Internet of Vehicles
PulseAugur coverage of Internet of Vehicles — every cluster mentioning Internet of Vehicles across labs, papers, and developer communities, ranked by signal.
-
新型WGAN框架结合强化学习与博弈论，用于资源受限的车辆
研究人员开发了一个自适应多判别器 Wasserstein GAN (MD-WGAN) 框架，专为资源受限的车联网 (IoV) 环境设计。该框架整合了强化学习与博弈论，将机器学习工作负载作为网络服务进行管理，以应对动态拓扑和竞争性优化目标等挑战。该系统利用带有生成器和深度Q网络代理的路边单元来选择判别器并管理分布式训练，而博弈论协调则分配训练周期。在NGSIM轨迹数据上的评估表明，MD-WGAN实现了与最先进GAN相当的预测精度，同时显…
-
人工智能优化交通信号，减少延误和排放
研究人员开发了一个强化学习（RL）系统，用于优化城市交叉口的交通信号控制，特别是在支持物联网的环境中。该系统利用近端策略优化（PPO），根据当地交通状况动态调整绿灯时长，而无需预测未来的需求。在科威特的模拟显示，与固定时间控制相比，平均车辆延误显著减少（46%），二氧化碳排放量也减少了23%，这预示着智慧城市交通的潜力。
-
GANs提升车联网图像传输性能
研究人员开发了一种新的基于生成对抗网络（GAN）的语义通信框架，旨在提高车联网（IoV）中图像传输的效率和保真度。该框架根据驾驶安全优先考虑语义信息，并据此分配比特和设计损失函数。该系统旨在从损坏的语义标签中重建高质量图像，在Cityscapes数据集上，即使在加性高斯白噪声和瑞利信道等挑战性信道条件下，也比现有方法表现出更优越的性能。
-
HEART框架解决了车辆AI的多模型训练问题
研究人员开发了一个名为HEART的新框架，以解决车-边-云协同分层联邦学习（HFL）中多模型训练的挑战。该框架旨在最小化全局训练延迟并确保跨不同任务的资源均衡分配，这是一个复杂的NP-hard问题。HEART采用混合同步-异步聚合规则和涉及进化算法与贪婪法的两阶段方法来进行任务调度和优先级排序。实验表明，HEART在动态VEC-HFL环境中优于现有方法。
-
新框架优化面向能源受限车辆的联邦微调
研究人员为边缘辅助车联网（IoV）网络中的基础模型联邦微调开发了一个新框架。该方法解决了能源限制、多样化的任务需求和不稳定的网络连接等挑战。该系统将微调分解为基础设施级别的能源预算重新分配和车辆级别的能源受限在线学习，并利用一种名为UCB-DUAL的新型对偶对偶老虎机算法。
-
DAIRE AI模型提供车辆网络攻击的实时检测
研究人员开发了DAIRE，这是一种轻量级AI模型，旨在检测和分类车联网（IoV）中控制器局域网（CAN）的网络攻击。该框架利用了专门的人工神经网络（ANN）架构，该架构针对实时性能和降低计算负载进行了优化。DAIRE在实验中表现出高效，在基准数据集上实现了99.88%的检测率和99.96%的准确率，每个样本的分类时间仅为0.03毫秒。