基于 LLM-DDQN 的 V2I 通信与自动驾驶联合优化
机器学习
2025-02-06 v3 人工智能
网络与互联网体系结构
系统与控制
系统与控制
摘要
大型语言模型 (LLM) 因其出色的推理和理解能力而受到广泛关注。本工作探索将 LLM 应用于车联网，以联合优化车辆到基础设施 (V2I) 通信和自动驾驶 (AD) 策略。我们部署 LLM 用于 AD 决策，以最大化交通流量并避免碰撞以确保道路安全；而双深 Q 学习算法 (DDQN) 用于 V2I 优化，以最大化接收数据速率并减少频繁切换。在 LLM 启用 AD 中，我们采用欧几里得距离来识别先前探索的 AD 经验，然后 LLM 可以从过去的良好和差异的决策中学习以获得进一步的改进。随后，LLM 基于 AD 的决策将成为 V2I 问题的状态，DDQN 将针对 V2I 决策进行优化。之后，AD 和 V2I 决策将迭代优化直到收敛。这种迭代优化方法能够更好地探索 LLM 与传统强化学习技术之间的相互作用，揭示了使用 LLM 进行网络优化和管理的潜力。最后，仿真结果表明，我们提出的混合 LLM-DDQN 方法优于传统 DDQN 算法，显示更快的收敛速度和更高的平均奖励。
引用
@article{arxiv.2410.08854,
title = {Hybrid LLM-DDQN based Joint Optimization of V2I Communication and Autonomous Driving},
author = {Zijiang Yan and Hao Zhou and Hina Tabassum and Xue Liu},
journal= {arXiv preprint arXiv:2410.08854},
year = {2025}
}
备注
Accepted by IEEE Wireless Communications Letters