面向混合V2X通信的深度强化学习算法：一项基准研究
机器学习
2023-10-09 v1 网络与互联网体系结构
信号处理
摘要
在当今时代，自动驾驶汽车要求达到与飞机相当的安全水平。借鉴依靠冗余实现高可靠性的航空航天工业，汽车领域也可通过在V2X（Vehicle-to-Everything，车联万物）技术中构建冗余来利用这一理念。鉴于当前缺乏可靠的V2X技术，该想法尤其具有前景。通过并行部署多种RAT（Radio Access Technologies，无线接入技术），关于未来车辆标准技术的持续争论可就此终结。然而，由于动态时变信道和多变交通条件，协调多种通信技术是一项复杂任务。本文利用深度强化学习（DRL）算法解决V2X中的垂直切换问题。目标是协助车辆在蛇形环境中选择最合适的V2X技术（DSRC/V-VLC）。结果表明，在被基准测试的算法在冗余和V-VLC前照灯使用率方面优于当前最先进（SOTA）方法。这一结果在保持高可靠性水平的同时显著降低了通信成本。这些结果为将先进DRL决策机制集成到架构中作为解决V2X垂直切换问题的一种有前景的方法提供了有力证据。
引用
@article{arxiv.2310.03767,
title = {Deep Reinforcement Learning Algorithms for Hybrid V2X Communication: A Benchmarking Study},
author = {Fouzi Boukhalfa and Reda Alami and Mastane Achab and Eric Moulines and Mehdi Bennis},
journal= {arXiv preprint arXiv:2310.03767},
year = {2023}
}