The performance of cooperative vehicular applications is tightly dependent on the reliability of the underneath Vehicle-to-Everything (V2X) communication technology. V2X standards, such as Dedicated Short-Range Communications (DSRC) and Cellular-V2X (C-V2X), which are passing their research phase before being mandated in the US, are supposed to serve as reliable circulatory systems for the time-critical information in vehicular networks; however, they are still heavily suffering from scalability issues in real traffic scenarios. The technology-agnostic notion of Model-Based Communications (MBC) has been proposed in our previous works as a promising paradigm to address the scalability issue and its performance, while acquiring different modeling strategies, has been vastly studied. In this work, the modeling capabilities of a powerful non-parametric Bayesian inference scheme, i.e., Gaussian Processes (GPs), is investigated within the MBC context with more details. Our observations reveal an important potential strength of GP-based MBC scheme, i.e., its capability of accurately modeling different driving behavioral patterns by utilizing only a limited size GP kernel bank. This interesting aspect of integrating GP inference with MBC framework, which has been verified in this work using realistic driving data sets, introduces this architecture as a strong and appealing candidate to address the scalability challenge. The results confirm that our proposed approach over-performs the state of the art research in terms of the required communication rate and GP kernel bank size.

中文翻译：

---

使用有限大小的高斯过程内核库表示真实的人类驾驶员行为

协同车载应用的性能紧密依赖于底层车对万物 (V2X) 通信技术的可靠性。V2X 标准，如专用短程通信 (DSRC) 和蜂窝 V2X (C-V2X)，在美国强制执行之前正在通过研究阶段，应该作为时间关键信息的可靠循环系统在车载网络中；然而，在实际交通场景中，他们仍然受到可扩展性问题的严重影响。基于模型的通信 (MBC) 的技术不可知概念已在我们之前的工作中提出，作为解决可扩展性问题及其性能的有前途的范例，同时获得不同的建模策略，已被广泛研究。在这项工作中，一个强大的非参数贝叶斯推理方案的建模能力，即高斯过程 (GPs)，在 MBC 上下文中进行了更多的细节研究。我们的观察揭示了基于 GP 的 MBC 方案的一个重要的潜在优势，即它通过仅利用有限大小的 GP 内核库来准确建模不同驾驶行为模式的能力。将 GP 推理与 MBC 框架集成的这一有趣方面已在这项工作中使用真实驾驶数据集进行了验证，将这种架构引入为解决可扩展性挑战的强大而有吸引力的候选者。结果证实，我们提出的方法在所需的通信速率和 GP 内核组大小方面优于最先进的研究。在 MBC 上下文中研究了更多细节。我们的观察揭示了基于 GP 的 MBC 方案的一个重要的潜在优势，即它通过仅利用有限大小的 GP 内核库来准确建模不同驾驶行为模式的能力。将 GP 推理与 MBC 框架集成的这一有趣方面已在这项工作中使用真实驾驶数据集进行了验证，将这种架构引入为解决可扩展性挑战的强大而有吸引力的候选者。结果证实，我们提出的方法在所需的通信速率和 GP 内核组大小方面优于最先进的研究。在 MBC 上下文中研究了更多细节。我们的观察揭示了基于 GP 的 MBC 方案的一个重要的潜在优势，即它通过仅利用有限大小的 GP 内核库来准确建模不同驾驶行为模式的能力。将 GP 推理与 MBC 框架集成的这一有趣方面已在这项工作中使用真实驾驶数据集进行了验证，将这种架构引入为解决可扩展性挑战的强大而有吸引力的候选者。结果证实，我们提出的方法在所需的通信速率和 GP 内核组大小方面优于最先进的研究。其仅利用有限大小的 GP 内核库来准确建模不同驾驶行为模式的能力。将 GP 推理与 MBC 框架集成的这一有趣方面已在这项工作中使用真实驾驶数据集进行了验证，将这种架构引入为解决可扩展性挑战的强大而有吸引力的候选者。结果证实，我们提出的方法在所需的通信速率和 GP 内核组大小方面优于最先进的研究。其仅利用有限大小的 GP 内核库来准确建模不同驾驶行为模式的能力。将 GP 推理与 MBC 框架集成的这一有趣方面已在这项工作中使用真实驾驶数据集进行了验证，将这种架构引入为解决可扩展性挑战的强大而有吸引力的候选者。结果证实，我们提出的方法在所需的通信速率和 GP 内核组大小方面优于最先进的研究。