Federated Multiagent Reinforcement Learning for Resource Allocation in NR-V2X Mode 2
Notice bibliographique
Résumé
The Third Generation Partnership Project (3GPP) introduced cellular vehicle-to-everything (C-V2X) for vehicular communications. In the standard, C-V2X Mode 4 is defined for the distributed resource selection. Subsequently, in 3GPP Release 16, NR-V2X is introduced with Mode 1 and Mode 2 for vehicular communications. Likewise C-V2X Mode 4, NR-V2X Mode 2 is used for decentralized resource scheduling. The vehicles select the resources based on their local observations by utilizing the semi-persistent scheduling (SPS). Since, the vehicles select the resources based on the local observation, sensing nature of SPS is challenged by the hidden node problem that lead to resource conflict. To resolve the contention, 3GPP also introduced the physical sidelink feedback channel (PSFCH) to assist the distributive resource scheduling based on the receiver feedback. However, this incurred a signaling overhead. In this work, federated learning is exploited for distributive training via offline method and distributive multiagent-based resource scheduling is performed following the principles of NR-V2X Mode 2. Distributed training favors the model accuracy by accommodating the varying affect of the environment due to the high mobile dynamics. Simulation is conducted by integrating SUMO in conjunction with 3GPP NR-V2X standard. Performance results demonstrate a substantial improvement compared to other deep learning methods, where centralized training and random resource selection procedures are employed. This research marks a significant stride toward efficient and conflict-resilient resource allocation in vehicular communications.
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 | 0,000 | 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 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 ».