基于联邦深度强化学习的车联网资源分配

• 作者: 王晓昌 吴璠 孙彦赞 吴雅婷
• 来源期刊: 电子测量技术
• 关键词: 车辆通信 深度强化学习 资源分配 联邦学习
• 年，卷（期）: 2021,（10）
• 所属期刊栏目: 信息技术及图像处理|Information Technology and Image Processing
• 页码范围: 114-120
• 页数: 7页
• 分类号: TN929.5
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2106047

摘要

车辆通信(V2X)能够有效地提高交通安全性和移动性,是车辆部署场景中的关键技术之一.V2X通信链路需要满足不同应用的服务质量(QoS)要求,如车对车(V2V)链路的延迟和可靠性要求.面向车辆高速移动性导致的无线信道快速变化,为保证不同车辆链路的QoS约束和车辆动态网络的鲁棒性,提出一种基于联邦深度强化学习(FDRL)的频谱分配和功率控制联合优化框架.框架首先根据不同车辆链路需求提出了对应的优化问题,并定义了强化学习的状态空间、动作空间和奖励函数;然后介绍了联邦深度强化学习的训练框架;最后,通过分布式的车辆端强化学习和基站聚合平均训练,找到最佳的频谱分配和功率控制策略.仿真结果表明,与其他对比算法相比,所提出算法能够提高车对基站(V21)的总用户信道容量,并保证了新加入车辆时动态网络的鲁棒性.