NS3Learn: Transferring 5G NR Mode-2 Reception Realism from ns-3 to the Veins/SUMO Stack for Connected-Vehicle Safety Assessment

📄 arXiv: 2609.20578v1 📥 PDF

作者: Rasheed Bello, Arthur Mukwaya, Gurcan Comert, Varghese Vaidyan, Vijay Bendigeri, Anthony Dontoh, Jagruti Sahoo, Judith Mwakalonge

分类: cs.NI, cs.LG, cs.MA, eess.SY

发布日期: 2026-09-17

备注: 20 pages, 5 Images, Submitted to TRB/TRR

💡 一句话要点

提出NS3Learn以解决5G NR Mode-2接收现实性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 5G NR 连接车辆 交通仿真 无线资源竞争 模型蒸馏 安全评估 SUMO ns-3

📋 核心要点

  1. 现有的交通与网络仿真方法在密集交通环境下未能准确模拟5G NR侧链Mode-2的无线资源竞争，导致消息传递率不切实际。
  2. 本研究提出NS3Learn模型，通过标记大量接收结果，捕捉无线资源竞争的损失，避免了对协议的完全重新实现。
  3. 实验结果显示，NS3Learn在每瞬时传递中的平均绝对偏差为0.06，显著优于其他模型，且在不同交叉口的适应性良好。

📝 摘要（中文）

连接车辆的安全评估依赖于交通与网络的耦合仿真，但标准信道模型忽略了5G NR侧链Mode-2中的无线资源竞争，导致在密集交通中报告不切实际的高消息传递率。本研究引入了资源竞争损失，而无需完全重新实现协议。我们标记了来自ns-3 5G-LENA轨迹的1050万次接收结果，以适配NS3Learn模型，该模型捕捉了半双工损失、调度冲突、接收器捕获和解码。评估涵盖了两个信号化城市网络、六个渗透率（1-100%）和每种条件下的五个随机种子。NS3Learn在每瞬时传递中的平均绝对偏差为0.06，优于其他模型（0.44和0.55的偏差）。拟合参数转移到一个不同的交叉口，仅增加20%的误差。使用现实的通信模型逆转了模拟交通速度趋势，并使预测的急刹车事件增加了一倍以上。该框架通过模型蒸馏在模拟器之间转移接收现实性，而无需完全重新实现。每个阶段直接映射到明确的物理机制。研究人员和交通机构可以在保持现有仿真管道的同时，准确考虑密集交通中的数据包丢失和拒绝服务的影响。适应新的无线配置只需离线重新拟合，而无需修改代码。

🔬 方法详解

问题定义：本研究旨在解决现有交通与网络仿真中对5G NR侧链Mode-2无线资源竞争的忽视，导致在密集交通中消息传递率不准确的问题。现有方法未能考虑资源竞争损失，影响了安全评估的可靠性。

核心思路：论文提出的NS3Learn模型通过标记来自ns-3 5G-LENA的接收结果，捕捉半双工损失、调度冲突、接收器捕获和解码等因素，提供了一种无需完全重新实现协议的解决方案。

技术框架：NS3Learn模型的整体架构包括数据标记、模型拟合和参数转移三个主要模块。首先，通过ns-3生成大量接收结果；其次，利用这些结果拟合NS3Learn模型；最后，将拟合参数转移到新的交叉口进行验证。

关键创新：NS3Learn的核心创新在于通过模型蒸馏技术实现接收现实性的转移，而非传统的协议重实现。这种方法使得研究人员能够在不改变现有仿真管道的情况下，准确模拟密集交通下的无线资源竞争。

关键设计：在模型设计中，关键参数包括半双工损失率、调度冲突概率和接收器捕获效应等。损失函数的选择基于接收结果的真实分布，确保模型的拟合精度。此外，模型的结构设计考虑了物理机制的直接映射，增强了模型的解释性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，NS3Learn在每瞬时传递中的平均绝对偏差为0.06，显著优于其他对比模型（偏差分别为0.44和0.55）。此外，模型在不同交叉口的适应性良好，仅增加20%的误差，且使用现实通信模型逆转了模拟交通速度趋势，急刹车事件预测增加了一倍以上。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、车联网安全评估以及5G通信网络的优化。通过准确模拟密集交通下的无线资源竞争，交通管理机构可以更有效地评估和提升车辆安全性，减少事故发生率。未来，该模型可扩展至其他无线通信场景，推动智能交通技术的发展。

📄 摘要（原文）

Connected-vehicle safety evaluations rely on coupled traffic and network simulations, but standard channel models ignore radio resource competition in 5G NR sidelink Mode-2, reporting unrealistically high message delivery in dense traffic. This study introduces resource-competition losses without requiring full protocol reimplementation. We labeled 10.5 million reception outcomes from ns-3 5G-LENA traces (calibrated on 3GPP scenarios and driven by SUMO trajectories) to fit NS3Learn - a closed-form model capturing half-duplex loss, scheduling collisions, receiver capture, and decoding. Evaluation spanned two signalized urban networks, six penetration levels (1-100%), and five random seeds per condition. NS3Learn achieved a mean absolute deviation of 0.06 in per-instant delivery compared to ns-3 5G-LENA, outperforming alternative models (0.44 and 0.55 deviation). Fitted parameters transferred to a distinct intersection with only 20% additional error. Crucially, using realistic communication models reversed simulated traffic speed trends and more than doubled predicted hard-braking events. The framework transfers reception realism between simulators via model distillation instead of full reimplementation. Every stage maps directly to an explicit physical mechanism. Researchers and transportation agencies can maintain existing simulation pipelines while accurately accounting for dense-traffic packet loss and denial-of-service impacts. Adapting to new radio configurations requires only offline refitting rather than code modification.