基于深度强化学习的协同感知用户调度
机器学习
2025-02-18 v1 机器人学
摘要
自动驾驶中的独立感知系统受限于感知范围和远距离遮挡，可能导致灾难性后果。为解决这一问题，协同感知旨在通过车联网（V2X）通信实现互联自动驾驶车辆与路侧单元之间的协作，从而提高感知精度。然而，由于通信资源有限，所有单元传输点云或高清视频等感知数据是不切实际的。因此，优化通信链路的调度以确保感知数据交换的高效频谱利用至关重要。在本工作中，我们提出了一种面向协同感知的基于深度强化学习的V2X用户调度算法。鉴于获取感知标签的困难，我们将传统的标签依赖目标重新表述为基于3D目标检测特性的无标签目标。通过同时纳入信道状态信息（CSI）和语义信息，我们开发了一个面向协同感知的基于双深度Q网络（DDQN）的用户调度框架，命名为SchedCP。仿真结果验证了SchedCP相较于传统V2X调度方法的有效性和鲁棒性。最后，我们通过一个案例研究说明了所提出的算法如何同时考虑瞬时CSI和感知语义来自适应地调整调度决策。
引用
@article{arxiv.2502.10456,
title = {Deep Reinforcement Learning-Based User Scheduling for Collaborative Perception},
author = {Yandi Liu and Guowei Liu and Le Liang and Hao Ye and Chongtao Guo and Shi Jin},
journal= {arXiv preprint arXiv:2502.10456},
year = {2025}
}