Feb, 2020

基于深度强化学习的蜂窝 V2X 通信模式选择和资源分配

PDF
TL;DR本文研究了细胞 V2X 通信的传输模式选择和资源分配问题，将其制定为马尔可夫决策过程，提出了基于深度增强学习的去中心化算法，同时开发了基于图论的车辆聚类算法和分布式学习算法。实验结果表明，所提出的算法优于其他分布式基线算法，并验证了两个时间尺度的联邦 DRL 算法在新激活的 V2V 对中的优越性。
cellular vehicle-to-everythingv2x communicationmarkov decision processdeep reinforcement learning algorithmfederated learning algorithm
发现论文，激发创造
  • 基于深度强化学习的 V2V 通信资源分配

    本文基于深度强化学习，开发了一种分散资源分配机制，应用于车对车（V2V）通信中，在无单播和广播场景下均可使用。根据分散的资源分配机制，一个自治体、一个 V2V 链路或一辆车，可以在不要求或等待全局信息的情况下，做出决策，查找传输的最佳子带宽和功率水平。由于所提出的方法是分散的，因此仅产生有限的传输开销。根据仿真结果，每个自治体可以有效地学习，以满足对 V2V 链路的严格延迟约束，同时将干扰降至最低。

    May, 2018

  • V2V 通信资源分配的深度强化学习

    本文提出了一种基于深度强化学习的分散式资源分配机制，以优化车对车通信系统的信道和功率分配，同时减小对车对基础设施通信系统的干扰。

    Nov, 2017

  • 基于深度强化学习的混合 V2X 通信算法：基准研究

    本文基于航天工业的冗余原则，提出在 V2X 技术中引入多种无线接入技术，通过在复杂变化的通道和交通条件下使用深度强化学习算法解决垂直切换问题，并通过实验结果验证了这种方法能够降低通信成本并提高可靠性。

    Oct, 2023

  • V2X 网络中资源分配的联邦强化学习

    在车联网（V2X）网络中，我们通过联邦强化学习（FRL）框架探索资源分配，并使用非精确交替方向乘子法（ADMM）实现了算法 PASM，在 V2X 网络中解决资源分配问题，并与基线方法进行了比较。

    Oct, 2023

  • 混合车载通信网络中基于强化学习的 RAT 选择

    合作智能交通系统依赖一套车到车（V2X）应用来提高道路安全。本文提出了一种智能可扩展的混合车载通信架构，利用多种无线接入技术的性能满足这些应用的需求，并基于深度强化学习提出一种通信模式选择算法来最大化网络可靠性并限制资源消耗，通过车队编队场景的数值结果验证了混合车载通信架构相比静态车载选择策略和多准则决策选择算法可将数据包接收率提高 30％以及资源消耗方面冗余通信模式效率提高 20％。

    Apr, 2024

  • 强化学习用于联合 V2I 网络选择和自主驾驶策略

    本文提出一个基于强化学习的框架，以最小化道路碰撞、最大化通信数据速率的目标，同时优化自动驾驶车辆的网络选择和驾驶策略。通过将问题转化为马尔可夫决策过程并基于深度 Q 学习来优化加速度、减速度、变道和车辆 - 基站分配等行为，实现了安全驾驶和以改进的连通性。

    Aug, 2022

  • 使用强化学习对覆盖范围外车辆通信进行调度

    本研究提出了一种使用强化学习的集中式调度程序（VRLS），用于提高无蜂窝覆盖区域内车辆间通信的可靠性，并评估了其性能表现。该程序可以在模拟车辆环境中学习一种稳健和适应性强的调度策略，为出行前分配资源，并在无蜂窝覆盖区域内优于现有分布式调度算法的表现。

    Jul, 2022

  • 多智能体强化学习在基于竞拍的长期网络资源分配中的应用：V2X 应用

    本文旨在研究如何实现计算任务从移动代理转移，其提出了一种基于分散决策的机制来促使代理间在博弈与合作之间平衡。为此，该文设计了一个新的多代理在线学习算法，并通过 V2X 应用的模拟得出了良好的收敛性和泛化性能。

    Jul, 2022

  • 基于深度学习的车联网无线资源分配

    本文介绍深度学习在车联网中用于资源分配的关键动因和障碍，并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术，探究当前设计方法所面临的挑战，并提出未来资源分配研究的一些方向。

    Jul, 2019

  • 基于深度强化学习的边缘资源任务分配和扩展在车载网络服务中的应用

    本论文提出一种去中心化的方法，解决了服务任务分配和边缘资源扩展的紧密耦合的问题。文章通过模拟实际的 C-V2N 流量数据集，对该方法进行了基准测试，并将其性能与现有方法进行了比较，结果表明基于 DDPG 的解决方案优于现有解决方案，满足 C-V2N 服务的低延迟要求。

    May, 2023