SwarmDrive：低时延协同驾驶中的语义车车通信

用于自动驾驶的云托管 LLM 推理增加了往返延迟，并且依赖于稳定的连接，而纯粹的本地边缘模型在遮挡下陷入困境。我们提出了 SwarmDrive，一种语义车辆对车辆 (V2V) 协调框架，其中附近的车辆运行本地小语言模型 (SLM)，仅在不确定性较高时共享紧凑的意图分布，并通过事件触发的共识将它们融合。我们在围绕一个遮挡交叉路口案例构建的 5 种子可执行研究中评估 SwarmDrive，将匹配的操作点比较与鲁棒性扫描相结合。在该设置中，SwarmDrive 在其 6G 通信设置（“Swarm 6G”）下将单个本地 SLM 的成功率从 68.9% 提高到 94.1%，同时将延迟从 510 毫秒云参考降低到 151.4 毫秒。然而，参与车辆数量的增加会导致更高的通信开销和数据包丢失。 SwarmDrive 还评估了群体大小、丢包和熵阈值扫描的影响，并表明协作增益在消融过程中保持不变，并且在当前原型中的活动群体大小为 4 辆车且熵触发阈值为 0.65 附近达到最佳平衡。这些结果表明，语义边缘协作可以在目标交叉情况下的严格延迟约束下工作，但它们并不是真正 6G 堆栈的部署级验证。