车载边缘计算中的智能卸载：深度强化学习方法与架构的综合综述
机器学习
2026-05-27 v3 人工智能
分布式、并行与集群计算
多智能体系统
摘要
智能交通系统（ITS）的日益复杂，导致对计算卸载到边缘服务器、车载节点和无人机等外部基础设施的兴趣显著增加。这些动态且异构的环境对传统卸载策略构成挑战，促使探索强化学习（RL）和深度强化学习（DRL）作为自适应决策框架。本综述综述了近期在车载边缘计算（VEC）中基于DRL的卸载最新进展。我们根据学习范式（如单智能体、多智能体）、系统架构（如集中式、分布式、分层式）以及优化目标（如时延、能耗、公平性）对现有工作进行分类和比较。此外，我们分析了马尔可夫决策过程（MDP）如何被应用于，并突出显示奖励设计、协调机制和可扩展性的最新趋势。最后，我们确定了开放挑战，概述了未来研究方向，以指导下一代ITS中健壮且智能卸载策略的开发。
引用
@article{arxiv.2502.06963,
title = {Intelligent Offloading in Vehicular Edge Computing: A Comprehensive Review of Deep Reinforcement Learning Approaches and Architectures},
author = {Ashab Uddin and Ahmed Hamdi Sakr and Ning Zhang},
journal= {arXiv preprint arXiv:2502.06963},
year = {2026}
}
备注
33 Pages, 6 Figures, 7 Tables. Machine Learning, Reinforcement Learning, Multi Agent Reinforcement Learning, Computational Offloading and Edge Computing