Latency Analysis of Drone-Assisted C-V2X Communications for Basic Safety and Co-Operative Perception Messages
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Drone-assisted radio communication is revolutionizing future wireless networks, including sixth-generation (6G) and beyond, by providing unobstructed, line-of-sight links from air to terrestrial vehicles, enabling robust cellular cehicle-to-everything (C-V2X) communication networks. However, addressing communication latency is imperative, especially when considering autonomous vehicles. In this study, we analyze different types of delay and the factors impacting them in drone-assisted C-V2X networks. We specifically investigate C-V2X Mode 4, where multiple vehicles utilize available transmission windows to communicate the frequently collected sensor data with an embedded drone server. Through a discrete-time Markov model, we assess the medium access control (MAC) layer performance, analyzing the trade-off between data rates and communication latency. Furthermore, we compare the delay between cooperative perception messages (CPMs) and periodically transmitted basic safety messages (BSMs). Our simulation results emphasize the significance of optimizing BSM and CPM transmission intervals to achieve lower average delay as well as utilization of drones’ battery power to serve the maximum number of vehicles in a transmission time interval (TTI). The results also reveal that the average delay heavily depends on the packet arrival rate while the processing delay varies with the drone occupancy and state-transition rates for both BSM and CPM packets. Furthermore, an optimal policy approximates a threshold-based policy in which the threshold depends on the drone utilization and energy availability.
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.
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 | 0,000 | 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 | 0,000 | 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 découle