信息，这需要超可靠和低延迟通信（URLLC）。然而，由于严格的延迟要求，帧大小在V2V URLLC中显著缩短，因此从大小的角度来看，与有效载荷信息相比，开销不再可以忽略不计。在本文中，我们研究的帧设计和资源分配的城市V2V URLLC系统中，上行链路的蜂窝资源重用在GPRS模式。具体来说，我们首先分析了V2V对和蜂窝用户的性能的下限基于常规导频方案和叠加导频方案。在此基础上，提出了一种帧设计算法和一种半持久调度算法，以合理的复杂度实现最优的帧设计和资源分配。仿真结果表明，所提出的帧设计和资源分配方案能够很好地满足V2V对的URLLC要求，保证蜂窝用户的通信质量。
2020-02-18 cs.IT eess.SP math.IT
Joint Clustering and Prediction of the Quality of Service in Vehicular Cellular Networks
KTH Royal Institute of Technology（瑞典皇家理工学院）；Ericsson Research（爱立信研究）
本文提出一种分布式优化框架，通过联合聚类和训练集群级预测模型，使节点在通信限制下合作预测服务质量分布，有效缓解概念漂移问题。
2026-04-14 cs.NI eess.SP
Vehicular LTE Connectivity Analysis in Urban and Rural Environments using USRP Measurements
智能交通系统（ITS）提供了与交通管理相关的广泛应用，这些应用通常要求高数据速率和低延迟。无处不在的覆盖和长期演进（LTE）技术的进步已经使得能够实现这些要求并使车载用户能够实现宽带应用。在本文中，我们使用软件定义无线电（SDR）在各种不同的商用LTE网络中进行现场试验测量，并报告我们的研究结果。首先，我们提供了一个详细的教程概述，介绍如何对SDR测量进行后处理，以解码来自LTE网络的广播信道和参考信号测量。随后，我们描述了我们在城市，郊区和农村环境中的测量活动的细节。基于这些测量，我们报告联合分布的基站密度，蜂窝覆盖，链路强度，断开车辆持续时间，和车辆速度在这些环境中，并比较在不同的设置LTE覆盖。我们的实验结果量化了更强的覆盖范围，更短的链路距离，以及更短的持续时间的断开连接在城市环境中相比，郊区和农村的设置。
2019-09-09 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
Autonomous CSI Prediction Framework for O-RAN-Enabled 5G mmWave Vehicular Networks
针对5G毫米波车载网络因用户移动性高带来的连接挑战，提出自主且可自训练的CSI预测框架，基站通过收集标记数据集，利用独立及联邦学习训练模型，结合CSI反馈与C-V2X数据，经评估验证了框架的可行性、准确性和灵活性。
2026-07-27 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
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 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
Reconfigurable Intelligent Surface Enabled Vehicular Communication: Joint User Scheduling and Passive Beamforming
鉴于其控制和操纵无线环境的能力，可重构智能表面（RIS），也称为智能反射表面（IRS），已经成为第六代（6G）蜂窝网络的关键使能技术。同时，车辆环境无线电传播受到诸如高层建筑物之类的引起传输失真的大量对象的负面影响。因此，这项工作致力于探索区域RIS技术与车辆通信的集成，同时考虑到这种通信环境的动态性。具体来说，我们提供了一个系统模型，路边单元（RSU）利用RIS提供间接的无线传输到断开连接的区域，称为暗区。暗区是RSU覆盖范围内的点，其中通信链路由于阻塞的存在而被阻塞。详细地说，利用离散RIS来提供RSU与通过非服务区的车辆之间的通信链路。因此，RSU资源调度和RIS无源波束成形或相移矩阵的联合问题被表述为以最小平均比特率最大化为目标的优化问题。该问题是一个混合整数非凸规划问题，难以求解，且没有考虑到车载网络中的不确定动态环境。因此，我们采用基于深度强化学习的替代方法来确定RSU无线调度和块坐标下降（BCD）来解决RIS的相移矩阵\textit{i.e.,}被动波束成形。定义了马尔可夫决策过程，讨论了求解方法的复杂性。我们的数值结果表明，我们提出的方法优于基线技术。
2021-01-28 eess.SP
URLLC-Awared Resource Allocation for Heterogeneous Vehicular Edge Computing
本文针对融合DSRC、mmWave和C-V2I的异构车辆边缘计算场景，提出一种基于MGF随机网络演算建模URLLC约束、并由李雅普诺夫引导深度强化学习求解的资源分配策略，以在满足URLLC要求下最小化系统效用。
2023-11-30 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
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
Intelligent Reflecting Vehicle Surface: A Novel IRS Paradigm for Moving Vehicular Networks
智能反射表面（IRS）由于其具有高光谱和高功率效率的潜力，近年来受到研究界的广泛关注。除了传统的蜂窝网络之外，还考虑了IRS在车辆网络中的使用。以前的IRS辅助车辆到一切通信的工作集中在沿道路的建筑物的立面上部署反射表面，以增强侧链路性能。本文超越了现有的技术水平，提出了一种新的范例创造的智能反射车辆表面（IRVS）。它在车辆表面嵌入大量反射元件，以帮助军事和紧急通信中的移动车辆网络。我们提出了一种替代的优化方法，以优化联合主动波束形成在基站和被动反射在多个随机分布的车辆表面。根据连续、离散和随机相移下的和频谱效率进行了性能评估。数值结果表明，IRVS可以大大提高移动车辆网络的容量。
2023-03-15 cs.IT eess.SP math.IT
Deep Multi-modal Neural Receiver for 6G Vehicular Communication
针对6G车载通信，提出一种深度多模态神经接收机，通过训练参数优化V2N上行链路误码率，在低信噪比下优于现有架构，并验证了多模态数据适应性。
2025-01-23 eess.SP
Stochastic Modeling of Beam Management in mmWave Vehicular Networks
移动性管理是毫米波（mmWave）蜂窝网络的广泛部署的主要挑战。特别地，毫米波设备中的定向波束成形使得高速移动性支持非常复杂。然而，这种复杂性不仅限于系统设计，而且还包括性能估计和评估。因此，一些人已经将注意力转向毫米波车辆通信的随机建模，以导出表征网络的覆盖和速率行为的封闭形式的表达式。在这篇文章中，我们建模和分析毫米波车载网络的波束管理。据我们所知，这是第一项超越覆盖率和费率分析的工作。具体来说，我们专注于多车道划分的高速公路的情况下，基站和车辆都存在于高速公路的两侧。除了为波束切换和切换事件的平均数量提供解析表达式外，我们还为网络运营商提供了设计见解，以便在标准提供的系统参数选择灵活性范围内微调其网络，包括专用于信道反馈和波束对准操作的资源数量。
2019-12-14 eess.SP math.ST stat.AP
Shared Spectrum for Mobile-Cells Backhaul and Access Link
将蜂窝热点区域卸载到小小区已经成为第五代蜂窝网络的主题。一个这样的热点是公共交通，其承载大量的蜂窝用户，这些蜂窝用户由于车辆穿透效应（VPE）而频繁地接收低服务质量（QoS）。因此，公共交通内的移动蜂窝（MC）的安装被视为一个潜在的使能器，以提高通勤用户的QoS。然而，与固定小区不同的是，MC需要无线回程（BH）连接以及车载无线链路（AL）通信。用于MC通信的这些附加无线链路将对已经稀缺的频谱造成过度负担。因此，在这项研究中，我们利用VPE和视线（LOS）通信，使下行链路回程（DL-BH）子信道共享的车内下行链路接入链路（DL-AL）传输。我们的分析和仿真表明，使用上述技术，两个链路保持高的成功概率，特别是在低信号干扰比的区域。
2018-07-31 eess.SP
Deep Reinforcement Learning Based Mode Selection and Resource Allocation for Cellular V2X Communications
蜂窝车联网（V2X）通信对于支持未来各种车辆应用至关重要。然而，对于安全关键型应用，不稳定的车辆到车辆（V2V）链路和集中式资源分配方法的高信令开销成为瓶颈。本文研究了蜂窝V2X通信中传输模式选择和资源分配的联合优化问题。特别是，该问题被公式化为马尔可夫决策过程，并提出了一种基于深度强化学习（DRL）的分散算法，以最大限度地提高车辆到基础设施用户的总容量，同时满足V2V对的延迟和可靠性要求。此外，考虑到局部DRL模型的训练局限性，提出了一种两时标的联邦DRL算法，以帮助获得鲁棒的模型。其中，基于图论的车辆聚类算法在大时间尺度上执行，而联邦学习算法在小时间尺度上进行。仿真结果表明，该算法的性能优于其他分散基线算法，验证了双时标联邦DRL算法在新激活V2V对中的优越性。
2020-02-13 cs.NI eess.SP
6G Cellular Networks and Connected Autonomous Vehicles
随着5G移动通信系统的商业化推出，关于下一代移动系统的研究讨论，即，6G，开始了。另一方面，车辆技术也在迅速发展，从V2X（车辆到一切）创造的联网车辆到自动驾驶车辆，再到两者的结合，即，互联自动驾驶汽车（CAV）网络。这两个领域的发展有多快是非常重要的，这是本文的重点。本文在简要概述V2X到CAV的技术演进和6G关键技术的基础上，探讨了两个互补的研究方向，即6G for CAV和CAV for 6G。前者研究了如何利用各种6G关键使能器，如THz，无蜂窝通信和人工智能（AI）来提供CAV关键任务服务。后者讨论了CAV如何促进6G系统的有效部署和运营。本文试图探讨这两种技术之间的相互作用，以激发更多的研究工作在这些领域。
2020-10-02 cs.NI eess.SP
Sensing-Based Beamformed Resource Allocation in Standalone Millimeter-Wave Vehicular Networks
本文针对独立毫米波车载网络中未协调资源分配导致的冲突问题，提出基于定向波束赋形和SCI的信道接入方案，仿真证明其能降低资源分配冲突概率。
2025-03-19 cs.NI eess.SP
Intelligent Base Station Association for UAV Cellular Users: A Supervised Learning Approach
第五代（5G）蜂窝网络预计将为包括无人机（UAV）在内的车辆用户提供蜂窝连接。当在空中飞行时，这些用户体验到地面上的大量基站（BS）的强的、无障碍的信道条件。这为UAV用户造成了非常强的干扰条件，同时为他们提供了大量的BS以潜在地与蜂窝服务相关联。因此，为了最大化UAV-BS无线链路的性能，UAV用户需要能够基于观察到的环境条件来选择连接到哪些BS。本文提出了一种基于监督学习的关联方案，利用该方案，无人机可以智能地关联到最合适的基站。我们训练一个神经网络（NN），根据从BS接收到的信号功率、到BS的已知距离以及潜在干扰源的已知位置，从几个候选BS中识别出最合适的BS。然后，我们比较了基于NN的关联计划对最强信号和最近邻关联计划的性能，并证明NN计划显着优于简单的启发式计划。
2020-08-28 cs.IT eess.SP math.IT
Efficient Mining Cluster Selection for Blockchain-based Cellular V2X Communications
蜂窝车联网（V2X）通信预计将在未来几年迎来自动驾驶汽车时代。随着区块链在这种网络中的集成，从完整的区块到单个交易的所有粒度级别的信息都可以随时被车辆访问。具体来说，区块链技术有望通过智能合约和分布式账本提高蜂窝V2X通信的安全性、不变性和去中心化。尽管基于区块链的蜂窝V2X网络前景看好，但需要解决许多挑战，以实现此类大规模平台的未来互操作性和可访问性。其中一个挑战是在蜂窝V2X网络中卸载挖掘任务。虽然运输当局可能会尝试平衡网络挖掘负载，但车辆可能会选择最近的挖掘集群来卸载任务。这可能导致车辆网络资源的拥塞和不成比例的使用。为了解决这个问题，我们提出了一个博弈论的方法来平衡负载在挖掘集群，同时保持公平卸载车辆之间。考虑到车辆的低延迟要求，我们考虑了有限信道块长度传输，这比使用无限块长度码更实用。与我们提出的卸载框架获得的模拟结果表明，传统的最近的挖掘集群选择技术的性能有所改善。
2020-06-29 cs.IT eess.SP math.IT
Resilient Vehicular Communications under Imperfect Channel State Information
本文提出一种两阶段框架，通过估计不完美CSI的概率分布并利用风险率指标平衡吸收与适应阶段，有效优化了C-V2X网络的弹性，显著降低了V2V延迟并提升了V2I吞吐量。
2025-05-03 cs.IT eess.SP math.IT
A QoS-Aware Uplink Spectrum and Power Allocation with Link Adaptation for Vehicular Communications in 5G networks
针对5G C-V2X上行链路资源分配问题，提出两种结合链路自适应的频谱与功率分配算法，仿真验证其可提升用户满足率、总速率及双方QoS。
2024-09-30 cs.NI eess.SP
Decentralized Subchannel Scheduling for C-V2X Mode-4: A Non-Standard Configuration for CAM Retransmissions
在第14版中，3GPP引入了一种称为蜂窝车辆到万物（C-V2X）\emph{mode-4}的新颖范例，以专门支持没有网络覆盖的场景中的车辆通信。这样的方案已经被设计为利用感测机制分布式地操作，由此车辆可以监视跨子信道的接收功率。基于所测量的功率强度，车辆自主地选择合适的子信道，通过该子信道广播安全消息。在释放所选择的子信道以选择另一子信道之前，车辆在短时间段内使用所选择的子信道。在这项工作中，我们提出了一个调度方法的基础上，上述技术。我们假设存在支持半永久保留子信道（如3GPP所规定的）的主子带。此外，我们还考虑存在辅助子带，其传送随机重传以提高接收可靠性。不同的配置所提出的方法进行了探讨，并使用真实的车辆轨迹评估其性能。
2019-12-31 cs.IT cs.SI eess.SP
C-V2X Security Requirements and Procedures: Survey and Research Directions
第三代合作伙伴计划（3GPP）在版本14中定义了用于基于蜂窝的车辆到一切（C-V2X）通信的第一规范。C-V2X通过为LTE基站或eNB的覆盖范围内和覆盖范围外的车辆系统添加两种新的操作模式来扩展LTE的设备到设备通信模式。车辆到车辆（V2 V）通信模式不依赖于蜂窝基础设施，并且C-V2X设备采用分布式和基于感测的半持久调度来调度其分组传输。作为专用短程通信的一种有前途的替代方案，C-V2X的安全性方面需要仔细设计和评估，以确保服务和数据的可用性和完整性。本文讨论了可能的威胁场景，回顾了3GPP规范，发现尽管C-V2X具有安全关键性，但只有少数机制和程序被指定用于保护系统。我们讨论新兴技术，并提供研究方向，以提高C-V2X系统的安全性和可靠性，并确保其在民用和关键任务通信环境中的广泛采用。
2018-07-24 cs.NI eess.SP
Threats and Countermeasures of Cyber Security in Direct and Remote Vehicle Communication Systems
交通管理、道路安全和环境影响是当今世界的重要问题。智能交通系统（ITS）的传感、控制和通信方法的应用解决了这些挑战。ITS的一部分是车辆自组织网络（VANET），其意味着车辆的无线网络。然而，在VANET中的车辆之间的通信暴露了一些需要研究和解决的安全威胁。本文首先阐述了车载自组网的基本流程，重点介绍了车载自组网的通信方式、体系结构、特点、标准和安全设施。其次，讨论了VANET面临的攻击和威胁。此外，描述了认证系统，通过该认证系统可以保护车辆网络免受虚假消息和恶意节点的攻击。讨论了远程无钥匙进入系统、专用短程通信、蜂窝方案、Zigbee、蓝牙、射频识别、WiFi、WiMAX等不同远程车辆通信方式以及车载诊断和通用串行总线等不同直接车辆通信方式的安全威胁和应对措施。
2020-06-11 cs.CR cs.IT eess.SP
Multi-Agent Reinforcement Learning for Channel Assignment and Power Allocation in Platoon-Based C-V2X Systems
Huawei Technologies Canada（华为加拿大技术公司）；McGill University（麦吉尔大学）；San Diego State University（圣地亚哥州立大学）
我们考虑了底层蜂窝车对一切（C-V2X）系统中的联合信道分配和功率分配问题，其中多个车辆到网络（V2 N）上行链路与多个车辆到车辆（V2 V）队列共享时频资源，使连接和自动驾驶车辆能够紧密地一起行驶。由于车辆环境中用户的高移动性，传统的依赖于全局信道信息的集中式优化方法在具有大量用户的C-V2X系统中可能不可行。利用多智能体强化学习（RL）方法，我们提出了一个分布式资源分配（RA）算法来克服这一挑战。具体来说，我们模拟RA问题作为一个多智能体系统。仅基于本地信道信息，每个排长充当代理，集体地彼此交互，并相应地选择子带和功率电平的最佳组合来发送其信号。为此，我们利用双深度Q学习算法来联合训练代理的目标下，同时最大化的总和速率的V2 N链路，并满足每个V2 V链路的数据包交付概率在所需的延迟限制。仿真结果表明，我们提出的基于RL的算法提供了一个著名的穷举搜索算法相比，接近的性能。
2022-06-19 cs.LG eess.SP
Representing Realistic Human Driver Behaviors using a Finite Size Gaussian Process Kernel Bank
协同车辆应用的性能紧密依赖于底层车对万物（V2X）通信技术的可靠性。V2X标准，如专用短程通信（DSRC）和Cellular-V2X（C-V2X），在美国强制执行之前正在通过研究阶段，应该作为车辆网络中时间关键信息的可靠循环系统;然而，它们在实际交通场景中仍然严重存在可扩展性问题。基于模型的通信（MBC）的技术不可知的概念已被提出在我们以前的作品作为一个有前途的范例，以解决可扩展性问题和它的性能，同时获得不同的建模策略，已被广泛研究。在这项工作中，一个强大的非参数贝叶斯推理方案的建模能力，即，高斯过程（GPs），在MBC背景下进行了更详细的研究。我们的观察揭示了基于GP的MBC方案的一个重要的潜在优势，即，它的能力，准确地建模不同的驾驶行为模式，通过利用只有一个有限的大小GP内核银行。将GP推理与MBC框架集成的这个有趣的方面，已经在这项工作中使用现实的驾驶数据集进行了验证，介绍了这种架构作为解决可扩展性挑战的强大而有吸引力的候选者。结果证实，我们所提出的方法在所需的通信速率和GP内核库大小方面超过了最先进的研究。
2020-03-30 cs.NI eess.SP
Study of BSM Inter-Packet Gap Tails in C-V2X Networks
本文研究C-V2X模式4中BSM连续丢包导致的包间间隔与信息年龄尾部行为，通过系统级仿真评估SAE一次性传输的改善效果，并提出一个经仿真验证的解析模型以准确刻画IPG尾部分布。
2023-11-28 cs.NA eess.SP math.NA
Dynamic Scheduling for Enhanced Performance in RIS-assisted Cooperative Network with Interference
针对多用户网络外部干扰且干扰 CSI 不完整的问题，论文提出 RIS 辅助 FlexD 的用户对动态选择方案，并通过中断概率与渐近分析证明其在吞吐量、能效和数据管理上优于传统 FD/HD。
2025-06-15 eess.SP
5G Control Channel Design for Ultra-Reliable Low-Latency Communications
第五代（5G）无线系统有望支持具有不同通信要求的广泛服务。超可靠低延迟通信（URLLC）是一种通用服务，可实现关键任务应用，如工业自动化、增强现实和车载通信。URLLC对传送数据和控制信息的可靠性和延迟有严格的要求。为了满足这些要求，第三代合作伙伴计划（3GPP）已经将新特征引入蜂窝系统标准的即将到来的版本，即版本15及以后。本文将回顾其中的一些功能，并介绍设计控制信道以有效支持URLLC的新增强功能。特别地，提出了灵活的时隙结构作为在早期阶段检测传送控制信息的失败的解决方案，从而允许控制信息的及时重传。最后，讨论了将5G新无线电（NR）塑造为支持不同服务的统一无线接入技术的一些剩余挑战和设想的研究方向。
2018-03-12 cs.NI eess.SP
Deep Learning-based Link Configuration for Radar-aided Multiuser mmWave Vehicle-to-Infrastructure Communication
按照传统的波束训练协议配置毫米波链路，如在当前蜂窝标准中提出的，引入了大的通信开销，特别是在信道高度动态的车辆系统中。在本文中，我们提出了使用无源雷达阵列来感测来自道路上的多个车辆的汽车雷达传输，以及一个雷达处理链，该雷达处理链提供有关道路基础设施和每个车辆之间的链路的候选波束的缩减集的信息。该先验信息可以稍后由波束训练协议利用以显著减少开销。雷达处理链估计雷达信号的定时和啁啾速率，通过滤除干扰雷达啁啾来隔离各个信号，并估计每个单独雷达传输的空间协方差。然后，使用深度网络将这些雷达空间协方差的特征转换为通信空间协方差的特征，通过学习雷达和通信信道之间的复杂映射，在视线和非视线设置中。将这种方法的通信速率和中断概率与穷举搜索和纯雷达辅助波束训练方法（没有基于深度学习的映射）进行比较，并在光线跟踪模拟的多用户信道上进行评估。结果表明：（i）所提出的处理链可以可靠地隔离各个雷达的空间协方差，以及（ii）基于深度学习的雷达到通信转换策略在LOS和NLOS信道中提供了比纯雷达辅助方法的显着改进。
2022-01-12 eess.SP
Interleaved One-shot Semi-Persistent Scheduling for BSM Transmissions in C-V2X Networks
蜂窝车联网（C-V2X）网络被认为是实现高效和可持续的智能交通系统（ITS）安全应用和服务的主要支柱之一。这种服务依赖于交换周期性状态更新的概念（即，基本安全消息（BSM））。因此，必须确保来自附近VUE的连续BSM之间的小分组间间隙（IPG）。由于连续数据包丢失，大型IPG可能导致VUE的信息陈旧。在本文中，我们研究了IPG的尾部行为和信息年龄（IA）分布使用C-V2X传输模式4（一种基于半持久调度（SPS）的分散式资源分配方法）。具体来说，我们调查的改进和权衡介绍了SAE指定的概念，一次性传输。我们使用高保真系统级仿真器，该仿真器密切关注C-V2X传输模式4的SPS过程，以评估交织单次SPS传输的性能。我们的数值结果表明，IA和IPG的互补累积分布函数（CCDF）的尾部显着改善时，一次性传输在各种模拟场景中启用。
2021-09-30 cs.NA eess.SP math.NA
Deep Learning Based Intelligent Inter-Vehicle Distance Control for 6G Enabled Cooperative Autonomous Driving
University of Electronic Science and Technology of China（电子科技大学）；University of Essex（埃塞克斯大学）
第六代蜂窝网络（6G）的研究正在获得巨大的动力，以实现无处不在的无线连接。互联自动驾驶（CAV）是6G的一个重要垂直领域，在提高道路安全、道路和能源效率方面具有巨大潜力。然而，CAV应用对可靠性、延迟和高速通信的严格服务要求将对6G网络提出巨大挑战。支持6G的CAV需要新的联网车辆信道接入算法和智能控制方案。本文研究了6G支持的协同驾驶，这是一种通过信息共享和驾驶协调的先进驾驶模式。首先，我们量化的延迟上界的6G车辆到车辆（V2V）通信的混合通信和信道接入技术。开发并训练深度学习神经网络，以快速计算实时的操作中的延迟界限。在此基础上，设计了一种智能策略来控制协作自主驾驶中的车间距。此外，我们提出了一个基于马尔可夫链的算法来预测系统状态的参数，也是一个安全的距离映射方法，使平稳的车速变化。所提出的算法在AirSim自动驾驶平台上实现。仿真结果表明，所提算法具有较好的鲁棒性和有效性，能够实现安全稳定的协同自主驾驶，极大地提高了道路的安全性、通行能力和效率。
2020-12-26 cs.AI eess.SP
Physical Layer Security in a Private 5G Network for Industrial and Mobility Application
本研究在真实专用5G网络中实现物理层密钥生成技术，验证了其在工业场景的集成可行性，并演示了制造环境中飞行器与IT基础设施通过专用5G建立长期对称密钥的方案。
2023-10-09 cs.IT eess.SP math.IT
Joint Spectrum and Power Allocation for V2X Communications with Imperfect CSI
在车辆到万物（V2X）通信中，车辆的高移动性产生多普勒频移，这导致信道不确定性。此外，信道不确定性的原因还包括有限信道反馈、信道状态信息（CSI）丢失和时延。有了这个问题，我们制定了一个联合频谱和功率分配问题的V2X通信与不完美的CSI。具体而言，蜂窝用户设备（CUE）的总容量最大化的CUE的最小信号干扰噪声比（SINR）的要求和车辆用户设备（VUE）的中断概率约束。然后，设计了两种不同的鲁棒资源分配方法来解决这个问题。一种是基于Bernstein近似的鲁棒资源分配方法。具体地说，利用Bernstein近似将机会约束转化为可计算的约束，并提出了对分搜索方法以获得低复杂度的最优分配解。然后，为了进一步降低计算复杂度，自学习鲁棒资源分配方法，其中包括一个学习方法和一个分析映射方法，提出了作为第二种方法。设计了学习方法来学习将机会约束转化为可计算约束的不确定集，并提出了解析映射方法来获得资源分配问题的封闭解。仿真结果表明，该方法在保证信道可靠性的前提下，有效地提高了各CUE的容量。
2023-02-21 cs.IT eess.SP math.IT
Bender's Decomposition for Optimization Design Problems in Communication Networks
各种类型的通信网络不断涌现，以改善连接服务并促进各种类型的设备的互连。这涉及若干技术的发展，例如设备到设备通信、无线传感器网络和车辆通信。所提供的各种服务对诸如吞吐量、端到端延迟和抖动之类的质量指标具有异构要求。此外，不同的网络技术对资源具有固有的异构限制，例如，因此，需要以不同方式执行不同的网络操作，例如频谱管理、路由、功率控制和卸载。数学优化技术一直是这些设计问题的核心，以制定和提出计算效率高的解决方案算法。现有的数学优化的强大技术之一是Benders分解（BD），这是本文的重点。在这里，我们简要回顾了不同的BD变体，已应用于各种现有的网络类型和不同的设计问题。这些主要的变体是经典的，组合的，多阶段的，和广义BD。我们讨论引人注目的BD应用程序的各种网络类型，包括异构蜂窝网络，基础设施有线广域网，智能电网，无线传感器网络和无线局域网。我们的主要目标是帮助读者在未来网络的背景下完善这种强大的优化技术的动机，问题制定和方法。我们还讨论了BD的挑战和前瞻性的方式，这些可以解决时，适用于通信网络的设计问题。
2019-10-05 cs.NI eess.SP
Fastening the Initial Access in 5G NR Sidelink for 6G V2X Networks
对智能、自动化和互联移动解决方案的需求不断增长，推动了创新的第六代（6G）蜂窝网络的发展。计划对车辆通信的物理层进行彻底的改造，向基于波束的毫米波或亚太赫兹通信转变，这需要精确的波束指向以保证通信链路，特别是在高移动性中。一个关键的设计方面是一个快速和主动的初始接入（IA）算法，以选择要使用的最佳波束。在这项工作中，我们研究了替代IA技术，以加强当前的第五代（5G）标准，目标是高效的6G设计。首先，我们讨论了合作的基于位置的计划，依赖于位置信息。然后，由于道路拓扑约束的通信方向的非均匀分布的直觉的动机，我们设计了两个概率码本（PCB）技术的优先束。在第一个中，利用过去收集的交通信息构建PCB，而在第二个中，我们使用Hough变换在数字地图上提取主要道路方向。我们还表明，来自角概率分布的信息允许设计非均匀码本量化，减少性能的退化相比，均匀的。对现实场景的数值模拟表明，基于PCB的波束选择在IA试验次数方面优于5G标准，其性能与基于位置的方法相当，而不需要发送敏感信息。
2021-06-10 cs.IT eess.SP math.IT
Explainable AI-aided Feature Selection and Model Reduction for DRL-based V2X Resource Allocation
Koc University（科克大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出一种基于可解释AI的两阶段框架，用于简化多智能体深度强化学习在V2X资源分配中的特征与模型，在保持97%性能的同时减少28%特征、11%训练时间和46%参数。
2025-01-23 cs.AI cs.LG cs.MA
