[论文解读] Deep Learning-aided Application Scheduler for Vehicular Safety Communication

Mohammad Irfan Khan, François-Xavier Aubet+2 more|arXiv (Cornell University)|Jan 25, 2019

Vehicular Ad Hoc Networks (VANETs)参考文献 14被引用 6

一句话总结

本文提出了一种基于深度学习的应用调度器，采用长短期记忆（LSTM）网络来预测IEEE 802.11p车载自组织网络中邻近车辆的传输模式。通过在时间和空间上学习并预测信道活动，车辆可在低活动时段调度传输，显著减少碰撞，并提升在高密度、动态环境下的安全消息接收率。

ABSTRACT

802.11p based V2X communication uses stochastic medium access control, which cannot prevent broadcast packet collision, in particular during high channel load. Wireless congestion control has been designed to keep the channel load at an optimal point. However, vehicles' lack of precise and granular knowledge about true channel activity, in time and space, makes it impossible to fully avoid packet collisions. In this paper, we propose a machine learning approach using deep neural network for learning the vehicles' transmit patterns, and as such predicting future channel activity in space and time. We evaluate the performance of our proposal via simulation considering multiple safety-related V2X services involving heterogeneous transmit patterns. Our results show that predicting channel activity, and transmitting accordingly, reduces collisions and significantly improves communication performance.

研究动机与目标

• 解决由于随机CSMA接入和隐性节点导致的802.11p车载自组织网络中持续存在的分组碰撞问题。
• 克服现有拥塞控制机制在高密度、动态车载环境中无法完全防止碰撞的局限性。
• 通过实现主动传输调度，提升安全关键广播消息的可靠性和接收概率。
• 通过机器学习实现去中心化、智能的调度，无需集中协调或协议修改。
• 证明预测邻居传输模式可在类似真实世界的V2X场景中带来可测量的性能提升。

提出的方法

• 在1跳邻居的历史传输模式上训练具有长短期记忆（LSTM）单元的循环神经网络（RNN）。
• 将邻近车辆的分组生成事件时间序列数据作为输入，以学习时间依赖性和传输规律。
• 基于学习到的邻居传输模式，预测本地车辆的未来信道活动（忙碌/空闲状态）。
• 在预测到的低活动时段安排本车的传输，以避免碰撞。
• 通过检测和预测原本会引发碰撞的隐性节点传输，将感知范围扩展至感知到的空闲时隙之外。
• 将基于预测的调度器集成到应用层，在不修改标准化ITS-G5 MAC层的前提下运行。

实验结果

研究问题

• RQ1 LSTM模型能否有效学习并预测动态V2X环境中邻近车辆的传输模式？
• RQ2 在高信道负载的802.11p车载网络中，预测信道活动在多大程度上可减少分组碰撞？
• RQ3 与标准CSMA接入相比，基于预测的调度如何提升安全相关V2X消息的接收比率？
• RQ4 在存在隐性终端的情况下，学习并预测隐性节点传输行为对整体网络性能有何影响？
• RQ5 在混合场景中，即同时存在学习节点与非学习节点时，系统性能如何扩展？

主要发现

• 基于LSTM的调度器通过在预测的低活动时段进行传输，显著减少了分组碰撞。
• 所提方法提升了安全消息的接收比率，尤其在高密度高速公路场景中表现突出。
• 预测隐性节点活动带来的性能增益最大，因为大多数碰撞源于未被检测到的隐性终端传输。
• 该方法在高信道负载下表现优于标准CSMA和DCC机制。
• 即使仅部分车辆采用基于学习的调度器，系统仍能保持高可靠性。
• 仿真结果证实，学习并预测邻居行为可实现去中心化V2X网络中共享无线介质的更高效利用。