[论文解读] Semantic Communication for Internet of Vehicles: A Multi-User Cooperative Approach

Wenjun Xu, Yimeng Zhang+4 more|arXiv (Cornell University)|Dec 6, 2022

IoT and Edge/Fog Computing被引用 5

一句话总结

本文提出了一种用于车联网（IoV）的协作语义通信（Co-SC）架构，通过利用多用户语义相关性来减少数据流量和无线资源使用。通过联合优化语义编码与协作式联合源信道编码，Co-SC在低信噪比（SNR）环境下表现出优越性能，与传统方法相比，传输开销最高可降低99.9%，同时提升了语义重建质量和图像检索准确率。

ABSTRACT

Internet of Vehicles (IoV) is expected to become the central infrastructure to provide advanced services to connected vehicles and users for higher transportation efficiency and security. A variety of emerging applications/services bring explosively growing demands for mobile data traffic between connected vehicles and roadside units (RSU), imposing the significant challenge of spectrum scarcity to IoV. In this paper, we propose a cooperative semantic-aware architecture to convey essential semantics from collaborated users to servers for lowering the data traffic. In contrast to current solutions that are mainly based on piling up highly complex signal processing techniques and multiple access capabilities in terms of syntactic communications, this paper puts forth the idea of semantic-aware content delivery in IoV. Specifically, the successful transmission of essential semantics of the source data is pursued, rather than the accurate reception of symbols regardless of its meaning as in conventional syntactic communications. To assess the benefits of the proposed architecture, we provide a case study of the image retrieval task for vehicles in intelligent transportation systems. Simulation results demonstrate that the proposed architecture outperforms the existing solutions with fewer radio resources, especially in a low signal-to-noise-ratio (SNR) regime, which can shed light on the potential of the proposed architecture in extending the applications in extreme environments.

研究动机与目标

• 为解决由联网车辆和路侧单元（RSUs）引发的移动数据爆炸性增长所导致的IoV频谱稀缺问题。
• 克服传统句法通信方式传输冗余且与语义无关数据的低效性。
• 利用多辆车辆之间的语义相关性，最小化传输开销而不牺牲通信有效性。
• 设计一种协作式、语义感知的架构，联合优化源编码与信道编码，以提升车载网络的鲁棒性与效率。
• 在智能交通系统等真实IoV应用场景（如图像检索）中，证明语义通信的可行性和优越性。

提出的方法

• 提出一种协作语义通信（Co-SC）架构，仅从多辆车辆中提取并传输关键语义信息至中心服务器。
• 引入一种协作式联合源信道（JSC）编码方案，联合编码用户间的语义特征，以消除冗余并利用用户间的语义相关性。
• 采用基于深度学习的语义编码器/解码器，从图像中提取与任务相关的特征（如车辆身份），过滤掉无关的背景信息。
• 使用共享无线信道进行协同传输，使接收端能够以更强的抗噪声能力重建各用户个体的语义信息。
• 设计一种语义编码与信道编码的联合优化框架，以最小化失真并降低无线资源使用。
• 通过基于真实无线信道模型的智能交通系统图像检索案例研究，验证该架构的有效性。

实验结果

研究问题

• RQ1 与传统句法传输相比，协作语义通信是否能在多用户IoV场景中显著降低数据流量？
• RQ2 在低信噪比（SNR）条件下，利用用户间语义相关性如何提升系统性能？
• RQ3 语义感知传输在保持或提升任务准确率的前提下，能在多大程度上减少无线资源消耗？
• RQ4 与独立传输相比，协作式JSC编码方案如何提升语义重建的鲁棒性？
• RQ5 在图像检索任务中，Co-SC相较于现有语义通信与传统通信方法的性能增益如何？

主要发现

• Co-SC将平均传输符号数从~310,000（JPEG+LDPC+BPSK）和~260,000（SoftCast）降低至仅16个符号，实现99.9%的数据流量减少。
• 在-3 dB SNR条件下，Co-SC的rank-1准确率比无融合的Co-SC高2.4%，mAP高8.3%，证明了语义融合的优势。
• 在低SNR环境下，协作式JSC解码器显著优于独立JSC解码器，且随着SNR增加，MSE下降速度更快。
• Co-SC在语义重建和图像检索性能方面优于深度学习语义通信（DL-S）与传统方法，尤其在低SNR条件下表现更优。
• 所提出的架构在极低无线资源消耗下仍保持高性能，证明其在恶劣信道质量环境下的有效性。
• 系统表明，可在不增加额外传输开销的前提下利用语义级相关性，从而提升系统鲁棒性与效率。