面向高清地图更新的 vehicular 网络中多智能体评估与QoS增强
人工智能
2026-03-11 v1 机器学习
摘要
强化学习(RL)算法已被用于解决车载自组织网络(VANET)中卸载过程的挑战性问题。最近，它们被用于改进高清(HD)地图的传播。然而，在自动驾驶车辆(AV)上实现深度Q学习(DQN)和Actor-critic等解决方案可能导致计算负载的增加，给计算设备带来沉重负担并提高成本。此外，它们的实现可能因需要对标准进行修改而引发技术之间的兼容性问题。因此，在本文中，我们评估了在分布式多智能体环境中利用Q学习单智能体解决方案的应用程序的可扩展性。该应用程序通过利用更小的状态和动作空间，同时采用多智能体方法，来提升网络性能。所提出的解决方案通过不同的测试用例进行了广泛评估，这些测试用例涉及考虑个体或整体网络性能的奖励函数、智能体数量，以及集中式与分布式学习的比较。实验结果表明，与单智能体方法相比，我们提出的解决方案在语音、视频、HD地图和尽力而为情况下的时间延迟分别有显著改善，改善幅度分别为40.4%、36%、43%和12%。
引用
@article{arxiv.2407.21460,
title = {Multi-agent Assessment with QoS Enhancement for HD Map Updates in a Vehicular Network},
author = {Jeffrey Redondo and Nauman Aslam and Juan Zhang and Zhenhui Yuan},
journal= {arXiv preprint arXiv:2407.21460},
year = {2026}
}