一个级联的多代理增强基于学习的资源分配,用于蜂-V2X车辆排队网络

科学领域:

• 智能运输系统 (ITS) 是一种智能运输系统.
• 自动驾驶自动驾驶的自动驾驶
• 无线通信无线通信

背景情况:

• 车辆排队提高了道路利用率和燃油效率,但传统上依赖于有限的车载计算和专用短距离通信 (DSRC).
• 5G和多访问边缘计算 (MEC) 的整合为先进的队列系统提供了卸载计算的机会.
• 关键的挑战包括管理延迟敏感的无线电资源,并尽量减少安全关键的合作意识信息 (CAM) 的信息时代 (AoI).

研究的目的:

• 调查 5G 支持的车辆排队系统中的延迟敏感无线电资源管理和 AoI.
• 解决需要比多代理深度决定性政策梯度 (MADDPG) 更复杂的框架来处理车辆网络中多个相关的目标.
• 提出和评估一个新的级MADDPG (CMADDPG) 框架,以提高分散资源分配的绩效.

主要方法:

• 开发一种新型的级MADDPG (CMADDPG) 框架,旨在培训级目标批评者进行协作代理行为.
• 实施技术来规避估计偏差现象,这是MADDPG的一个常见限制.
• 实验分析以评估拟议的CMADDPG算法的融合,CAM消息传播的可靠性和AoI性能.

主要成果:

• 在CMADDPG框架中,快速收,扭曲程度最小.
• 合作宣传信息 (CAM) 以99%的概率可靠地传播,确保及时提供安全信息.
• 平均信息时代 (AoI) 保持在5-10毫秒内,即使在道不确定性和增大排大小的情况下,也保证了高质量服务 (QoS).

结论:

• 拟议的CMADDPG算法有效地解决了车辆排队中的多个目标,优于传统方法.
• 该框架在道不确定性和不同的流动性条件下,在去中心化资源分配方面表现出稳健性.
• CMADDPG证明能够应对不断增加的车队规模,为未来的自动驾驶系统提供可扩展的解决方案.