[论文笔记]Combining V2I with V2V Communications for Service Continuity in Vehicular Networks

车辆网络中,因为RSU部署成本高,所以应期待RSU可以尽可能稀疏部署,另一方面因为RSU覆盖范围有限,因此两个相邻的RSU之间存在一定的未覆盖区域,当车辆在这些区域内过度时服务将会被中断。为此,本文提出了一种结合V2V的V2I通信方法,这是一种车辆间多跳转发方法,当车辆离开一个RSU的覆盖范围时,将搜索来自后一个邻车的最远转发器,如果该转发器也未被BS覆盖,则对邻车使用相同的策略形成一个连接到某个RSU覆盖范围的多跳路径。因此,总会有一个通过V2V通信的多跳链路可以到达未覆盖区域的车辆。本文推导了目标车辆的平均吞吐量和平均服务中断次数的解析表达式,并通过仿真验证了相比单一V2I网络性能的提升。

概要

从V2I出发,提出结合V2V辅助V2I(蛮符合我的需求的),当V无法与I通信时,通过多跳V2V维持V与I的通信。文章首先列举了三个已有的数据转发机制,然后提出自己的机制:让同向的 在上一个RSU范围内的 最远的车做自己的中继,该车走到RSU覆盖外时用同样的机制找下一个中继。

性能分析方面,考虑两个指标:平均吞吐量和平均中断次数。平均吞吐量分成V2V和V2I在求和,影响因素考虑平均信息传输速率、包被V接收的成功率。平均中断次数=包不够大的概率*时间/一次中断的时长,总的平均中断次数为RSU内的平均中断次数+RSU外的平均中断次数。由此得解。

CODE;D


结论

本文解决了RSU覆盖范围外车辆通信中断的问题。提出了一种结合V2V的V2I方案,通过V2V的多跳转发,在保证服务连续性的前提下,最大限度提高目标车辆的接收数据吞吐量。我们得到了平均吞吐量和服务中断次数的解析表达式。数值结果表明,所提出的合作方案优于单独使用V2I通信的方案。

介绍

车辆网络中,有时需要为乘客提供多样化的信息娱乐服务(如社交网络和多媒体下载等),这就要求车辆网络中的通信具备较高的吞吐量。为满足上述要求,V2V和V2I通信是目前所使用的两种基本技术,但其各有弊端。V2V由于车辆移动性高、交通流的时变性强、不同路段通信环境差别大,其通常是不可靠的;V2I依赖RSU的支持,而RSU的部署和维护费用高使得在路边密集部署RSU有些困难,此外RSU的覆盖范围在0.5-0.6km不等,当车辆快速移动时会频繁到达无RSU覆盖的区域,由此造成的断连会很大程度影响用户的体验。

V2I与V2V之间的协同通信被称作V2X,其可以帮助通信实现连续服务因此受到了广泛关注。数据的转发机制是这方面的一个重点,[1]展示了一个使车辆与反方向的RSU和车进行协作的数据转发机制,使车辆的可达吞吐量得到了提高,但是因为两辆异向车道的车的接触时长很短,因此无法保持车辆的长时间链接,这限制了目标车辆的吞吐量。此外上述方法中数据需要先下载到中转再发给V也是弊端。当车辆超出了RSU覆盖范围时,断连对于延迟受限的服务(如在线视频和文件下载)是无法容忍的,为了最小化车辆的断连时间,[2]提出了协同存-携-转发(CSCF)机制,对于车A,选择同向形式的一辆车B的作为第一中继,数据从RSU通过B发送到A,通过RSU间合作,选择相反方向的另一辆车C作为第二中继为A服务。此方法仅适用于RSU密度较高的场景。高速公路的VANET使用同一方向的车组成大量内容传播的集群,如[3]中将沿同一直线运动的车视作一个链簇,每个链簇成员负责下载目标车辆从RSU请求文件的不同部分,离开RSU的覆盖范围后,链簇成员将下载的部分转发给目标车辆。这种方法中下载数据的量取决于链簇成员的数量,因此低车辆密度时效果不佳,此外在链簇成员向目标车辆传输数据的过程中发生的竞争和碰撞也会降低目标车辆的吞吐量。

针对以上工作的补足,我们设计了一个V2V辅助V2I通信的 在RSU部署不密集的高速公路场景下的 合作方案。具体来说,通过在V2V的多跳转发来扩展RSU覆盖外的V2I连接,本文主要贡献如下

  • 提出一种V2I和V2V协同的通信机制,能同时提高目标车辆的平均可达吞吐量又能保持服务的连续性。为了在RSU覆盖范围外构建一个能连接RSU的V2V多跳链路,目标车辆A首先搜索最远的车辆B作为第一中继,当A移出RSU覆盖范围时,向A的方向移动。这个中继将重复这个寻找中继的策略进而保持一个多条转发的路ing,支持目标车辆能始终维持与RSU的通信。
  • 提出一个分析模型,其可以研究V2I和V2V协同下的数据包的传输。[1]中的工作之分析了科大吞吐量和两个相邻RSU间距之间的关系,而没有考虑优其他车辆辅助的情况。本文模型展示了三个参数的相互作用,即 RSU间距、车辆的辅助意愿、目标车辆的缓存大小与数据包传输的关系。此外,优于信息娱乐应用对高吞吐量和服务连续性的要求,模型推到了平均吞吐量和平均服务中断次数的闭合表达式
  • 分析结果与仿真结果吻合较好,说明该方案具有平均吞吐量高、业务连续性好等优点。同时与V2I网络相比,本方案有明显改进

系统模型即问题陈述

网络模型

如上图我们考虑一个一维的网络拓扑结构,其中RSU稀疏地部署在一条双向路上,D为两个连续RSU的间距,每个RSU的平均覆盖直径为2R,假设道路的宽度与r相比可忽略不计,一个中心服务器与所有RSU通过有限backhaul连路相连。目标车辆V以v_V(m/s)匀速行驶。与此同时,与V同向的其他车辆以\rho(辆/m)部署,这些车以不同的速度行驶,其在行驶中也可以改变速度。由于只考虑每辆车的移动性,因此采用一些显示驾驶的约束条件的运动学方程模拟车辆的围观移动,比如:朝同一方向行驶的车辆速度被限制在[v_{min};v_{max}] ,车间距离被限制在安全距离s_{Safe}(m)和跟车距离之间s_{Follow}s_{Safe} < s_{Follow})。

设定研究对象为车辆V,其在基站U_n的覆盖范围内。此车辆通过U_n情求并下载存储在中央服务器上的文件。当VU_{n}的覆盖范围移动带

### V2V Perception Technology Overview Vehicle-to-Vehicle (V2V) perception technology refers to the ability of vehicles to communicate and share sensor data with one another, enabling enhanced situational awareness and improved safety on roads. This communication allows vehicles to exchange information about their surroundings, such as obstacles, traffic conditions, or potential hazards, thereby facilitating more informed decision-making processes within autonomous driving systems. The fundamental architecture supporting this type of interaction often involves deep learning models that process large amounts of sensory input from cameras, LiDARs, radars, etc., which can be visualized using structures similar to those depicted in figures describing convolutional neural networks[^1]. These architectures are designed to extract meaningful features from raw sensor inputs efficiently. Moreover, datasets used for training these advanced algorithms may come from specialized sources like the Terravic Research Infrared Database mentioned earlier[^2], providing diverse scenarios under various environmental conditions necessary for robust model development. In practice, implementing effective V2V perception requires addressing several technical challenges including but not limited to synchronization between different vehicular sensors across multiple platforms while ensuring privacy protection during inter-vehicle communications. ```python import numpy as np def v2v_perception(data_stream_vehicle_a, data_stream_vehicle_b): """ Simulates basic processing step where two vehicles' sensor streams interact. Parameters: data_stream_vehicle_a : array-like object representing vehicle A's observations data_stream_vehicle_b : array-like object representing vehicle B's observations Returns: combined_features: processed feature set combining both vehicles’ perspectives """ # Example operation showing fusion at high level without specifics fused_data = np.concatenate((data_stream_vehicle_a, data_stream_vehicle_b), axis=0) # Further steps would involve feeding into CNN layers resembling Fig 2 structure [^1]. pass combined_features = None return combined_features ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值