面向联网自动驾驶车辆自适应协同感知的模型辅助学习

协同感知（CP）是一项关键技术，旨在为联网和自动驾驶车辆（CAV）提供一致且准确的态势感知。为了解决传统基于广播的 CP 中网络资源效率低下的问题，人们提出了基于单播的 CP，通过车辆到车辆传输将 CAV 配对以进行协同感知。在本文中，我们研究了 CAV 配对之间基于单播的 CP。考虑到车辆移动性和动态无线电资源可用性导致的动态感知工作负载和信道条件，我们在包含 CAV 和人类驾驶车辆的混合交通自动驾驶场景中，提出了一种针对 CAV 配对的自适应协同感知方案。我们旨在确定何时为每个 CAV 配对在协同感知和独立感知之间进行切换，并为协同 CAV 配对分配通信和计算资源，以在感知任务延迟要求下最大化计算效率增益。我们开发了一种模型辅助的多智能体强化学习（MARL）解决方案，该方案将用于自适应 CAV 协同决策的 MARL 与用于通信和计算资源分配的优化模型相结合。仿真结果证明了与基准方案相比，所提方案在实现高计算效率增益方面的有效性。