Vehicle Position Correction: A Vehicular Blockchain Networks-Based GPS Error Sharing Framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The positioning accuracy of the existing vehicular Global Positioning System (GPS) is far from sufficient to support autonomous driving and ITS applications. To remedy that, leading methods such as ranging and cooperation have improved the positioning accuracy to varying degrees, but they are still full of challenges in practical applications. Especially for cooperative positioning, in addition to the performance of methods, cooperators may provide false data due to attacks or selfishness, which can seriously affect the positioning accuracy. By fully exploiting the characteristics of blockchain and edge computing, this paper proposes a vehicular blockchain-based secure and efficient GPS positioning error evolution sharing framework, which improves vehicle positioning accuracy from ensuring security and credibility of cooperators and data. First, by analyzing the GPS error, a bridge can be established between the sensor-rich vehicles and the common vehicles to achieve cooperation by sharing the positioning error evolution at a specific time and location. Particularly, the positioning error evolution is obtained by a deep neural network (DNN)-based prediction algorithm running on the edge server. We further propose to use blockchain technology for storage and sharing the evolution of positioning errors, mainly to guarantee the security of cooperative vehicles and mobile edge computing nodes (MECNs). In addition, the corresponding smart contracts are designed to automate and efficiently perform storage and sharing tasks as well as solve inconsistencies in time scales. Extensive simulations based on actual data indicate the accuracy and security of our proposal in terms of positioning error correction and data sharing.
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.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle