基于置信度调节生成扩散模型的车辆元宇宙中可靠 AI 智能体迁移
机器学习
2025-05-20 v1 网络与互联网体系结构
摘要
车辆元宇宙是一种新兴范式，将智能交通系统与虚拟空间融合，利用先进的数字孪生和人工智能技术，无缝集成车辆、用户和数字环境。在此范式下，车辆 AI 智能体被赋予环境感知、决策和动作执行能力，实现对多模态数据的实时处理和分析，以提供用户定制的交互服务。由于车辆 AI 智能体在实时决策方面需要大量资源，结合车辆 mobility 和网络动态条件，AI 智能体部署在拥有充足资源的路侧单元 (RSU)，并在其之间动态迁移。然而，AI 智能体迁移需要频繁的数据交换，可能将车辆元宇宙暴露于潜在网络攻击。为此，我们提出可靠的车辆 AI 智能体迁移框架，通过车辆和 RSU 之间的协作，实现可靠的动态迁移和高效的资源调度。此外，我们基于计划行为理论设计信任评估模型，动态量化 RSU 的声誉，从而更好地适应用户的个人化信任偏好。我们将车辆 AI 智能体迁移过程建模为部分可观测马尔可夫决策过程 (POMDP)，并开发 Confidence-regulated Generative Diffusion Model (CGDM) 以高效生成 AI 智能体迁移决策。数值结果表明，CGDM 算法在降低系统延迟和增强对网络攻击的鲁棒性方面显著优于基线方法。
引用
@article{arxiv.2505.12710,
title = {Confidence-Regulated Generative Diffusion Models for Reliable AI Agent Migration in Vehicular Metaverses},
author = {Yingkai Kang and Jiawen Kang and Jinbo Wen and Tao Zhang and Zhaohui Yang and Dusit Niyato and Yan Zhang},
journal= {arXiv preprint arXiv:2505.12710},
year = {2025}
}