메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터

주제분류

사회과학
경영학 경제학 관광학 교육학 군사학 무역학 문헌정보학 법학 사회과학일반 사회복지학 사회학 신문방송학 심리과학 정치외교학 지리/지역개발학 지역학 행정학
공학
건축공학 공학일반 기계공학 산업공학 자원/재료공학 전자/제어계측공학 전자/정보통신공학 조선/해양공학 컴퓨터학 토목/환경공학 항공우주공학 화학/생물공학
자연과학
물리학 생물학 생활과학 수학/통계학 자연과학일반 전문/지구과학
의약학
간호학 수의학 약학 의학 의학일반 치의학 한의학
인문학
독일어문학 러시아어문학 문학 언어학 역사학 영어문학 인문학일반 일본어문학 종교학/신학 중국어문학 철학 프랑스어문학 한국어문학
예술체육학
건축 디자인 무용 미술 미용 사진 연극 영화 예술체육학일반 음악 의상 체육
농수해양학
농수해양학일반 농학 수산학 식품과학 임학 축산학 해상운송학
복합학
과학기술학/기술정책 뇌/인지과학 여성학 학제간연구

정기구독(개인)

소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.

회원혜택

로그인 회원이 가져갈 수 있는 혜택들을 확인하고 이용하세요.

아카루트

학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.

영문교정

영문 논문 작성에 도움을 드리기 위해, 영문 교정 서비스를
지원하고 있어요.
고객센터 제휴문의

...

저널정보

저자정보

표지
이용수
내서재
0
내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

초록·키워드

오류제보하기
차량 대 차량(V2V) 통신은 지리적 위치, 제동 정보, 속도, 회전 신호 상태 및 주행 방향 등 다양한 안전메시지를 송수신한다. 안전메세지 전송을 위한 통신 프로토콜은 전용단거리통신(DSRC)이며, DSRC는 통신범위 제한으로 다중 홉을 이용하여 차량에 메시지를 전송한다. 본 논문은 V2V로 구성한 네트워크에서 기계학습을 이용하여 다중홉 연결 커버리지를 확장하는 방법을 제안한다. 먼저 심층콘볼루션신경망(DCNN)을 이용하여 다양한 환경으로 구성된 V2V 네트워크의 무선채널을 학습하고 각 환경에 적합한 전파 모델을 이용한다. 무선채널을 세분화한 후 Q-러닝을 이용하여 전파 손실이 가장 적은 최적의 다중 홉 경로를 찾음으로써 V2V 안전메세지 전송 커버리지를 확장한다.

One of the most critical challenge in a vehicle-to-vehicle (V2V) scenario is the transmission safety messages (BSMs) e.g., geographical location, braking information, speed, the status of the turn signal, and direction of travel. The protocol adopted to transmit BSMs in V2V is refered as Dedicated Short-Range Communications (DSRC). The limited communication range of DSRC have shown that is necessary to employ a multi-hop communication strategy to reach as many target vehicles as possible. In this paper, we overcome the coverage limitation of multi-hop connectivity in V2V networks and propose a methodology consisting of two machine learning (ML) tasks. First, two deep convolutional neural networks (DCNN) are created and tuned to segment terrestrial imagery into different environments. The multi-environments are anticipated to have different propagation models. The second part uses a Q-learning algorithm to find the optimal multi-hop path with the lowest propagation loss, based on the results of the environment segmentation. The optimal multi-hop link is simulated and compared with a direct link transmission, showing that our proposal can extend the coverage of multi-hop wireless links by transmitting the BSMs via the optimum path.
#Vehicle-to-vehicle #machine learning #Q-learning #multi-hop #wireless coverage

목차

요약
ABSTRACT
Ⅰ. Introduction
Ⅱ. Proposed Methodology
Ⅲ. Simulation Results and Discussion
Ⅳ. Conclusions and Future Work
References

참고문헌 (13)

참고문헌 신청
M. E. Morocho-Cayamcela and W. Lim, “Finding the optimal path for V2V multi-hop connectivity with Q-learning and Convolutional Neural Networks,” in Proc. KICS Int. Conf. Commun., Jun. 2019. google schola G. Karagiannis, et al., “Vehicular networking: A survey and tutorial on requirements, architectures, challenges, standards and solutions,” IEEE Commun. Surv. Tuts., vol. 13, no. 4, pp. 584-616, 2011. google schola R. He, et al., “Vehicle-to-vehicle radio channel characterization in crossroad scenarios,” IEEE Trans. Veh. Technol., vol. 65, no. 8, pp. 5850- 5861, Aug. 2016. google schola W. Song, F. Zeng, J. Hu, Z. Wang, and X. Mao, “An unsupervised-learning-based method for multi-hop wireless broadcast relay selection in urban vehicular networks,” IEEE Veh. Technol. Conf., Sydney, NSW, Australia, 2017. google schola N. Taherkhani and S. Pierre, “Centralized and localized data congestion control strategy for vehicular ad hoc networks using a machine learning clustering algorithm,” IEEE Trans. Intell. Transp. Syst., vol. 17, no. 11, pp. 3275- 3285, Nov. 2016. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2020-567-000409725