Método de asignación de recursos de comunicación en redes de vehículos basado en el aprendizaje por refuerzo de...

Área de la Ciencia:

• Conexión en red de vehículos
• Sistemas de comunicación
• Aprendizaje automático

Sus antecedentes:

• La asignación tradicional de recursos en redes vehiculares sufre una baja eficiencia espectral debido a la falta de optimización global y una respuesta lenta a entornos dinámicos.
• El uso compartido de los recursos de espectro entre los enlaces vehículo-infraestructura (V2I) y vehículo-vehículo (V2V) plantea importantes desafíos para la gestión eficiente de los recursos.

Objetivo del estudio:

• Proponer un nuevo método de asignación de recursos para las redes de vehículos que utilicen el aprendizaje de refuerzo profundo multi-agente federado.
• Mejorar la eficiencia espectral del sistema, la tasa de éxito de transmisión V2V y la capacidad de enlace V2I en escenarios dinámicos de comunicación vehicular.

Principales métodos:

• Fusionando el aprendizaje federado asincrónico (AFL) con el gradiente de política determinista profunda de múltiples agentes (MADDPG) para la asignación de recursos sinérgicos.
• Los vehículos actúan como agentes que optimizan el acceso al espectro, el control de potencia y la asignación de ancho de banda en función de los estados de canal locales.
• Una arquitectura de federación asíncrona permite cargas independientes de parámetros del modelo, ajuste dinámico de peso basado en la calidad del canal y optimización del modelo global.

Principales resultados:

• Logró una mejora promedio del 19,1% en la eficiencia espectral del sistema en comparación con los algoritmos existentes.
• Aumentó la tasa promedio de éxito de transmisión de los enlaces V2V en un 9,3%.
• Aumentó la capacidad total media de las conexiones V2I en un 16,1%.

Conclusiones:

• El método de aprendizaje de refuerzo profundo federado multiagente propuesto optimiza efectivamente la asignación de recursos en las redes vehiculares.
• El enfoque mejora significativamente las métricas clave de rendimiento, lo que demuestra su superioridad sobre los algoritmos tradicionales y otros avanzados.