Towards Decentralized Predictive Quality of Service in Next-Generation Vehicular Networks

要約

遠隔操作の運転シナリオで安全を確保するには、車両とリモート ドライバー間の通信が、遅延と信頼性の厳しい要件を満たす必要があります。
これに関連して、予測サービス品質 (PQoS) は、サービス品質 (QoS) の予期しない低下を予測し、それに応じてネットワークが対応できるようにするツールとして調査されました。
この作業では、車両ネットワークに PQoS を実装するための強化学習 (RL) エージェントを設計します。
そのために、無線アクセス ネットワーク (RAN) やエンド ビークルで収集されたデータ、および QoS 予測に基づいて、当社のフレームワークは、低遅延と信頼性の制約の下で自動車データを送信するための最適な圧縮レベルを特定できます。
.
集中学習、完全分散学習、連合学習など、さまざまな学習スキームを検討しています。
ns-3 シミュレーションを介して、集中型学習は一般に他のソリューションよりも優れていますが、分散型学習、特にフェデレーション型学習は、収束時間と信頼性の間で適切なトレードオフを提供し、プライバシーと複雑さの面でプラスの影響を与えることを示しています。

要約(オリジナル)

To ensure safety in teleoperated driving scenarios, communication between vehicles and remote drivers must satisfy strict latency and reliability requirements. In this context, Predictive Quality of Service (PQoS) was investigated as a tool to predict unanticipated degradation of the Quality of Service (QoS), and allow the network to react accordingly. In this work, we design a reinforcement learning (RL) agent to implement PQoS in vehicular networks. To do so, based on data gathered at the Radio Access Network (RAN) and/or the end vehicles, as well as QoS predictions, our framework is able to identify the optimal level of compression to send automotive data under low latency and reliability constraints. We consider different learning schemes, including centralized, fully-distributed, and federated learning. We demonstrate via ns-3 simulations that, while centralized learning generally outperforms any other solution, decentralized learning, and especially federated learning, offers a good trade-off between convergence time and reliability, with positive implications in terms of privacy and complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google