Precision-Adaptive Task Offloading and Resource Allocation for Efficient Positioning and Sensing in Near-Field IoV Systems
Notice bibliographique
Résumé
With the rapid advancement of sixth-generation (6G) network communication technology, improvements in data transmission rates, latency, and reliability have driven substantial growth in Internet of Vehicles (IoV) applications. Among these, the integration of 6G-enabled extremely large-scale antenna arrays (ELAAs) has extended the range of near-field (NF) communication, enabling their application in IoV to facilitate efficient and accurate environmental sensing. Through NF communication, vehicles can achieve high-accuracy localization and perception by analyzing the signal phase, channel state information, and beamforming calculations. However, positioning and sensing tasks place substantial computational and energy demands on edge devices, often exceeding traditional capacity limits. To address this challenge, task offloading has emerged as a solution, with mobile edge computing (MEC) offering a lower-latency alternative to centralized cloud computing by processing tasks at the network edge. Despite these advantages, MEC’s limited resources present challenges as the number of connected vehicles increases. Existing approaches to resource allocation often overlook the varied accuracy requirements of IoV tasks, where high-accuracy tasks like indoor navigation require stringent performance standards, while lower-accuracy tasks may tolerate reduced precision to save resources. Motivated by this, we propose an accuracy-based classification scheme for IoV positioning and sensing tasks, which dynamically adjusts accuracy requirements to reduce delay and energy consumption. Our approach maps total energy, accuracy loss, and delay to an overall quality of service (QoS) metric, and employs an optimization algorithm that leverages gradient descent and greedy strategies to balance resource allocation and accuracy selection. Extensive simulations demonstrate the effectiveness of the proposed scheme in reducing delay and energy consumption while maintaining high accuracy, significantly outperforming benchmark strategies.
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 | 0,001 | 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 ».