Key points are not available for this paper at this time.
Die zellulare Fahrzeug-zu-alles (V2X) Kommunikation ist entscheidend, um zukünftige vielfältige Fahrzeuganwendungen zu unterstützen. Für sicherheitskritische Anwendungen werden jedoch instabile Fahrzeug-zu-Fahrzeug (V2V) Verbindungen und der hohe Signalisierungsaufwand zentralisierter Ressourcenallokationsansätze zu Engpässen. In diesem Artikel untersuchen wir ein gemeinsames Optimierungsproblem der Übertragungsmodusauswahl und Ressourcenallokation für die zellulare V2X-Kommunikation. Insbesondere wird das Problem als ein Markov-Entscheidungsprozess formuliert, und ein auf Deep Reinforcement Learning (DRL) basierender dezentraler Algorithmus wird vorgeschlagen, um die Gesamtkapazität der Fahrzeug-zu-Infrastruktur-Nutzer zu maximieren, während die Latenz- und Zuverlässigkeitsanforderungen von V2V-Paaren erfüllt werden. Darüber hinaus wird unter Berücksichtigung der Trainingsgrenzen lokaler DRL-Modelle ein föderierter DRL-Algorithmus mit zwei Zeitskalen entwickelt, um robuste Modelle zu erhalten. Dabei wird der auf der Graphentheorie basierende Fahrzeugcluster-Algorithmus auf einer großen Zeitskala ausgeführt, und anschließend wird der föderierte Lernalgorithmus auf einer kleinen Zeitskala durchgeführt. Die Simulationsergebnisse zeigen, dass der vorgeschlagene DRL-basierte Algorithmus andere dezentrale Baseline-Algorithmen übertrifft und die Überlegenheit des zweizeitskaligen föderierten DRL-Algorithmus für neu aktivierte V2V-Paare validiert.
Zhang et al. (Fri,) haben diese Frage untersucht.