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

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

本研究旨在描述当今的两种车载无线电路（DSRC 和 C-V2X），以及它们在支持先进自动驾驶应用方面的限制。同时，我们还介绍了正在发展的 IEEE 802.11bd 和 NR V2X，它们旨在弥补 DSRC 和 C-V2X 的局限性，并为实现无人驾驶提供支持。

Mar, 2019

本研究基于 DSRC，使用强化学习算法研发一种部分可观测智能交通系统，能够有效降低交叉口内车辆的平均等待时间，即使检测速率较低。

Jul, 2018

基于强化学习的创新解决方案可以解决城市区域自主车辆的路径规划问题，同时考虑驾驶时间和数据传输需求，通过优先选择高带宽道路来满足数据传输要求，并最小化驾驶时间，相较于不考虑交通和带宽的基准路线规划方法，该解决方案表现更好。

Sep, 2023

本文提出了一种面向车联网的信息时代感知传输功率和资源块分配技术，利用高斯过程回归方法实现在线无中央控制机制的网络动态学习，实时预测未来 AoI，最小化 AoI 超过阈值的概率，并取得了 50% 以上的效果提升。

Nov, 2019

该论文提出了一种基于激光雷达和车联网技术的端到端自动驾驶方法 (V2X-Lead)，以解决在混合自治交通条件下导航不规范的城市场景的挑战。该方法通过融合车载激光雷达传感器和 V2X 通信数据来处理不完整的局部观测。采用无模型和离策略深度强化学习 (DRL) 算法训练驾驶代理，该算法结合精心设计的奖励函数和多任务学习技术，提高不同驾驶任务和场景之间的泛化能力。实验结果表明，该方法在混合自治交通下通过无信号交叉口的任务中提高了安全性和效率，并在之前未见过的场景 (如环状交叉口) 中具有泛化能力。V2X 通信的集成为自动驾驶车辆 (AVs) 提供了一个重要的数据源，使其能够在车辆感知上超越车载传感器，从而实现更准确、更全面的驾驶环境感知和更安全、更稳健的驾驶行为。

Sep, 2023

一种基于深度强化学习的多时间尺度控制和通信的联合优化框架被提出，以车队控制（PC）为示例应用。为了改善 PC 在随机观察延迟下的性能，采用了细粒度嵌入式模拟 C-V2X 通信生成的延迟环境进行训练，并与基线 DRL 算法的性能进行比较。

Nov, 2023

通过基于 C-V2X 通信的路径规划，利用较低 AoI 值的 V2I 信息来减少道路估计误差，提高路径规划性能。

May, 2024