面向事故风险自适应的 V2X 网络中的强化学习
系统与控制
2020-04-07 v1 系统与控制
摘要
随着网联自动驾驶车辆在实践中日益紧迫，车辆到一切（V2X）通信的重要性不断提升。关键挑战在于动态性：每辆车都需要识别周围环境的频繁变化，并将其应用于自身的网络行为。这正是机器学习需求凸显之处。然而，学习本身也因动态性而极其复杂，这就要求学习框架本身必须根据环境具备韧性与灵活性。为此，本文提出一种将强化学习（RL）集成到多址接入调度中的 V2X 网络框架。具体而言，该学习机制被建模为多臂老虎机（MAB）问题，使车辆无需任何外部基础设施辅助即可（i）学习环境、（ii）量化事故风险，以及（iii）根据风险调整其退避计数器。本文结果表明，所提出的学习协议能够（i）评估接近最优的事故风险，并（ii）由此为危险车辆带来更高的传输机会。
引用
@article{arxiv.2004.02379,
title = {Reinforcement Learning for Accident Risk-Adaptive V2X Networking},
author = {Seungmo Kim and Byung-Jun Kim},
journal= {arXiv preprint arXiv:2004.02379},
year = {2020}
}
备注
The manuscript will be submitted to IEEE VTC 2020 Fall