Blockchain-Empowered Edge Intelligence for TACS Obstacle Detection: System Design and Performance Optimization
Notice bibliographique
Résumé
With the significant advantages of system complexity and operating costs, train autonomous circumambulate system (TACS) is gradually replacing the traditional communication-based train control system as the next-generation train operation control system development direction. As train operation and control become more decentralized and autonomous, real-time and accurate obstacle detection, apart from route-level protection, is quite desirable in TACS. Most of the existing researches about obstacle detection focus on detection algorithm optimization based on the once-deployed lifelong use principle, whereas model reoptimization based on the actual operating environment under unexpected situations and model sharing among multiusers are largely ignored. In this article, we design a novel obstacle detection system in TACS based on blockchain-empowered edge intelligence (EI). To make full use of the massive raw unannotated data collected online, we first propose an semisupervised learning-based TACS obstacle detection model. Considering the resource-hungry model training, we introduce EI into TACS and propose a multiagent reinforcement learning-based task offloading algorithm for secure and efficient computation offloading coordination. Furthermore, we propose a blockchain-based model sharing scheme to facilitate the multimodel parameter exchange and improve the obstacle detection accuracy. Extensive simulation results show that the designed obstacle detection system can effectively improve the TACS obstacle detection performance.
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 | 0,001 | 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 ».