Jun, 2024

基于深度强化学习的物联网车联网中的语义感知频谱共享

PDF
TL;DR本文研究了高速移动车联网环境中的语义通信，重点关注车对车和车对基础设施通信之间的频谱共享。我们提出了一种基于深度强化学习软演员 - 评论家算法的语义感知频谱共享算法（SSS），通过优化 V2V 和 V2I 频谱共享的决策来提高语义信息的传输效率和成功率。实验结果表明，SSS 算法在 HSSE 和 SRS 方面的性能优于其他基线算法。
semantic communicationmobile internet of vehiclesspectrum sharingsemantic-aware spectrum sharing algorithmreinforcement learning
发现论文，激发创造
  • 基于多智能体强化学习的车联网频谱共享

    本文研究了基于多智能体强化学习的车联网频谱共享问题，并使用适于分布式实现的基于指纹的深度 Q 网络方法解决了资源共享问题，展示了多个 V2V 智能体成功合作以分布式方式提高效率。

    May, 2019

  • 语义感知传输调度：基于单调性的深度强化学习方法

    本文研究了语义感知下的调度问题，利用深度强化学习算法解决大规模系统中的最优策略问题，并通过实验表明，相较于现有算法，所提出的算法能够显著减少训练时间并提高训练性能。

    May, 2023

  • 语义通信的性能优化：一种基于注意力机制的强化学习方法

    本文提出一种基于语义的通信框架，其中基站从文本数据中提取语义信息并采用知识图表达，将其发给每个用户，用户再采用图到文本生成模型进行还原。为了优化性能，本文提出了一个同时考虑语义精度和完整性的语义相似度度量方法，同时解决了基站资源分配、文本内容和时延约束之间的优化问题。这里采用了基于强化学习的算法，结合了注意力网络来评估语义信息中每个三元组的重要性。

    Aug, 2022

  • 合作语义通信网络中图像传输的优化

    本研究开发了一种语义通信框架用于图像传输；引入多模态度量方法对比提取得到的语义信息与原始图像之间的相关性，以最小化每个服务器的传输延迟同时满足用户 ISS 需求为目标，提出了基于价值分解的最大熵多智能体强化学习算法以解决资源块的分配问题，在模拟实验中将传输延迟降低至传统多智能体强化学习的 16.1%。

    Jan, 2023

  • 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

  • V2VSSC：一项用于感知的三维语义场景补完基准测试，基于车辆到车辆通信

    通过车到车通信，提出了一种解决语义场景补全 (SSC) 中的遮挡和短距离感知等问题的新框架，实验证明通过车到车通信可以提高 8.3％的几何度量 IoU 和 6.0％的平均 IoU (SSC 性能)。

    Feb, 2024

  • 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

  • 基于强化学习的感知到达时延感知资源分配方法研究

    提出了一种基于可重构智能表面的车联网网络方案，利用信息时代模型和负载传输概率模型来优化车辆与基础设施之间的时效和车辆之间的稳定性，通过软性演员 - 评论家算法以最小化信息时代和优先传输负载的方式，使用驻波状态下 AI-B 图方案控制车辆的资源分配和相移控制，仿真结果表明该算法在收敛速度、累积奖励、信息时代性能和负载传输概率等方面胜过其他算法。

    Jun, 2024

  • 基于深度强化学习的蜂窝 V2X 通信模式选择和资源分配

    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

  • 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