Asignación dinámica de los recursos de comunicación C-V2X basados en la red de atención de gráficos y el aprendizaje...

Área de la Ciencia:

• Comunicaciones inalámbricas
• Inteligencia artificial
• Sistemas de transporte inteligentes

Sus antecedentes:

• Las comunicaciones de vehículo a vehículo (V2V) y de vehículo a red (V2N) son cruciales para los sistemas de transporte inteligentes (STI).
• El uso compartido de los recursos de espectro para V2V (seguridad) y V2N (infoentretenimiento) plantea importantes desafíos en la asignación de recursos en entornos de tráfico dinámico.
• Los métodos existentes luchan por equilibrar la transmisión V2V con servicios V2N de alta velocidad.

Objetivo del estudio:

• Proponer un nuevo marco de aprendizaje por refuerzo (RL) para la asignación conjunta de recursos en las comunicaciones V2V y V2N.
• Abordar los desafíos de los entornos de red de vehículos con recursos limitados y dinámicos.
• Optimizar los bloques de recursos y la potencia de transmisión para mejorar el rendimiento de la comunicación.

Principales métodos:

• Desarrolló un marco de aprendizaje de refuerzo de red de atención de gráficos (GAT) - actor crítico de ventaja (GAT-A2C).
• Construido un gráfico que representa los enlaces V2V y las relaciones de interferencia, con los enlaces V2V como nodos y la interferencia como bordes.
• Utilizó GAT para capturar patrones de interferencia y los combinó con características de enlace para el estado del entorno RL.
• Empleado el agente RL para optimizar conjuntamente la asignación de bloques de recursos y la potencia de transmisión para V2V y V2N.

Principales resultados:

• El marco GAT-A2C mejoró significativamente las tasas de datos V2N.
• El método propuesto aumentó sustancialmente las tasas de éxito de las comunicaciones V2V en diferentes densidades de vehículos.
• Demostró mejoras sustanciales tanto en las tasas de V2N como en las tasas de éxito de la comunicación V2V.

Conclusiones:

• El enfoque GAT-A2C ofrece una solución prometedora para la asignación de recursos en redes de vehículos inteligentes.
• El marco muestra una gran escalabilidad para futuros escenarios de tráfico dinámico a gran escala.
• La optimización conjunta efectiva de los recursos V2V y V2N se puede lograr con técnicas avanzadas de RL.