机构名称：
¥ 1.0
摘要 - 连接的车辆（CVS）在连续的大数据传输方面面临重大挑战，导致较高的传输带宽成本和影响实时决策。为了解决这个问题，我们提出了基于强化学习和时间压缩感知的两种动态驾驶感知机制，以智能压缩视频数据。这些机制适应驾驶条件，减少带宽，同时保留足够的信息以进行准确的应用，例如对象检测并确保在需要时确保高质量的重建。我们还实施了一个集成这些机制的车辆边缘库云（VEC）闭环框架。具体来说，轻巧的车辆模型对压缩数据（测量）进行实时检测，而Edgeserver则在需要时接收测量并重建场景。然后将测量结果，重建视频和分析结果发送到云中以进行车辆模型更新。与传统方法不同，我们的框架无缝地适应了跨车辆，边缘服务器和云，从而支持有效的数据传输和动态模型更新。在我们设计的路边单元平台和机器人车辆上进行了广泛的评估，这些车辆配备了行业级传感器和计算单元。结果表明，与非自适应测量值相比，在320kb/s的带宽下降低了18倍，同时保持高检测精度和重建质量，突出了该框架对CVS的有希望的现实世界应用。
连接车辆的有效数据传输框架
主要关键词
相关文件推荐
