Towards Rear-End Collision Avoidance: Adaptive Beaconing for Connected Vehicles
Notice bibliographique
Résumé
Connected vehicles have been considered as an effective solution to enhance driving safety as they can be well aware of nearby environments by exchanging safety beacons periodically. However, under dynamic traffic conditions, especially for dense-vehicle scenarios, the naive beaconing scheme where vehicles broadcast beacons at a fixed rate with a fixed transmission power can cause severe channel congestion and thus degrade the beaconing reliability. In this paper, by considering the kinematic status and beaconing rate together, we study the rear-end collision risk and define a danger coefficient ρ to capture the danger threat of each vehicle being in the rear-end collision. In specific, we propose a fully distributed adaptive beacon control scheme, called ABC, which makes each vehicle actively adopt a minimal but sufficient beaconing rate to avoid the rear-end collision in dense scenarios based on individually estimated ρ. With ABC, vehicles can broadcast at the maximum beaconing rate when the channel medium resource is enough and meanwhile keep identifying whether the channel is congested. Once a congestion event is detected, an NP-hard distributed beacon rate adaptation (DBRA) problem is solved with a greedy heuristic algorithm, in which a vehicle with a higher ρ is assigned with a higher beaconing rate while keeping the total required beaconing demand lower than the channel capacity. We prove the heuristic algorithm's close proximity to the optimal result and thoroughly analyze the communication overhead of ABC scheme. By using Simulation of Urban MObility (SUMO)-generated vehicular traces, we conduct extensive simulations to demonstrate the efficacy of our proposed ABC scheme. Simulation results show that vehicles can adapt beaconing rates according to the driving safety demand, and the beaconing reliability can be guaranteed even under high-dense vehicle scenarios.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».