- V2V-alapú feladatkitöltés és erőforrás-allokáció a Vehicular Edge számítástechnikai hálózatokban(arXiv)
Szerző:Junjin He, Yujie Wang, Xin Du, Zhihui Lu
Absztrakt :A jármű ad hoc hálózatok (VANET) kutatása és alkalmazása során gyakran feltételezik, hogy a járművek az út menti egységekhez (RSU-k) való hozzáférés révén kapnak számítási felhő szolgáltatásokat. Az elégtelen építési mennyiség, a korlátozott kommunikációs hatótáv és az út menti egységek számítási terhelésének túlterheltsége miatt azonban a csak járműről út menti egységekre támaszkodó számítási mód bonyolult és változtatható számítási feladatokat nehéz kezelni. Ebben a cikkben, ha az út menti egység hiányzik, a jármű mobil egységet természetes peremszámítási csomópontnak tekintjük, amely teljes mértékben kihasználja a mobil járművek többlet számítási teljesítményét, és időben elvégzi a környező mobil járművek tehermentesítési feladatát. Ebben a cikkben az OPFTO keretrendszert tervezzük, egy továbbfejlesztett HGSA feladatkiosztási algoritmust javasolunk, és az előszűrési folyamatot a járművek mozgási jellemzőinek teljes figyelembevételével tervezzük. Ezenkívül a járműszimulációs kísérletek azt mutatják, hogy a javasolt stratégia előnye az alacsony késleltetés és a nagy pontosság a többi feladatütemezési stratégiához képest, ami referenciasémát jelent a városi intelligens közlekedés építéséhez a jövőben.
2. Decentralizált energiaelosztás a MIMO-NOMA járműszél-számításhoz a mélyerősítő tanuláson alapuló(arXiv) számára
Szerző:Hongbiao Zhu, Qiong Wu, Xiaojun Wu, Qiang Fan, Pingyi Fan, Jiangzhou Wang
Absztrakt:A Vehicular Edge Computing (VEC) egy ígéretes megközelítés a járműfelhasználó (VU) robbanásszerű számítási feladatainak feldolgozására. A VEC rendszerben minden JE leosztja a teljesítményt a részfeladatok feldolgozására tehermentesítéssel, a fennmaradó feladatokat pedig helyi végrehajtással. A tehermentesítés során minden JE több bemenetes többkimenetes és nem ortogonális többszörös hozzáférésű (MIMO-NOMA) csatornát alkalmaz a csatornaspektrum hatékonyságának és kapacitásának javítása érdekében. A csatorna állapota azonban bizonytalan a MIMO-NOMA csatorna által a JE-k közötti csatornainterferencia és az egyes JE-k mobilitása által okozott időben változó útvesztés miatt. Ezenkívül az egyes VU-k feladatmegérkezése sztochasztikus a valós világban. A sztochasztikus feladat érkezése és a bizonytalan csatornaállapot nagymértékben befolyásolja az egyes JE feladatok energiafogyasztását és késleltetését. Kulcsfontosságú egy optimális energiaelosztási sémát megtervezni, figyelembe véve a sztochasztikus feladat érkezését és a csatorna változását, hogy optimalizáljuk a hosszú távú jutalmat, beleértve az energiafogyasztást és a késleltetést a MIMO-NOMA VEC-ben. A hagyományos, centralizált mély megerősítő tanulás (DRL) alapú sémától eltérően ez a cikk egy decentralizált DRL keretrendszert konstruál a teljesítményallokációs optimalizálási probléma megfogalmazására, ahol a helyi megfigyeléseket állapotként választjuk ki. A mély determinisztikus politikai gradiens (DDPG) algoritmust alkalmazzák a decentralizált DRL keretrendszeren alapuló optimális teljesítményallokációs séma megtanulására. A szimulációs eredmények azt mutatják, hogy a javasolt energiaelosztási rendszerünk felülmúlja a meglévő rendszereket.
3. SD-VEC: Szoftver által definiált járműszegély-számítógép rendkívül alacsony késleltetéssel(arXiv)
Szerző:Shih-Chun Lin, Kwang-Cheng Chen, Ali Karimoddini
Absztrakt :Az együttműködő intelligens közlekedési rendszerek (C-ITS) megváltoztatják a közúti biztonság és a forgalomirányítás módjait, különösen a közlekedési lámpák nélküli kereszteződésekben, nevezetesen a jelzés nélküli kereszteződésekben. A meglévő kutatások a járművek irányítására összpontosítanak egy jelzés nélküli kereszteződés körüli kis területen. Ebben a cikkben a vezérlési tartományt kiterjesztjük egy nagy területre, több metszésponttal. Különösen javasoljuk a több kereszteződésű jármű-kooperatív vezérlést (MiVeCC), amely lehetővé teszi a járművek közötti együttműködést nagy területen, több jelzés nélküli kereszteződéssel. Először is, egy járművek végpont-felhő-alapú számítási keretrendszerét javasolják, amely megkönnyíti a szélek és a felhők közötti vertikális együttműködést és a járművek közötti horizontális együttműködést. Ezután a felhő- és peremrétegekben a jármű-kooperatív vezérlési problémákat Markov döntési folyamatként (MDP) fogalmazzák meg, és kétlépcsős megerősítő tanulással oldják meg. Továbbá a nagy sűrűségű forgalom kezelésére olyan járműkiválasztási módszereket javasolnak, amelyek csökkentik az állapotteret és felgyorsítják az algoritmusok konvergenciáját a teljesítmény romlása nélkül. Egy több kereszteződésből álló szimulációs platformot fejlesztettek ki a javasolt séma értékelésére. A szimulációs eredmények azt mutatják, hogy a javasolt MiVeCC a meglévő módszerekhez képest akár 4,59-szeresére is javíthatja az utazási hatékonyságot több kereszteződésben ütközés nélkül.
