Une enquête sur les méthodes d'apprentissage par renforcement multi-agents pour les réseaux de véhicules

Sous le développement rapide de l'Internet des objets (IoT), les véhicules peuvent être reconnus comme des agents intelligents mobiles qui communiquent, coopèrent et font compétition pour des ressources et des informations. La tâche entre les véhicules est d'apprendre et de prendre des décisions en fonction de la politique pour améliorer l'efficacité du système multi-agents (MAS) qui traite d'un environnement en constante évolution. L'apprentissage par renforcement multi-agents (MARL) est considéré comme l'un des cadres d'apprentissage pour trouver des solutions fiables dans un MAS de véhicule hautement dynamique. Dans cet article, nous fournissons un examen des questions de recherche liées aux réseaux de véhicules, telles que l'allocation des ressources, le déchargement des données, le placement des caches, la communication ultra fiable à faible latence (URLLC) et la haute mobilité. De plus, nous montrons les applications potentielles de MARL qui permettent une prise de décision décentralisée et évolutive dans des scénarios véhicule-à-tout (V2X).