Future Tele-operated Driving (ToD) applications place challenging Quality of Service (QoS) demands on existing mobile communication networks that are of highly important to comply with for safe operation. New remote control and platooning services will emerge and pose high data rate and latency requirements. One key enabler for these applications is the newly available 5G New Radio (NR) promising higher bandwidth and lower latency than its predecessors. In addition to that, public 5G networks do not consistently deliver and do not guarantee the required data rates and latency of ToD. In this paper, we discuss the communication-related requirements of tele-operated driving. ToD is regarded as a complex system consisting of multiple research areas. One key aspect of ToD is the provision and maintenance of the required data rate for teleoperation by the mobile network. An in-advance prediction method of the end-to-end data rate based on so-called Radio Environmental Maps (REMs) is discussed. Furthermore, a novel approach improving the prediction accuracy is introduced and it features individually optimized REM layers. Finally, we analyze the implementation of tele-operated driving applications on a scaled vehicular platform combined with a cyber-physical test environment consisting of real and virtual objects. This approach enables large-scale testing of remote operation and autonomous applications.


翻译:未来远程运行驱动(ToD)应用程序对现有的移动通信网络提出了挑战性服务质量(QOS)的要求,这些网络对于安全运行而言非常重要,因此对现有的移动通信网络提出了挑战性要求;新的远程控制和排排服务将出现,并提出了高数据率和高潜值要求;这些应用程序的一个关键推动因素是新提供的5G新电台(NR),其带宽和潜值都比其前身高;此外,公共5G网络没有始终如一地提供并且不能保证 ToD所需的数据率和延度。我们本文讨论了远程运行驱动的通信相关要求。对于远程驱动,被视为一个由多个研究领域组成的复杂系统。开发的一个重要方面是提供和维护移动网络远程运行所需的数据率。讨论了基于所谓的无线电环境地图的端对端数据率的升级预测方法。此外,我们采用了一种新颖的方法来提高预测准确性,并有个人优化的REM层。最后,我们分析了远程运行应用程序的落实情况,这是由多个研究领域组成的复杂系统运行虚拟驱动器。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11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
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9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
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22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
16+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014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
3+阅读 · 2012年12月31日
国家自然科学基金
1+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
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月19日
VIP会员
相关资讯
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22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
16+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014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
3+阅读 · 2012年12月31日
国家自然科学基金
1+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
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员