TrajAware：面向部分观测下可泛化VANETs的图交叉注意力与轨迹感知
机器学习
2025-09-09 v1 人工智能
摘要
车载自组织网络（Vehicular ad hoc networks, VANETs）是智能交通系统的关键组成部分；然而，由于动态拓扑、不完全观测以及边缘设备资源有限，路由问题仍具挑战性。现有的强化学习（Reinforcement Learning, RL）方法通常假设图结构固定，并在网络条件改变时需要重新训练，这使其不适合部署于受限硬件上。我们提出了 TrajAware，一个专为 VANETs 中边缘 AI 部署设计的基于 RL 的框架。TrajAware 集成了三个组件： 动作空间剪枝，在保持两跳可达性的同时减少冗余邻居选项，以缓解维度灾难； 图交叉注意力，将剪枝后的邻居映射至全局图上下文，生成可泛化至不同网络规模的特征； 轨迹感知预测，利用历史路径和路口信息在部分观测下估计实时位置。我们在开源 SUMO 模拟器中使用真实城市地图，采用留一城市设置对 TrajAware 进行了评估。结果表明，TrajAware 实现了接近最短路径和高投递率，同时保持了适合受限边缘设备的效率，在全观测和部分观测场景下均优于 SOTA 基线。
引用
@article{arxiv.2509.06665,
title = {TrajAware: Graph Cross-Attention and Trajectory-Aware for Generalisable VANETs under Partial Observations},
author = {Xiaolu Fu and Ziyuan Bao and Eiman Kanjo},
journal= {arXiv preprint arXiv:2509.06665},
year = {2025}
}
备注
10 pages, 6 figures, 3 tables