基于深度强化学习的蜂窝V2X通信模式选择与资源分配
网络与互联网体系结构
2020-02-19 v1 信号处理
摘要
蜂窝车联网(Cellular V2X)通信对于支撑未来多样化的车载应用至关重要。然而,对于安全关键型应用,不稳定的车对车(V2V)链路以及集中式资源分配方法的高信令开销成为瓶颈。本文研究蜂窝V2X通信中传输模式选择与资源分配的联合优化问题。具体而言,将该问题建模为马尔可夫决策过程,并提出一种基于深度强化学习(DRL)的分布式算法,以在满足V2V链路时延与可靠性要求的同时最大化车对基础设施用户的容量和。此外,考虑到本地DRL模型的训练局限,设计了一种双时间尺度联邦DRL算法以帮助获得鲁棒模型。其中,基于图论的车辆聚类算法在大时间尺度上执行,联邦学习算法随之在小时间尺度上执行。仿真结果表明,所提基于DRL的算法优于其他分布式基线,并验证了双时间尺度联邦DRL算法对于新激活V2V链路的优越性。
引用
@article{arxiv.2002.05485,
title = {Deep Reinforcement Learning Based Mode Selection and Resource Allocation for Cellular V2X Communications},
author = {Xinran Zhang and Mugen Peng and Shi Yan and Yaohua Sun},
journal= {arXiv preprint arXiv:2002.05485},
year = {2020}
}
备注
12 pages, 11 figures, accepted by IEEE IoT Journal