通过动作分支与联邦强化学习的车辆协同感知
机器学习
2021-11-19 v2
摘要
协同感知在扩展车辆视线之外的感知范围方面起着至关重要的作用。然而，在有限通信资源下交换原始感知数据是不可行的。为了实现高效协同感知，车辆需要解决以下基本问题：需要共享哪些感知数据？以何种分辨率？与哪些车辆共享？为回答该问题，本文提出一种新框架，利用基于四叉树的点云压缩机制，允许基于强化学习（RL）的车辆关联、资源块（RB）分配以及协同感知消息（CPM）内容选择。此外，引入联邦 RL 方法以加速跨车辆的训练过程。仿真结果表明，RL 智能体能够有效学习车辆关联、RB 分配和消息内容选择，同时最大化车辆对所接收感知信息的满意度。结果还表明联邦 RL 改善了训练过程，与非联邦方法相比，在相同时间内可获得更好的策略。
引用
@article{arxiv.2012.03414,
title = {Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning},
author = {Mohamed K. Abdel-Aziz and Cristina Perfecto and Sumudu Samarakoon and Mehdi Bennis and Walid Saad},
journal= {arXiv preprint arXiv:2012.03414},
year = {2021}
}
备注
31 pages (single column, double space), 9 figures, accepted for publication in IEEE Transactions on Communication