面向协同数据融合的车联网感知吞吐量最大化
人工智能
2025-04-29 v2
摘要
连接和自主车辆（Connected and Autonomous Vehicles, CAVs）因其扩展的感知范围和增强的探测覆盖范围而受到广泛关注。为解决盲点和阻塞等挑战，CAVs采用车联网（Vehicle-to-Vehicle, V2V）通信来汇聚来自周围车辆的感应数据。然而，协同感知常受可实现网络吞吐量和信道质量的限制。本文提出一种信道感知的吞吐量最大化方法，用于促进CAV数据融合，利用自监督自编码器实现自适应数据压缩。我们将问题建模为混合整数规划（Mixed Integer Programming, MIP）模型，并将其分解为两个子问题，以在给定链路条件下导出最优数据速率和压缩比的解决方案。随后训练一个自编码器以最小化确定的压缩比下的比特率，并采用微调策略进一步减少频谱资源消耗。在OpenCOOD平台上的实验评估表明，我们提出的算法有效，相较于最先进的方法，网络吞吐量提高超过20.19%，平均精度（AP@IoU）提高9.38%，最优延迟为19.99 ms。
引用
@article{arxiv.2410.04320,
title = {Channel-Aware Throughput Maximization for Cooperative Data Fusion in CAV},
author = {Haonan An and Zhengru Fang and Yuang Zhang and Senkang Hu and Xianhao Chen and Guowen Xu and Yuguang Fang},
journal= {arXiv preprint arXiv:2410.04320},
year = {2025}
}