Task Offloading and Resource Allocation in Vehicular Cooperative Perception With Integrated Sensing, Communication, and Computation
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
Vehicular cooperative perception (VCP) facilitates the exchange of sensing data among vehicles through vehicle-to-everything (V2X) communication, significantly increasing the sensing range and precision of individual autonomous vehicles (AVs). However, efficiently managing the sharing and processing of large volumes of sensing data presents challenges due to restricted communication and computation resources. This study introduces an integrated sensing, communication, and computation (ISCC)-based task offloading and resource allocation (ITORA) framework, which optimizes cooperative perception by determining what data to share, which vehicles to involve, and how to process the data effectively. We develop an information value function to evaluate the data quality for each vehicle. Subsequently, we design strategies for sensing task allocation, task offloading, and resource allocation to enable value-driven data selection at a subregion level, facilitating collaborative computing among edge servers and vehicles. Additionally, we formulate an optimization problem aimed at maximizing information value while minimizing delay and energy consumption, subject to constraints on a full region of interest (RoI) coverage, delay, wireless bandwidth, and computational resources. We decompose the mixed-integer nonlinear programming (MINLP) problem into two subproblems, devising a sensing task allocation algorithm and a proximal policy optimization (PPO)-based task offloading and resource allocation (PTORA) algorithm to address them. Comprehensive simulations validate the effectiveness of the proposed PTORA in optimizing information value, reducing task execution delay, and minimizing energy consumption.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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