グラフ注意ネットワークと深層補強学習に基づくC-V2X通信リソースのダイナミックな割り当て

科学分野:

• ワイヤレス通信
• 人工知能
• インテリジェントな輸送システム

背景:

• 車両対車両 (V2V) および車両対ネットワーク (V2N) の通信は,インテリジェント・トランスポート・システム (ITS) にとって極めて重要です.
• V2V (安全性) とV2N (情報エンターテインメント) のための周波数資源の共有は,ダイナミックな交通環境で重要なリソースの割り当て課題を提示します.
• 既存の方法では,信頼性の高いV2V伝送と高速度のV2Nサービスとのバランスを取ることが困難です.

研究 の 目的:

• V2VおよびV2N通信における共同リソース配分のための新しい強化学習 (RL) フレームワークを提案する.
• 限られた資源とダイナミックな車両ネットワーク環境の課題に対処する.
• 通信性能を改善するためにリソースブロックと伝送電力を最適化します.

主な方法:

• グラフ・アテンション・ネットワーク (GAT) - アドバンテージ・アクター・クリティック (GAT-A2C) の強化学習フレームワークを開発した.
• V2Vリンクと干渉関係を表すグラフを作成し,V2Vリンクをノードとして,干渉をエッジとして作成した.
• 干渉パターンをキャプチャするためにGATを使用し,RL環境状態のリンク特性と組み合わせました.
• リソースブロックの割り当てとV2VとV2Nの送電力を一緒に最適化するためにRLエージェントを使用しました.

主要な成果:

• GAT-A2CフレームワークはV2Nデータレートを大幅に改善しました.
• 提案された方法は,さまざまな車両密度でV2V通信の成功率を大幅に増加させました.
• V2N率とV2Vコミュニケーションの成功率の両方に大幅な改善が示されました.

結論:

• GAT-A2Cのアプローチは,インテリジェント・車両ネットワークにおけるリソースの割り当てのための有望な解決策を提供します.
• フレームワークは,将来の大規模,ダイナミックな交通シナリオに強いスケーラビリティを示しています.
• 効率的なV2VとV2Nの共同最適化は,高度なRL技術で達成可能である.