本文提出了一种基于动态无人机辅助的车辆双生物迁移框架，使用空地一体化网络中的无人机作为辅助服务器，以平衡 RSU 的负载并提高双生物迁移质量。模拟结果表明，与其他基准方案相比，基于扩散式强化学习算法和无人机辅助的方法效果更好。

Jun, 2024

本文提出了一种基于生成式 AI 的物理 - 虚拟同步框架，用于车辆元宇宙。在物理到虚拟同步方面，由自动驾驶汽车生成的数字孪生（DT）任务通过 RSU 进行执行，在生成未来路径的同时，通过生成式人工智能模型基于用户首选项对元宇宙 AR 推荐器（MARs）进行多样化和个性化的推荐。

Jan, 2023

本研究提出了一个基于实时轨迹预测和多智能体深度强化学习技术的动态迁移框架，以解决虚拟汽车元宇宙中的任务迁移问题。数值结果表明，我们提出的算法可以有效地减少大约 25％的任务执行延迟，并改善用户在 AIoT-enabled Vehicular Metaverse (AeVeM) 中的沉浸式体验。

Jun, 2023

基于跨元区和边缘计算技术，我们提出了一种用于车辆边缘元宇宙的双伪名管理框架，利用跨链技术提高伪名的管理效率和数据安全性，采用多智能体深度强化学习方法获得最佳伪名生成策略，数值结果表明我们的方案具有高效和经济高效的特点，在车辆边缘元宇宙中具有广泛的应用前景。

Mar, 2024

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

本研究提出一种自动驾驶架构，利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率，并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。

Feb, 2023

无人机和元宇宙之间的协同作用催生出一种名为无人机元宇宙的新范式，它创建了一个统一的生态系统，将物理空间和虚拟空间相融合，改变了无人机的互动和虚拟探索。我们提出了一种基于修剪技术的小型机器学习斯塔克贝格博弈框架，用于实现无人机元宇宙中高效的 UT 迁移，其次设计了一种 Tiny MADRL 算法，以获得表示最优博弈解的小型网络。数值结果表明，我们的方案比传统方案具有更好的性能。

Jan, 2024

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。

Feb, 2020

本研究旨在探讨在 Metaverse 中，利用 IoT 设备进行数字孪生同步，实现虚拟服务提供商与真实世界实体的连接；并采用混合进化动力学算法，以实现设备选择虚拟服务提供商的动态优化，最终得到一种进化稳定状态。

Oct, 2021

本文研究了在车辆网络中如何通过最小化信息时代和发送功率消耗来提供及时更新，采用非正交多模式信息传播方法，利用混合深度 Q 网络和深度确定性策略梯度模型解决多目标优化问题，并提出了一个两阶段元多目标强化学习解决方案来估计 Pareto 前沿。

Feb, 2024