原文传递
基于深度强化学习的V2X通信计算资源协同技术
| 论文题名： | 基于深度强化学习的V2X通信计算资源协同技术 |
| 关键词： | 智能网联汽车;通信计算资源;深度学习;感知精度;时延约束;开销约束 |
| 摘要： | 在传统的云计算中，数据需要从分布式数据源传输到远程云数据中心，以实现高性能计算。然而，任务从数据源传输到云数据中心通常会经历上百毫秒甚至更长的网络传输延迟，这无法满足V2X（VehicletoEverything）系统中对低时延的需求。而相较于云计算，移动边缘计算技术移动将计算处理放至网络边缘，使得V2X系统中的通信计算资源协同，此方案大大减小了响应延迟和数据的回传负载，已经逐渐成为V2X系统中使用的主流方案。因此本文基于移动边缘计算技术，以异构计算任务与多通信模式下的通信计算资源协同技术作为研究重点。 随着智能网联汽车的不断发展，车内应用的种类也变得越来越丰富，但现有通信计算资源协同的研究大多仍基于单类型任务场景下，并不能完全满足当下智能网联汽车的需求。在现有的基础上，本文基于异构任务场景，提出了一种基于异构任务的通信计算资源协同技术方案，在面对不同时延要求、不同可分割度的任务时，能够满足时延和开销的要求。该方案利用路边单元和服务车辆的通信计算资源，使任务车辆的计算任务可以在时延需求内进行完成，并且开销最小。由于此优化问题是非线性的，本文采用深度强化学习的方式来对其进行求解。最后通过仿真验证了所提方案的性能。 另一方面，智能网联汽车为了满足辅助安全驾驶等功能的感知精度需求，会与路边单元通信进行感知融合来提高精度。现有的方案大多只考虑了单一通信模式，但现有的V2X通信模式并非只有一种，有DSRC（DedicatedShort-RangeCommunications）及C-V2X（CellularVehicle-to-Everything）等，因此会造成一定的资源浪费，影响资源利用率。本文研究了多种通信模式结合感知能力场景下的通信计算资源协同方案，对有感知需求的车辆进行快速的通信计算资源协同。当车辆需要一定精度的感知信息时，会产生计算需求，并选择适合的通信方式，将任务通过通信资源传输至服务车辆或者路边单元，实现通信计算资源协同的目标。该方案综合考虑了任务卸载比例、通信模式、精度约束和传输功率等因素，建立了感知精度、时延约束和开销约束的联合优化问题。最后通过仿真实验验证了所提出方案的有效性。 |
| 作者： | 朱志凌 |
| 专业： | 通信工程(含宽带网络、移动通信等) |
| 导师： | 冷甦鹏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
