面向数字孪生赋能车联网中计算卸载的知识驱动多智能体强化学习
机器学习
2023-09-11 v2 系统与控制
系统与控制
摘要
通过将车辆的计算密集型任务卸载到路边单元（RSUs），车联网（IoV）中的移动边缘计算（MEC）可缓解车载计算负担。然而，现有的基于模型的任务卸载方法随车辆与数据量增加而计算复杂度高，而数据驱动方法缺乏可解释性。为应对这些挑战，本文提出一种知识驱动多智能体强化学习（KMARL）方法，以降低数字孪生赋能 IoV 中任务卸载的时延。具体而言，在所考虑场景中，数字孪生作为每辆车的通信智能体，在虚拟空间中交换信息并制定卸载决策。为降低任务卸载时延，提出 KMARL 方法为每辆车选择最优卸载选项，其中通过利用关于图结构通信拓扑与置换不变性的领域知识于神经网络中，采用了图神经网络。数值结果表明，得益于领域知识的融合，我们所提 KMARL 较其他方法获得更高奖励并展现出更好的可扩展性。
引用
@article{arxiv.2308.02603,
title = {Knowledge-Driven Multi-Agent Reinforcement Learning for Computation Offloading in Cybertwin-Enabled Internet of Vehicles},
author = {Ruijin Sun and Xiao Yang and Nan Cheng and Xiucheng Wang and Changle Li},
journal= {arXiv preprint arXiv:2308.02603},
year = {2023}
}