Исследователи представили новый подход к управлению сетевыми ресурсами в системах C-V2X (Cellular Vehicle-to-Everything) с использованием многоагентного обучения с подкреплением (MARL). Метод оптимизирует выбор технологии радиодоступа (RAT) для транспортных средств, обеспечивая баланс между жесткими требованиями к задержке и надежности передачи данных, что критически важно для современных сценариев совместного вождения и обмена сенсорной информацией между автомобилями.
Современные транспортные средства генерируют гетерогенный трафик: от простых сообщений о состоянии до потоков данных с датчиков в реальном времени. Традиционные алгоритмы распределения ресурсов часто не справляются с динамическим характером мобильных сетей и растущим числом подключенных устройств. Предложенная архитектура MARL позволяет каждому транспортному средству как независимому агенту принимать решения о выборе канала связи, минимизируя перегрузки и повышая общую пропускную способность сети.
В основе решения лежит децентрализованная модель обучения, которая адаптируется к быстро меняющейся топологии дорожного движения. Агенты обучаются взаимодействовать в условиях ограниченной полосы пропускания, минимизируя вероятность коллизий пакетов и обеспечивая соблюдение параметров качества обслуживания (QoS) для критически важных приложений, таких как системы предотвращения столкновений и кооперативное восприятие дорожной обстановки.
Ключевые факты
- Исследование сфокусировано на оптимизации выбора RAT в сетях C-V2X с использованием многоагентного обучения с подкреплением.
- Метод решает проблему гетерогенных требований к задержке и надежности для таких задач, как совместное вождение и обмен данными с сенсоров.
- Архитектура позволяет снизить нагрузку на сеть за счет децентрализованного принятия решений каждым транспортным средством.
- Предложенный подход демонстрирует эффективность в условиях высокой плотности трафика и динамического изменения сетевой топологии.