基于元学习的非平稳Vehicular网络中的自适应合作感知
网络与互联网体系结构
2024-10-03 v1 信号处理
摘要
为适应真实环境中合作感知（CP）的高网络动态性，已提出基于强化学习（RL）的自适应CP方案，允许在连接且自主车辆之间在CP与独立感知模式之间进行自适应切换。传统的离线训练在线执行RL框架在非平稳网络条件下会出现性能下降。为实现快速且高效的模型适应，我们为每个稳态局部Vehicular网络（LVN）中的自适应CP决策 formulation了一组马尔可夫决策过程。提出了一种元RL解决方案，该方案训练一个捕获LVN之间通用特征的元RL模型，从而以该元RL模型为初始点，便于为每个LVN进行快速模型适应。仿真结果表明，元RL在收敛速度且无奖励降低方面具有优势。也评估了元模型定制程度对模型适应性能的影响。
引用
@article{arxiv.2410.01070,
title = {Meta Learning Based Adaptive Cooperative Perception in Nonstationary Vehicular Networks},
author = {Kaige Qu and Zixiong Qin and Weihua Zhuang},
journal= {arXiv preprint arXiv:2410.01070},
year = {2024}
}