A Survey on Artificial Intelligence based Internet of Vehicles utilizing Unmanned Aerial Vehicles
Notice bibliographique
Résumé
The vehicular ad hoc network (VANET) when augmented with internet is called internet of vehicles (IoV). In the IoV, vehicles have on board units (OBUs), use communication technologies and customized software to communicate with infrastructure around them. The vehicles can have permanent connectivity and global network awareness based on cloud computing. IoV technologies are still being assessed to ensure that the network is protected from attacks, supports a dynamic vehicular mobility scenarios and meets the low latency communication requirements between the vehicles and the surrounding infrastructure. To meet these strict Quality of Service (QoS) demands, Unmanned Aerial Vehicles (UAVs) play a vital role in IoV ecosystems. An UAV can serve as a mobile roadside unit (mRSU) to transmit data between vehicles, stationery RSUs and other UAVs. The UAVs have better line of sight (LOS) connections which result in better channel states and lower path loss than fixed RSUs. Although the inclusion of UAVs in vehicular networks has improved the system performance by providing better resource management and routing solutions, the traditional optimization techniques with their limitations are often not applicable. Therefore, in recent years, research community is integrating Artificial Intelligence (AI) and Machine Learning (ML) into UAV based IoV ecosystem to better manage resource allocation, routing and mobility management issues to optimize the overall network performance. In this survey paper we review the existing research done in AI/ML based UAV-IoV networks and communications with focus on resource management and routing from year 2019 to 2023. We have studied different AI techniques, their training attributes and architectures in various research works. The limitations of AI-based approaches in terms of required computational resources, availability of real world data and AI models’ complexity for the UAV-IoV environment are also discussed. Finally, the future directions for UAV-IoV research opportunities that can leverage the full potential of AI are presented.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».