The advances in the automotive industry with the ever-increasing request for Connected and Autonomous Vehicles (CAVs) are pushing for a new epoch of networked wireless systems. Vehicular communications, or Vehicle-to-Everything (V2X), are expected to be among the main actors of the future beyond 5G and 6G networks. However, the challenging application requirements, the fast variability of the vehicular environment, and the harsh propagation conditions of high frequencies call for sophisticated control mechanisms to ensure the success of such a disruptive technology. While traditional Radio Access Networks (RAN) lack the flexibility to support the required control primitives, the emergent concept of Open RAN (O-RAN) appears as an ideal enabler of V2X communication orchestration. However, how to effectively integrate the two ecosystems is still an open issue. In this position paper, we discuss possible integration strategies, highlighting the challenges and opportunities of leveraging O-RAN to enable real-time V2X control. Additionally, we enrich our discussion with potential research directions stemming from the current state-of-the-art and we give an overview of the simulation tools that can be employed to facilitate investigations on this topic


翻译:汽车工业的进步,对连通和自主车辆的要求不断增加,汽车工业的发展要求越来越强烈,这要求建立新的网络无线系统。预期汽车通信或车辆对一切(V2X)将是未来5G和6G网络之外的主要行为者之一。然而,具有挑战性的应用要求、车辆环境的迅速变化以及高频率的恶劣传播条件,要求建立尖端的控制机制,以确保这种破坏性技术的成功。传统无线电接入网络缺乏支持所需原始控制系统的灵活性,而开放RAN(O-RAN)的新兴概念似乎是V2X通信协调的理想推动者。然而,如何有效地整合这两个生态系统仍然是一个尚未解决的问题。在本立场文件中,我们讨论可能的整合战略,强调利用O-RAN实现实时V2X控制的挑战和机会。此外,我们用来自目前状态的潜在研究方向丰富了我们的讨论内容,我们概述了可以用来促进对这个专题进行调查的模拟工具。我们从目前状态中可以用来对模拟工具进行概括。</s>

0
下载
关闭预览

相关内容

专知会员服务
39+阅读 · 2020年9月6日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年5月4日
Arxiv
12+阅读 · 2018年9月5日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员