面向协同网联车辆的多智能体深度强化学习
信号处理
2020-01-09 v1 机器学习
摘要
毫米波（mmWave）基站能够向网联车辆提供丰富的高容量信道资源，从而可大幅提升其下行吞吐量的服务质量（QoS）。毫米波基站可在现有基站（例如宏蜂窝基站）之间以相互不重叠的信道工作，而车辆可决策关联哪个基站，以及在异构网络上利用哪个信道。此外，由于毫米波通信的非全向特性，车辆需决策如何将波束方向对准毫米波基站以与之关联。然而，此类联合问题计算成本高，是 NP-hard 且具有组合特征。在本文中，我们在三层异构车辆网络（HetVNet）中用多智能体深度强化学习（DRL）求解该问题，以最大化车辆的期望总奖励（即下行吞吐量）。我们引入多智能体深度确定性策略梯度（MADDPG）方法，以在连续动作域中实现最优策略。
引用
@article{arxiv.2001.02337,
title = {Multi-Agent Deep Reinforcement Learning for Cooperative Connected Vehicles},
author = {Dohyun Kwon and Joongheon Kim},
journal= {arXiv preprint arXiv:2001.02337},
year = {2020}
}
备注
6 pages, 4 figures, conference paper (GLOBECOM 2019)