V2X 中基于 FedDRL 的联合信道选择
信号处理
2024-10-29 v1 机器学习
摘要
车辆到一切 (V2X) 通信技术通过实现车辆、设备和基础设施之间的交互，正在彻底改变交通运输。这种连接性增强了道路安全、交通效率和驾驶员辅助系统。V2X 受益于机器学习，能够进行实时数据分析、更好的决策和改进的交通预测，使交通更安全、更高效。在本文中，我们研究了联合信道选择问题，其中具有不同技术的车辆在网络中选择一个或多个接入点 (AP) 来传输消息。在这个问题中，车辆必须学习一种信道选择策略，该策略基于包含车辆信息（位置和速度）、网络与通信数据（来自过去通信的信干噪比）以及环境数据（道路类型）的观测。我们提出了一种基于联邦深度强化学习 (FedDRL) 的方法，使每辆车都能从其他车辆的经验中受益。具体而言，我们将联邦近端策略优化 (FedPPO) 算法应用于此任务。我们表明，该方法提高了通信可靠性，同时最小化了传输成本和信道切换。通过逼真的仿真评估了所提解决方案的效率，突出了 FedDRL 在推进 V2X 技术方面的潜力。
引用
@article{arxiv.2410.20687,
title = {Joint Channel Selection using FedDRL in V2X},
author = {Lorenzo Mancini and Safwan Labbi and Karim Abed Meraim and Fouzi Boukhalfa and Alain Durmus and Paul Mangold and Eric Moulines},
journal= {arXiv preprint arXiv:2410.20687},
year = {2024}
}