基于深度强化学习的车联网资源管理

摘要

车辆对一切(Vehicle to Everything,V2X)是智能交通系统的一项关键技术,可以提高道路安全和交通效率.为降低网络干扰,满足动态环境下不同车辆链路的服务质量(Quality of Service,QoS)要求,提出基于指纹深度强化学习(Deep Reinforcement Learning,DRL)框架的车联网频谱分配和功率控制方案.首先通过随机网络的数据包到达过程分析,V2V链路的时延约束被转化为数据速率约束;然后,各个智能体利用深度神经网络来近似部分观测到的最优资源分配方案映射.同时为避免多智能体环境下的非平稳性,提出使用基于指纹的方式来提高学习稳定性.与其他算法相比,提出的算法能够有效提升网络中车对基站(Vehicle to Infrastructure,V2I)总用户信道容量,同时具有很好的稳定性.