Evaluation of Redundancy Mitigation Rules in V2X Networks for Enhanced Collective Perception Services
Notice bibliographique
Résumé
Collective perception enables connected vehicles to share detailed environmental data, significantly enhancing situational awareness and safety. This data sharing is crucial for the functioning of modern vehicular networks, but it introduces the challenge of managing redundant information, which can congest communication channels and degrade network performance. To address this challenge, several redundancy mitigation rules have been proposed and extensively evaluated to filter out unnecessary data. This work investigates the impact of different redundancy mitigation rules on the performance of connected vehicular networks with collective perception under different market penetration rates. Additionally, the study introduces a set of hybrid rules designed to optimize this balance for collective perception services in vehicular networks. These hybrid rules are compared to scenarios without object filtering and other existing redundancy mitigation rules. Key performance metrics include channel busy ratio, environment awareness ratio, redundancy level, and the age of information. By analyzing the metrics as a function of the distance between the reported object and the receiving connected vehicle, the study identifies key trends in balancing redundancy reduction with information freshness under diverse network conditions. The results demonstrate that hybrid redundancy mitigation rules outperform existing approaches by effectively balancing channel load, redundancy level, and environment awareness, while maintaining lower age of information values. This balance is particularly crucial for safety-critical objects in close proximity to the connected vehicle. The findings highlight the importance of intelligent redundancy mitigation strategies in enhancing the timeliness and reliability of information in densely populated vehicular networks, ensuring the efficient and safe operation of connected vehicles.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».