Cooperative Perception: Mitigating Messages Content Duplication
Notice bibliographique
Résumé
Autonomous Vehicles (AVs) and smart vehicles rely on cooperative perception to complement the information missed by their sensors due to their limited range and non-line of sight objects. There are many applications that rely on communication leaving sometimes limited resources for cooperative perceptions. Therefore, optimizing the resources and messages sent over the network becomes crucial. An important factor that undermines the potential of vehicular networks is the number of messages containing information about the same objects. Not only this issue exhausts the limited network bandwidth and may lead to dropping some messages in high-density traffics but also prevent other useful information from being shared. This paper suggests a Game Theory Based Transmission (GTBT) to mitigate redundant message content in a fog-based vehicular network. We show that this approach is real-time and achieves 10.5% fewer duplicate messages compared to the Max Score Based Transmission (MSBT) baseline while it does not require any additional communication costs. Moreover, we contrast the pros and cons of our approach against two other baselines: random (Rand) and geo-filtering (Geo) transmission-based approaches, showing that GTBT is able to minimize the lost information (5.3% for GTBT vs 15.2% and 18.3% for Geo and Rand respectively) and is competing with Geo approach in the number of unique messages sent and their value. Lastly, the GTBT is able to provide a gain of 1.7 as calculated by our suggested new metric as a measure of the ability to compensate for the missed information, vs (- 0.5) for the Geo approach. To the best of our knowledge, this is the first study that employs game theory for selecting the content of the message for the cooperative perception problem.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».