Augmentierte Intelligenz der Dinge für die sichere Trajektorienvorhersage und Aufgabenverlagerung von Einsatzfahrzeugen

Die Augmentierte Intelligenz der Dinge (AIoT) kombiniert Algorithmen der augmentierten Intelligenz mit den riesigen Daten, die von IoT-Geräten gesammelt werden, und ermöglicht fortschrittlichere Entscheidungen. Die typische Anwendung von AIoT ist das Edge-Computing (EC), das rechnerische und Speicherressourcen am Rand bereitstellt, um die Entscheidungsfindung von Fahrzeugen für Rechenaufgaben zu unterstützen. Mit der Entwicklung von EC hat sich die Aufgabenverlagerung zu einem vielversprechenden Paradigma entwickelt, um zeitkritische Aufgaben von ressourcenbegrenzten Fahrzeugen, wie z.B. Einsatzfahrzeugen, durch den Einsatz an Straßenrand-Einheiten (RSUs) zu unterstützen. Allerdings wird die Effektivität der Aufgabenverlagerung für Einsatzfahrzeuge durch die Aktualität der Trajektoriendaten und die Sorge um den Standort des Fahrzeugs beeinträchtigt. Daher führt diese Studie ein sicheres Aufgabenverlagerungsschema ein, das auf der Echtzeitttrajektorienvorhersage basiert, genannt STODRL. Zunächst schlägt diese Studie eine Methode zur zeitlichen differentiellen Privatsphäre vor, um die Standortinformationen von Fahrzeugen zu stören, um einem böswilligen Diebstahl zu entgehen. Zweitens wird eine Vorhersagemethode für Fahrzeuggtrajektorien unter Verwendung des zeitlichen Faltungsnetzwerks (TCN) entworfen, um die Präzision der Aufgabenverlagerung zu verbessern, indem ergänzende Trajektorieninformationen bereitgestellt werden. Darüber hinaus verwendet das Schema eine Methode des verstärkenden Lernens, um Rechenanfragen effektiv zu verlagern und dimensionale Katastrophen zu vermeiden. Simulierte Ergebnisse bestätigen, dass das STODRL die bestehenden Methoden übertrifft, indem es die Verzögerungen bei der Aufgabenabschließung erheblich reduziert und die Sicherheit der Standortinformationen gewährleistet.