Can vehicles, infrastructure, and networks act as one system? Verizon Business’s Daniel Lawson discusses how vehicle-to-everything tech and edge computing are moving toward real-world safety,...

本研究提出V2X-LLM框架，旨在解决连接和自动化车辆与V2X数据集成的挑战。该框架利用大语言模型增强数据理解和实时分析能力，为交通管理提供决策支持，提高交通分析的准确性和安全性。

本研究提出了一种协作式LiDAR-4D雷达融合管道，利用V2X-R模拟数据集，解决了恶劣天气下V2X系统的3D物体检测问题。实验结果表明，该方法在雾天和雪天的性能显著提升，具有较大应用潜力。

本研究针对C-V2X编队系统中的资源分配问题，提出了一种语义感知的多模态资源分配方法（SAMRA），利用多智能体强化学习（MARL）进行优化。研究表明，SAMRA在提升通信质量和效率方面显著优于现有方法，能够确保关键数据优先传输，从而保障编队操作的安全高效。

本研究提出了一种基于V2X通信的分布式方案，解决自动化车辆在汇入口合并场景中的轨迹规划问题，降低了对中央控制器的依赖，提高了计算速度和系统安全性。

自动驾驶中准确的感知是关键。合作感知技术是解决方案，提升驾驶自动化系统性能。本文综述合作感知技术演进，重点关注车联网通信技术研究，提出基于车联网的合作感知工作流程框架，分析关键问题，探讨未来方向。

自动驾驶是下一代重要应用场景，无线接入技术对车辆通信至关重要。研究者提出了一种利用深度强化学习算法来优化能量消耗和信息时代的方法，并通过模拟实验证明了其性能。

车辆边缘计算是解决车辆网络生态系统中计算资源需求超过能力的解决方案。本文提出了一种基于MAD2RL算法的优化方法，通过划分DNN、任务卸载和资源分配来减少DNN任务完成时间。通过模拟车辆移动轨迹，证明该算法性能更优。

本文综述了联邦学习在自动化车辆中的应用进展，分析了关键特性和方法学，并讨论了数据来源、模型和数据安全技术的重要性。同时，探讨了联邦学习的特定应用和面临的挑战，并提出了提升效果和效率的潜在方向。

自动驾驶是车辆无需人类干预的能力，依赖传感器、算法和处理器来感知环境并行驶。V2X是未来智能交通系统的关键技术，实现车辆与车辆、车辆与基础设施之间的通信。车路协同是采用无线通信和互联网技术，实现车辆主动安全控制和道路协同管理。云计算、雾计算和边缘计算是自动驾驶中的重要概念。自动驾驶和车路协同有许多专业术语和缩写，如V2X、V2V、V2I等。

该论文提出了一种基于激光雷达和车联网技术的自动驾驶方法，通过融合激光雷达传感器和V2X通信数据来处理不完整的观测。采用无模型和离策略深度强化学习算法训练驾驶代理，提高驾驶任务和场景之间的泛化能力。实验结果表明，该方法在混合自治交通下提高了安全性和效率，并在未见过的场景中具有泛化能力。V2X通信的集成为自动驾驶车辆提供了更准确、更全面的驾驶环境感知和更安全、更稳健的驾驶行为。

该论文提出了一种基于激光雷达和车联网技术的自动驾驶方法，通过融合激光雷达传感器和V2X通信数据来处理不完整的观测。采用无模型和离策略深度强化学习算法训练驾驶代理，提高驾驶任务和场景之间的泛化能力。实验结果表明，该方法在混合自治交通下提高了安全性和效率，并在未见过的场景中具有泛化能力。V2X通信的集成为自动驾驶车辆提供了更准确、更全面的驾驶环境感知和更安全、更稳健的驾驶行为。

车联网 (V2X) 的协作感知对于自动驾驶至关重要。我们提出了一种新的无监督 sim2real 领域适应方法，名为 DUSA。实验证明了 DUSA 方法在从模拟 V2XSet 数据集到真实世界 DAIR-V2X-C 数据集的无监督 sim2real 领域适应任务中的有效性。

本研究引入AccidentGPT，一个综合事故分析和预防的多模态大型模型，通过多传感器感知提供全面的事故分析和预防方法，支持自动驾驶车辆、人驾驶车辆和交通管理机构的安全需求。该模型首次将全面场景理解融入交通安全研究。

该文介绍了一种名为 DUSA 的无监督 sim2real 领域适应方法，用于解决车联网的协作感知问题。该方法分解为 sim2real 领域适应和协同代理适应两个子问题，并设计了 LSA 和 CIA 模块来解决。实验证明了该方法的有效性。

该文介绍了一种新的协同三维物体检测框架，利用分布式传感器信息辅助自动驾驶系统感知，避免通信拥堵和性能受限问题。实验结果证明该方法可以节省通信和计算成本，并提高检测性能。