基于轨迹预测的 AIoT 赋能车辆元宇宙中动态化身迁移的多智能体深度强化学习
人工智能
2023-06-27 v1 机器学习
信号处理
摘要
化身作为车辆元宇宙中有前景的数字助手，可使驾驶员与乘客沉浸于 3D 虚拟空间，构成智能车辆环境中物联网人工智能（AIoT）的一个实用新兴范例。沉浸式体验通过无缝的人–化身交互（如增强现实导航）实现，这需要密集资源，在智能车辆本地处理低效且不切实际。幸运的是，将化身任务卸载至路侧单元（RSU）或云服务器远程执行可有效降低资源消耗。然而，车辆的高移动性、RSU 的动态负载以及 RSU 的异构性，给化身迁移决策带来了新挑战。为应对这些挑战，本文提出一种基于实时轨迹预测与多智能体深度强化学习（MADRL）的化身任务动态迁移框架。具体而言，我们提出一种基于历史数据预测智能车辆未来轨迹的模型，以指示 RSU 的未来负载。基于 RSU 的预期负载，我们将化身任务迁移问题建模为长期混合整数规划问题。为高效求解，将该问题转化为部分可观测马尔可夫决策过程（POMDP），并由多个具有连续与离散混合动作的 DRL 智能体以去中心化方式求解。数值结果表明，所提算法可在无预测时降低化身任务执行时延约 25%、有预测时降低约 30%，并提升 AIoT 赋能车辆元宇宙（AeVeM）中的用户沉浸体验。
引用
@article{arxiv.2306.14683,
title = {Multi-Agent Deep Reinforcement Learning for Dynamic Avatar Migration in AIoT-enabled Vehicular Metaverses with Trajectory Prediction},
author = {Junlong Chen and Jiawen Kang and Minrui Xu and Zehui Xiong and Dusit Niyato and Chuan Chen and Abbas Jamalipour and Shengli Xie},
journal= {arXiv preprint arXiv:2306.14683},
year = {2023}
}