Improving Neighbor Localization in Vehicular Ad Hoc Networks to Avoid Overhead from Periodic Messages
Notice bibliographique
Résumé
Vehicular Ad Hoc Networks (VANETs) have been widely studied, and the deployment of such networks is likely to happen soon as the required technology and commercial opportunities are already available. Most of applications proposed for these networks require a localization mechanism with reasonable accuracy. In addition to applications, most protocols rely on the availability of a system that determines vehicles' positions. As many vehicles are (or are in the process of being) equipped with GPS, the accurate localization of vehicles in VANETs is achievable. However, one issue that has been ignored is the localization of neighboring vehicles. In VANETs, nodes usually move at high speeds; the information about the position of a neighbour vehicle is therefore fast outdated. The naive approach for handling this issue is to increase the frequency by which periodic messages containing a node's position are exchanged. This solution might lead an unfeasible overhead significantly dropping the bandwidth available for the exchange of services' data. In this paper, we study this problem further, and propose a solution where vehicles predict the position of a neighbor for the near future. Through extensive experiments, we show that a prediction model of low complexity was able to considerably increase the accuracy of neighbor localization. Our mechanism has achieved an accuracy of 50 centimeters with a frequency of exchange of beacons 75% smaller than the naive approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».