TSTNet: Temporal Semantic Transformer-Based Computing Power Network for Automatic Driving in the Internet of Vehicles
Notice bibliographique
Résumé
Automatic driving systems face critical challenges, including limited computational resources, complex data processing demands, and disruptions caused by high vehicular mobility, all of which hinder real-time decision-making and system accuracy. Existing solutions, such as edge computing and distributed architectures, partially address these issues but often fail to integrate semantic communication and mobility-aware optimizations. To tackle these challenges, we propose a temporal semantic transformer (TSTNet)-based edge computing network architecture (TSTNet) that enhances decision-making accuracy and reduces latency in automatic driving systems. TSTNet overcomes three key challenges in automatic driving. First, it efficiently utilizes limited computational resources by optimizing the processing of large-scale multimodal data through lightweight semantic extractors and attention-based feature integration, significantly reducing computational overhead. Second, it preserves semantic and behavioral continuity by ensuring seamless transitions of vehicle behavior and surrounding scene semantics during mobility and service handovers. This ensures consistent situational awareness even in highly dynamic vehicular environments. Third, TSTNet reduces decision-making latency by leveraging semantic inheritance to minimize redundant computations, enabling real-time performance and improving the reliability of driver-assist systems. Experimental results demonstrate that TSTNet improves task accuracy by over 90% while reducing decision-making latency by over 50% compared to conventional methods. This architecture offers a scalable, efficient, and robust solution to the computational and mobility challenges in automatic driving, enabling enhanced real-time adaptability in complex traffic scenarios.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».