基于世界模型的车联网中长期最小化年龄信息学习
人工智能
2025-08-04 v2 网络与互联网体系结构
摘要
传统基于强化学习（RL）的无线网络学习方法依赖昂贵的试错机制和基于大量环境交互的实时反馈，导致数据效率低下和短视策略。这些局限在复杂动态网络、高不确定性和长期规划需求的场景中尤其突出。为缓解这些限制，本文提出了一种新颖的基于世界模型的学习框架，用于最小化车联网中包裹完整性感知年龄信息（CAoI）。特别地，考虑了以毫米波（mmWave）车联网（V2X）通信为代表的具挑战性场景，其特征为高速移动、频繁信号阻塞和极短的相干时间。随后，提出了世界模型框架，用于联合学习 mmWave V2X 环境的动态模型，并利用其预测轨迹来学习链路调度策略。具体而言，在可微分的想象轨迹中学习长期策略，而非通过环境交互。此外，凭借其想象能力，世界模型能够联合预测时变无线数据并在实际无线和 V2X 网络中优化链路调度。因此，在无实际观测的间隔内，世界模型仍能作出高效决策。在基于Sionna的真实模拟器上进行了大量实验，模拟器集成了基于物理的端到端信道建模、射线追踪和场景几何与材料属性。仿真结果表明，所提出的世界模型在数据效率方面实现了显著提升，相较于基于模型的强化学习（MBRL）方法和无模型强化学习（MFRL）方法，分别在CAoI上实现了26%和16%的改进。
引用
@article{arxiv.2505.01712,
title = {World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks},
author = {Lingyi Wang and Rashed Shelim and Walid Saad and Naren Ramakrishnan},
journal= {arXiv preprint arXiv:2505.01712},
year = {2025}
}