PLTO: Path Loss-Aware Task Offloading for Vehicular Cooperative Perception
Notice bibliographique
Résumé
Leveraging task offloading in Vehicular Edge Computing (VEC) via V2X can present unique and robust solutions to the challenges associated with cooperative perception in Autonomous Vehicles (AVs). However, making task offloading decisions that account for the risk of communication failure due to path loss, while adhering to the stringent QoS requirements of cooperative perception has been mostly overlooked. In this paper, we propose PLTO, a Path Loss-Aware Task Offloading scheme that accounts for path loss for Line-of-Sight (LOS), Obstructed LoS (OLoS), and Non-LoS (NLoS) propagation in vehicular communications. We formulate the task offloading problem as a 0–1 Integer Linear Program (0–1 ILP) that aims to minimize the path loss and response delay, while sustaining a certain satisfactory level of improved perception and situational awareness demanded by users. We also propose PLTO-Heuristic (PLTO-H), a scheme to solve the task offloading problem using the MTHG heuristic. Extensive simulations show that PLTO yields significant improvements of up to 17%, 10%, and 23% in terms of packet delivery ratio, Received Signal Strength Indicator (RSSI), and average response delay, respectively, compared to a baseline task offloading scheme that does not consider communication efficiency. In addition, PLTO-H achieves a near optimal solution, with a small gap of up to 6%, 5% and 1.2% in terms of packet delivery ratio, RSSI, and satisfaction ratio, respectively.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».