Intelligent Reflective Surfaces Assisted Vehicular Networks: A Computer Vision-Based Framework
Notice bibliographique
Résumé
This paper addresses the challenges faced by 6G-enabled vehicular networks (V-Nets), including increasing road traffic, ultra-reliable and low latency communication, high data rates, and energy efficiency. The intelligent reflecting surface (IRS) is proposed as a solution to configure the propagation channel in a smart radio environment by adjusting phase shifts. However, designing IRS-assisted V-Nets that achieve ultra-reliability in dynamic and noisy communication is challenging due to the passive nature of the IRS and the limitations of deep reinforcement learning (DRL) methods. To overcome these challenges, this paper presents a computer vision (CV) enabled IRS framework for V-Nets, which combines a convolutional neural network and CV techniques. The framework utilizes real-time visual information to estimate and configure optimal beamforming for IRS-assisted V-Nets. Adapting to real-time network dynamics and intelligently guiding signals, the CV-IRS framework improves prediction accuracy to 95%, an achievable maximum rate of 11.2 bps/Hz with 100 IRS elements, and resource allocation efficiency of 88% with 10 vehicles. The simulation results demonstrate the superiority of the CV-IRS framework over benchmark schemes, making it a promising approach for the efficient configuration of IRS-assisted 6G V-Nets.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».