车联网物理系统中构建逻辑视图的质量-代价权衡：一种深度强化学习方法
网络与互联网体系结构
2023-09-20 v2
摘要
随着感知技术、车联网（V2X）通信、边缘计算范式的发展，车载信息物理系统（VCPS）正成为实现未来智能交通系统（ITSs）的最基础平台。特别地，基于异构信息感知与上传在边缘节点构建逻辑视图对实现VCPS至关重要。然而，在时效性和准确性方面更高质量的视图可能需要更高的感知与上传代价。有鉴于此，本文致力于在VCPS逻辑视图构建的质量与代价之间取得平衡。具体而言，我们首先推导基于多类M/G/1优先级队列的信息感知模型，以及基于可靠性保证的车载到基础设施（V2I）通信的数据上传模型。在此基础上，我们同时设计视图年龄（AoV）和视图代价（CoV）两个指标。然后，我们建立最大化AoV和最小化CoV的双目标问题。进一步，我们提出一种分布式分布化深度确定性策略梯度（D4PG）方案，以确定感知信息、频率、上传优先级、传输功率和V2I带宽。最后，我们建立仿真模型并给出综合性能评估，仿真结果确凿地证明了所提方案的优越性。
引用
@article{arxiv.2211.00007,
title = {Quality-Cost Trade-off on Constructing Logical Views for Vehicular Cyber-Physical Systems: A Deep Reinforcement Learning Approach},
author = {Junyuan Wu and Xincao Xu and Chuzhao Li and Hao Zhang and Ke Xiao and Kai Liu},
journal= {arXiv preprint arXiv:2211.00007},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2209.12265, arXiv:2210.17386