vehicle-to-everything
PulseAugur coverage of vehicle-to-everything — every cluster mentioning vehicle-to-everything across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
乌克兰将美国武器重新用于“赛博朋克”改编的无人机战争
乌克兰正展现出非凡的创造力，将其先进的美国武器重新用于当前的无人机主导冲突，这种现象被描述为“赛博朋克战争”。这包括将AGM-114地狱火导弹等高科技系统（最初设计用于反坦克作战）改编为STASH等反无人机系统。此外，“标枪”导弹的可重复使用的指挥发射单元（CLUs）配备了热成像仪，正被特种部队独立用于侦察和目标侦测。
-
新框架提升智能交通系统的AI安全性
研究人员开发了一个名为分层多尺度语义感知协同感知（HMS-SCP）的新框架，以提高智能交通系统的安全性和效率。该框架通过使用空间重要性预测器和联合信源信道编码（JSCC）来减少数据传输需求，从而解决了协同感知中的带宽限制问题。HMS-SCP旨在抵抗信道噪声，即使在恶劣条件下也能保持性能，确保安全关键功能的低延迟。
-
新框架统一自动驾驶汽车的感知与预测
研究人员开发了一个协同联合感知与预测（Co-P&P）框架，旨在增强网联自动驾驶汽车（CAVs）的态势感知能力。该方法统一了协同感知与运动预测，以解决累积感知误差和视觉遮挡等问题。实验表明，检测或跟踪级别的融合比预测级别的融合效果更好，并且一个原型机证明，即使通过RENO进行神经压缩，协同预测也能显著提高准确性，同时将通信带宽减少约34倍。
-
新型 Guarded-V2X 架构保护车辆通信中的 LLM
研究人员开发了 Guarded-V2X，这是一种旨在保护车辆到一切 (V2X) 通信系统中使用的语言大模型 (LLM) 的新型架构。该系统解决了传统 V2X 安全措施所忽略的提示级漏洞。Guarded-V2X 包含多层防御，包括入口过滤、安全分类器、策略约束生成和可信检索，以在执行决策前强制执行安全边界。评估表明，Guarded-V2X 在不影响实时性能的情况下，显著降低了入侵的成功率，并消除了对抗性场景中的不安全完成。
-
新研究解决V2X协同感知的域适应问题
两篇新研究论文介绍了用于协同感知系统（特别是车联网（V2X）应用）的域泛化自适应语义通信的先进技术。第一篇论文RSTA，通过在训练期间使用跨域原型对齐和跨通道梯度一致性，并部署轻量级适配器，来适应观测域偏移和未知的无线信道条件。第二篇论文FlowAdapt，通过采用最优传输来改进帧选择，并逐步将知识从网络的早期阶段转移到更深的阶段，从而解决了V2X参数高效微调中的瓶颈问题。这两种方法都旨在以最少的训练参数和无需代理间同步来提高性能。
-
新方法确保关键物联网系统实时安全
一篇新论文介绍了一种名为 OCO-PAoI-Hard 的方法，通过保证信息年龄 (AoI) 保持在硬截止时间以下，来确保关键物联网系统的实时安全性。该方法通过在对抗性条件下运行并实现 AoI 状态的零每时隙违规，解决了先前方法的局限性。该方法将硬实时调度转化为受约束的在线凸优化问题，利用因果提议-屏蔽-更新循环，通过欧几里得投影强制执行可行性并保持无悔行为。
-
新的XET-V2X框架通过多模态融合增强自动驾驶感知
研究人员开发了XET-V2X，一个用于自动驾驶端到端3D时空感知的创新框架，该框架集成了多模态传感和车联网（V2X）协作。该系统利用双层空间交叉注意力模块有效对齐异构视角和模态，增强语义一致性并实现跨模态交互。在V2X-Seq-SPD数据集和模拟子集上的实验显示出显著的性能提升，XET-V2X在mAP和AMOTA方面比基线方法提高了15-20%，尤其是在通信延迟变化的情况下。
-
New MINT-V2X dataset integrates vehicle mobility and network data
研究人员推出 MINT-V2X，一个旨在通过整合移动性和无线网络参数来弥合车联网（V2X）通信研究差距的新数据集。该综合数据集是通过结合 SUMO 的交通模拟和 OMNeT++/Simu5G 的网络模拟生成的，符合 3GPP Release 14 和 ETSI 标准。MINT-V2X 包含来自 1,386 辆汽车的超过 987 万个同步数据点，提供了真实的城市交通场景。通过路侧单元负载预测的案例研究证明了该数据集的实用性，显示出在纳入…
-
新框架支持AI驱动的6G系统的实时风险评估
本文介绍了GIRAF，一个为AI驱动的6G系统设计的实时风险管理治理即代码（Governance-as-Code）框架。GIRAF通过分析置信度水平和网络延迟等运行时信号来量化风险，解决了传统静态治理模型在动态环境中的挑战。该框架旨在为6G生态系统内的责任归属和动态保险费计算提供精算基准。
-
图网络优化车载通信中继选择
研究人员开发了一种新颖的方法，使用带边特征的图同构网络（GINE）来解决NR-V2X车载通信中继选择的复杂优化问题。该方法将V2X快照建模为有向图，并结合车辆状态、交通需求和无线链路容量，以实现实时中继激活。实验表明，GINE与最优解非常接近，并在保持低推理延迟的同时显著提高了端到端连接性。
-
新研究通过紧凑骨干网络和视觉模型增强三维检测 · 跟踪4个来源
两篇新研究论文介绍了通过更有效地集成激光雷达和相机数据来增强自动驾驶中三维目标检测的新方法。DeGuNet提出了一种专为深度引导学习设计的超紧凑图像骨干网络，将内存消耗降低高达66.5%，并提高推理速度，同时提升mAP增益。ViCo3D利用DINOv2等视觉基础模型从激光雷达数据中提取更丰富的语义先验，改善车联网系统中的协同感知，并取得最先进的成果。
-
AI框架提升交通系统碰撞预测能力
研究人员开发了一种新颖的时空语义V2X框架，旨在改进智能交通系统中的碰撞预测。该框架利用视频联合嵌入预测架构（V-JEPA）生成未来交通场景的语义嵌入，然后通过V2X链路传输给车辆。通过仅发送这些语义嵌入而非原始视频数据，该系统显著降低了通信开销，同时提高了预测精度。实验表明，碰撞预测的F1分数提高了10%，传输需求减少了四个数量级。
-
用于 5G/6G 网络中具有截止时间意识的 V2X 调度的微型 LLM 代理
研究人员开发了 Agentic-V2X，这是一种利用微型语言模型进行 5G/6G 网络中具有截止时间意识的车辆到一切 (V2X) 调度的创新架构。该系统采用本地部署的微型语言模型来创建周期性策略，然后由轻量级控制器进行验证和执行。该框架旨在通过确保策略的有效性和安全性来解决大型语言模型在实时网络调度中的局限性，在关键可靠性指标方面表现具有竞争力，但总体上并未超越最强的静态策略。
-
提出使用轻量级 LLM 代理进行 5G/6G 网络中具有截止时间意识的 V2X 调度
本文介绍了 Agentic-V2X，一个旨在利用轻量级语言模型为 5G/6G 网络中的具有截止时间意识的车辆到一切 (V2X) 调度设计的架构。该系统采用一个小型本地语言模型来生成策略，然后由一个轻量级控制器进行验证和执行。使用 ns-3/ns3-ai 进行的评估表明，Agentic-V2X 可以生成有效的策略并在关键可靠性场景中保持有竞争力的性能，尽管它并不总是优于最强的静态策略。
-
新的V2X协同感知框架通过混合测试得到验证
研究人员为车联网（V2X）协同感知（CP）系统开发了一种新的概率框架和混合验证方法。该方法使用贝叶斯融合算法创建共享的概率占用网格，通过整合来自多个代理的数据来增强联网和自动驾驶汽车的态势感知能力。该框架结合了CARLA模拟和车辆在环测试，以弥合虚拟和现实世界评估之间的差距。在环岛场景中的实验显示，视场覆盖范围显著增加，占用单元召回率得到提高，支持了合作式自动驾驶汽车的安全部署。
-
V2X协同感知通过混合仿真和真实世界测试得到验证
研究人员为车联网（V2X）协同感知（CP）系统开发了一种新的概率框架和混合验证方法。该方法使用贝叶斯融合算法整合来自多辆汽车的传感器数据，创建一个包含占用概率和不确定性的共享占用网格。这扩展了自动驾驶汽车的感知范围，使其超越了直接视线。结合CARLA仿真和车在环实验的混合测试框架被用来验证该系统，结果显示在环形交叉路口等复杂场景下，视野覆盖范围和占用单元召回率显著提高。
-
新的 CooperScene 数据集对具有 C-V2X 的多智能体自主性进行基准测试
研究人员推出了 CooperScene，这是一个旨在评估车联网和自动驾驶汽车 (CAVs) 中协同自主性的新数据集。该数据集通过纳入通信带宽动态、多样化传感和多智能体可扩展性等现实世界因素，解决了现有基准测试的局限性。CooperScene 包含具有多个 CAV 和路侧单元的高保真场景，配备多模态传感器和 C-V2X 通信，提供详细的注释和通信表征，以进行严格的性能评估。
-
QuantV2X系统在车辆感知方面实现3.2倍低延迟
研究人员推出QuantV2X，一个新颖的多智能体系统，专为车辆高效协同感知而设计。该系统对神经网络模型和传输消息进行全量化处理，显著降低了计算和传输成本，同时不牺牲准确性。与全精度系统相比，QuantV2X实现了3.2倍的系统级延迟降低和mAP30的显著提升，使其更适合实时、资源受限的环境。
-
DinoLink框架大幅降低V2X感知带宽需求
研究人员推出DinoLink，一个新颖的框架，旨在压缩在严格带宽限制下运行的车联网（V2X）感知系统中的表示数据。该方法用离散语义通信取代原始像素数据的传输，实现了车辆与云之间的协同推理。DinoLink采用双稀疏架构，修剪背景Token并将特征量化为紧凑索引，从而在窄带环境中显著降低比特率并加快处理速度。
-
新的CABLE框架提高了V2X系统中LMM的效率
研究人员开发了CABLE，一个旨在提高大型多模态模型（LMM）在车联网（V2X）系统中效率的新框架。该系统通过仅将感兴趣区域（ROIs）的遮蔽部分从边缘设备上传到云端，而不是上传完整分辨率的帧，从而减少了通信开销和云端延迟。CABLE利用先前的分割掩码、自身运动补偿和残差运动线索来定义这些ROIs，在云端和边缘之间创建了一个反馈循环。在多个数据集上的实验表明，在检测质量略有下降的情况下，通信节省显著，LMM预填充速度得到提高。