CN114189869A - 基于边缘计算的无人车协同路径规划和资源分配方法 - Google Patents

基于边缘计算的无人车协同路径规划和资源分配方法 Download PDF

Info

Publication number
CN114189869A
CN114189869A CN202111504158.9A CN202111504158A CN114189869A CN 114189869 A CN114189869 A CN 114189869A CN 202111504158 A CN202111504158 A CN 202111504158A CN 114189869 A CN114189869 A CN 114189869A
Authority
CN
China
Prior art keywords
unmanned vehicle
resource allocation
unmanned
path planning
path
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111504158.9A
Other languages
English (en)
Inventor
郭艳
薛端
李宁
王振华
李伟
于森雨
宋晓祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202111504158.9A priority Critical patent/CN114189869A/zh
Publication of CN114189869A publication Critical patent/CN114189869A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/0875—Load balancing or load distribution to or through Device to Device [D2D] links, e.g. direct-mode links
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/52—Allocation or scheduling criteria for wireless resources based on load
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于边缘计算的无人车协同路径规划和资源分配方法，针对路径规划问题设计了强化学习方法，针对资源分配问题设计了基于粒子群算法的多无人车协同搜索方法，考虑了路径规划和资源分配两个变量之间的耦合关系以及无人车的移动性、边缘服务器的分布性、对截止时间敏感的车载任务和边缘服务器计算能力等限制，利用无人车之间的协同路径规划主动平衡边缘服务器的计算资源，可以有效解决无人车的任务变化需求与边缘服务器资源之间的矛盾，实现交通流量域和边缘计算资源域的跨域负载均衡，相比于单独求解的路径规划算法和资源分配算法，该算法在无人车任务的服务延迟和行驶时间等方面具有较好的优越性。

Description

基于边缘计算的无人车协同路径规划和资源分配方法
技术领域
本发明涉及无线通信的技术领域，尤其涉及基于边缘计算的无人车协同路径规划和资源分配方法。
背景技术
智能无人车利用车载传感和计算能力来了解周围环境并实现自动驾驶，是实现更安全、更高效交通的关键。由于车辆智能受到感知范围和计算能力的限制，大多数车辆可能无法以其自身有限的计算能力在本地处理一些数据密集型任务，交通安全和效率难以得到优化。多接入边缘计算(MEC)通过计算卸载，使自动驾驶汽车能够为新兴的车联网(IoV)应用处理这些时间紧迫和数据密集型的计算任务。然而，无人车的路径变化迫使交通流量也实时变化，使得任务执行所需的资源不断变化，无人车终端无法及时获取资源，容易导致系统决策延误，引发交通事故。因此，面对边缘智能日益增长的需求，边缘计算的实时资源优化以及无人车的路径规划变得至关重要。
为了处理无人车卸载的日益复杂的计算任务，重点研究了边缘服务器的资源分配策略，但是很少研究交通状况的变化对边缘资源分配的影响，车辆始终作为一种被动的方式使用边缘计算资源，不会利用车辆的动态路径规划对边缘计算资源动态调整优化。因此，为了保证交通道路网顺畅，同时减少无人车竞争相同边缘计算资源的相互干扰，就需要有效的边缘资源分配机制，对无人车动态路径规划服务需求的变化而分配的计算资源通过动态资源分配技术实时调整。
发明内容
本发明提供了一种基于边缘计算的无人车协同路径规划和资源分配方法，基于在寻找有效的边缘服务器资源分配的同时对无人车进行合理的路径规划，利用无人车的路径规划技术主动均衡车辆边缘计算的计算资源负载。解决计算资源域和交通流量域的跨域负载均衡，旨在权衡无人车的服务时间延误和行驶时间延误，实现边缘计算资源分配和无人车路径规划的联合优化。
一种基于边缘计算的无人车协同路径规划和资源分配方法，包括如下步骤：
步骤1：设计约束条件，建立问题模型；
步骤2：结合步骤1建立的问题模型，在资源分配策略一定的情况下建立路径规划模型，在无人车选择一定的行驶路径情况下建立资源分配模型；
步骤3：对步骤2建立的路径规划模型，利用强化学习优化无人车的路径规划，根据无人车自身的路径概率向量选择路径探测各自的行驶时间得到回报函数，然后更新路径选择概率集合空间中的路径选择的概率向量，得到最优的行驶路径；
步骤4：对步骤2建立的资源分配模型，利用基于粒子群算法的多无人车协同搜索得到最佳资源分配策略，通过在线交互和迭代得到服务延迟最小的资源分配策略；
步骤5：结合步骤3和步骤4，利用交替迭代方法对两者进行联合优化，主要是将每个时隙划分为两部分，分别优化路径规划问题和资源分配问题。
优选的是，本发明步骤1中建立问题模型包括：
通信模型：
在一个部署有边缘计算基础设施的智能交通道路网中，无人车集合
Figure BDA0003402746460000021
RSU集合
Figure BDA0003402746460000022
RSU上部署有边缘服务器；无人车i的任务用一个4元组表示Φi＝{Ii,γi,ξi,οi}；其中，Ii表示无人车i的输入数据大小，γi表示无人车i的计算强度，ξi表示无人车i的任务完成截止时间，οi表示无人车i的任务输入和输出比，无人车i的任务输出大小为Ii·οi；将时间离散化为不重叠的等长时隙形式，时间间隔为
Figure BDA0003402746460000023
其中，无人车的最大任务完成截止时间决定了时隙的数量，即
Figure BDA0003402746460000024
RSU j用于为无人车提供计算卸载服务的数量表示为：
Figure BDA0003402746460000025
其中，αi,j是一个指示函数，当无人车i选择RSUj作为它的计算卸载对象时，αi,j＝1，否则αi,j＝0；
对于无人车i和RSUj，上行链路和下行链路数据由香农-哈利定理给出，即在第g个时隙中，上行和下行链路的最大传输速率分别表示为
Figure BDA0003402746460000026
和
Figure BDA0003402746460000027
其中，上行用m＝u，下行用m＝d，所以，
Figure BDA0003402746460000031
其中，W表示带宽，lj为同时运行在RSUj上的卸载服务数量，σ2表示噪声功率，Pt m表示传输功率，
Figure BDA0003402746460000032
表示无人车i和RSUj在第g个时隙的小尺度衰落信道功率增益，θ表示路径损耗指数，k0是一个常数系数；
在第g个时隙中无人车i上行链路的无线传输延迟为，
Figure BDA0003402746460000033
由于无人车的任务有完成截止时间，所以引入变量
Figure BDA0003402746460000034
表示在第g个时隙中ESj到无人车i的下行链路输出数据的大小，在第g个时隙中下行链路的无线传输延迟为，
Figure BDA0003402746460000035
Figure BDA0003402746460000036
其中
Figure BDA0003402746460000037
为无人车i的无线传输延迟。
优选的是，本发明步骤1中建立问题模型，还包括：
计算模型：
当无人车i将计算任务卸载至RSU j时，计算延迟为，
Figure BDA0003402746460000038
其中，γi表示完成无人车i生成的任务所需要的CPU周期数，Cj表示RSUj的计算能力大小，lj为同时运行在RSUj上的卸载服务数量。
优选的是，本发明步骤1中建立问题模型，还包括：
交通模型：
道路网中路段集合用E＝{e1,K,el,K,ep}表示，交叉口集合用I＝{I1,I2,K,Iq}；每辆无人车都有各自的起始点O和目标点D；在无人车行驶前，RSU首先根据实时交通状况和最短路径算法为各无人车推荐一条最优行驶路径，无人车i的行驶路径由一条有序的连续路段组成，表示为ri＝{eo,el,L,ed}；无人车在路段上的行驶速度反映了路段的交通状况，定义路段el上行驶的无人车数量为
Figure BDA0003402746460000041
其中，
Figure BDA0003402746460000042
表示路段el上一时隙积压的无人车数量，
Figure BDA0003402746460000043
是一个指示函数，当无人车i选择路段el时，指示函数
Figure BDA0003402746460000044
否则，
Figure BDA0003402746460000045
路段el的平均行驶速度为：
Figure BDA0003402746460000046
其中，
Figure BDA0003402746460000047
为路段el上的自由流速度，ψl为路段el上的无人车数量，capl为路段el的最大容量；
交通速度反映了交通拥堵状况，如果此时速度大于给定的阈值速度，则该路段还可以继续分配车辆；路段el的权重ωl由下式计算：
Figure BDA0003402746460000048
其中，sl,max表示路段el允许的最大速度；无人车数量越多，平均速度就会越小，同时权重越大，说明交通路段越拥堵；对路段权重进行归一化处理，即，
Figure BDA0003402746460000049
根据logit路径选择模型为无人车推荐路段：
Figure BDA00034027464600000410
无人车i推荐路径集合为ri＝{eo,el,L,ed}，其中o和d分别表示无人车i的起始点和目标点；无人车i在路段el的行驶时间为，
Figure BDA00034027464600000411
Figure BDA00034027464600000412
Figure BDA0003402746460000051
为无人车i按照路径ri从起始点和目标点的行驶时间。
优选的是，本发明步骤1中建立问题模型，还包括：
优化模型：
总行驶时间为无人车i从起始点和目标点的服务延迟时间和行驶时间，
Figure BDA0003402746460000052
其中，
Figure BDA0003402746460000053
为无人车i从起始点和目标点的行驶时间，
Figure BDA0003402746460000054
为无人车i的无线传输延迟，
Figure BDA0003402746460000055
为无人车i的计算任务在RSUj上的计算延迟，最小化平均系统成本，
Figure BDA0003402746460000056
优化目标表示为，
Figure BDA0003402746460000057
优选的是，本发明步骤2中得到建立路径规划和资源分配模型的具体过程如下：
在ES资源分配策略一定的情况下，优化无人车的路径规划；问题P1简化为，
Figure BDA0003402746460000058
当无人车选择一定的行驶路径时，问题P1简化为，
Figure BDA0003402746460000061
优选的是，本发明步骤3中得到最优的行驶路径的具体过程如下：
31)初始化路径选择概率
无人车选择路径的概率向量集合用表示为
Figure BDA0003402746460000062
其中，
Figure BDA0003402746460000063
为无人车
Figure BDA0003402746460000064
选择路段的概率向量，
Figure BDA0003402746460000065
表示无人车i选择路段el的概率，
Figure BDA0003402746460000066
32)更新回报函数
对于任意无人车i，它们分别探测各自的行驶时间
Figure BDA0003402746460000067
无人车i选择推荐路径集合中的路段el∈ri的回报函数记为
Figure BDA0003402746460000068
其更新公式表示为，
Figure BDA0003402746460000069
其中，ei(k)是无人车i在第k次迭代中实际所选的路段；当el被选中时，相应的回报函数值会更新，否则保持不变；
33)更新概率向量
概率向量的更新公式如下，
Figure BDA0003402746460000071
其中，η1和η2是学习效率，满足0<η2<η1<1；ei,max是无人车i当前所探索到的最优路段，表示为，
Figure BDA0003402746460000072
Figure BDA0003402746460000073
Figure BDA0003402746460000074
是无人车i在第k次迭代中的归一化回报值。
优选的是，本发明步骤4中得到服务延迟最小的资源分配策略的具体过程如下：
41)粒子群编码
基于粒子群算法，每辆无人车充当一个粒子，粒子的位置向量编码成一个1·N的一维向量X＝(X1,X2,L,XN)，速度记为V＝(V1,V2,L,VN)；对于粒子i，当前的最优位置记为XO,i，对于整个粒子种群，当前的全局最优位置记为XG；
42)更新粒子速度和位置
通过在速度前面加上一个惯性权重来限制速度的激增，在任意时间步k，PSO算法的更新公式为，
Figure BDA0003402746460000075
Figure BDA0003402746460000076
其中，κ1和κ2为加速因子，为非负实数；ω为惯性权重，其取值范围为0<ω<1；r1和r2为0到1之间的随机数；
43)设置违反约束度条件
假如当前ES已经达到其任务负荷量限制，不能继续分配资源为无人车提供计算服务；引入一个违反约束度violi，限制ESj在超出其任务负荷量时为无人车i提供服务，则violi通过下式得到，
Figure BDA0003402746460000081
其中，Dj表示ES能够同时处理的任务最大负荷量；
44)更新资源分配决策
无人车i探测到的延迟时间为
Figure BDA0003402746460000082
相应的ES资源分配决策记为
Figure BDA0003402746460000083
无人车i在第k次迭代中探测到的最小延迟时间记为
Figure BDA0003402746460000084
相应的ES最佳资源分配决策记为
Figure BDA0003402746460000085
更新公式如下，
Figure BDA0003402746460000086
Figure BDA0003402746460000087
当所有的无人车完成探测后，无人车之间交互他们当前探测到的最小延迟时间和相应的ES最佳资源分配决策；信息交互完成后，每辆无人车即可知道当前的全局最小延迟时间
Figure BDA0003402746460000088
和相应的ES最佳资源分配决策
Figure BDA0003402746460000089
分别表示为，
Figure BDA00034027464600000810
Figure BDA00034027464600000811
45)停止条件
当violi＞σ(k)时，迭代停止，其中，σ(k)是一个松弛变量，保证PSO算法中每个粒子的位置向量都在规定的定义域内，随着可行解的增加，σ也会自适应减少，
Figure BDA00034027464600000812
其中，Nfp(k)代表第k次迭代后种群中暂时可行粒子的总数目，σ(0)为初始时所有粒子的总违反约束度的平均值。
优选的是，本发明步骤5利用交替迭代方法对路径规划和资源分配进行联合优化，具体过程如下：
将每个时隙划分为两部分，分别优化路径规划问题和资源分配问题，具体步骤为：
51)ES资源分配决策一定时，用步骤3优化无人车的路径规划；
52)无人车选择一定的行驶路径时，用步骤4优化ES资源分配决策；
53)当时隙K＞Kmax时，停止迭代。
本发明提出一种基于边缘计算的无人车协同路径规划和资源分配方法，该方法结合了路径规划和资源分配算法，考虑了路径规划和资源分配两个变量之间的耦合关系以及无人车的移动性、边缘服务器的分布性、对截止时间敏感的车载任务和边缘服务器的计算能力等限制，利用无人车之间的协同路径规划主动平衡边缘服务器的计算资源，可以有效解决无人车的任务变化需求与边缘服务器资源之间的矛盾，实现交通流量域和边缘计算资源域的跨域负载均衡。相比于分别考虑求解的路径规划算法和资源分配算法，该算法在无人车任务的服务延迟和行驶时间等方面具有较好的优越性。
附图说明
图1是本发明的路径规划和资源分配方法的流程示意图。
图2是本发明的路径规划方法的流程示意图。
图3是本发明的资源分配方法的流程示意图。
图4是本发明的交替迭代方法的流程示意图。
图5是本发明的时隙划分的模型示意图。
图6是本发明的不同学习参数对路径规划算法影响的实验仿真示意图。
图7是本发明的服务延迟时间影响分析的实验仿真示意图。
图8是本发明的行驶时间影响分析的实验仿真示意图。
图9是本发明的不同无人车数量下任务完成率性能方面分析的实验仿真示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
如图1所示，一种基于边缘计算的无人车协同路径规划和资源分配方法，包括如下步骤：
步骤1：设计约束条件，建立问题模型；
步骤2：结合步骤1建立的问题模型，在资源分配策略一定的情况下建立路径规划模型，在无人车选择一定的行驶路径情况下建立资源分配模型；
步骤3：对步骤2建立的路径规划模型，利用强化学习优化无人车的路径规划，根据无人车自身的路径概率向量选择路径探测各自的行驶时间得到回报函数，然后更新路径选择概率集合空间中的路径选择的概率向量，得到最优的行驶路径；
步骤4：对步骤2建立的资源分配模型，利用基于粒子群算法的多无人车协同搜索得到最佳资源分配策略，通过在线交互和迭代得到服务延迟最小的资源分配策略；
步骤5：结合步骤3和步骤4，利用交替迭代方法对两者进行联合优化，主要是将每个时隙划分为两部分，分别优化路径规划问题和资源分配问题。
本发明步骤1中建立问题模型包括：
通信模型：
在一个部署有边缘计算基础设施的智能交通道路网中，无人车集合
Figure BDA0003402746460000101
RSU集合
Figure BDA0003402746460000102
RSU上部署有边缘服务器；无人车i的任务用一个4元组表示Φi＝{Ii,γi,ξi,οi}；其中，Ii表示无人车i的输入数据大小，γi表示无人车i的计算强度，ξi表示无人车i的任务完成截止时间，οi表示无人车i的任务输入和输出比，无人车i的任务输出大小为Ii·οi；将时间离散化为不重叠的等长时隙形式，时间间隔为
Figure BDA0003402746460000103
其中，无人车的最大任务完成截止时间决定了时隙的数量，即
Figure BDA0003402746460000104
RSU j用于为无人车提供计算卸载服务的数量表示为：
Figure BDA0003402746460000105
其中，αi,j是一个指示函数，当无人车i选择RSUj作为它的计算卸载对象时，αi,j＝1，否则αi,j＝0；
对于无人车i和RSUj，上行链路和下行链路数据由香农-哈利定理给出，即在第g个时隙中，上行和下行链路的最大传输速率分别表示为
Figure BDA0003402746460000106
和
Figure BDA0003402746460000107
其中，上行用m＝u，下行用m＝d，所以，
Figure BDA0003402746460000108
其中，W表示带宽，lj为同时运行在RSUj上的卸载服务数量，σ2表示噪声功率，Pt m表示传输功率，
Figure BDA0003402746460000111
表示无人车i和RSU j在第g个时隙的小尺度衰落信道功率增益，θ表示路径损耗指数，k0是一个常数系数；
在第g个时隙中无人车i上行链路的无线传输延迟为，
Figure BDA0003402746460000112
由于无人车的任务有完成截止时间，所以引入变量
Figure BDA0003402746460000113
表示在第g个时隙中ESj到无人车i的下行链路输出数据的大小，在第g个时隙中下行链路的无线传输延迟为，
Figure BDA0003402746460000114
Figure BDA0003402746460000115
其中
Figure BDA0003402746460000116
为无人车i的无线传输延迟。
本发明步骤1中建立问题模型，还包括：
计算模型：
当无人车i将计算任务卸载至RSU j时，计算延迟为，
Figure BDA0003402746460000117
其中，γi表示完成无人车i生成的任务所需要的CPU周期数，Cj表示RSUj的计算能力大小，lj为同时运行在RSUj上的卸载服务数量。
本发明步骤1中建立问题模型，还包括：
交通模型：
道路网中路段集合用E＝{e1,K,el,K,ep}表示，交叉口集合用I＝{I1,I2,K,Iq}；每辆无人车都有各自的起始点O和目标点D；在无人车行驶前，RSU首先根据实时交通状况和最短路径算法为各无人车推荐一条最优行驶路径，无人车i的行驶路径由一条有序的连续路段组成，表示为ri＝{eo,el,L,ed}；无人车在路段上的行驶速度反映了路段的交通状况，定义路段el上行驶的无人车数量为
Figure BDA0003402746460000118
其中，
Figure BDA0003402746460000119
表示路段el上一时隙积压的无人车数量，
Figure BDA0003402746460000121
是一个指示函数，当无人车i选择路段el时，指示函数
Figure BDA0003402746460000122
否则，
Figure BDA0003402746460000123
路段el的平均行驶速度为：
Figure BDA0003402746460000124
其中，
Figure BDA0003402746460000125
为路段el上的自由流速度，ψl为路段el上的无人车数量，capl为路段el的最大容量；
交通速度反映了交通拥堵状况，如果此时速度大于给定的阈值速度，则该路段还可以继续分配车辆；路段el的权重ωl由下式计算：
Figure BDA0003402746460000126
其中，sl,max表示路段el允许的最大速度；无人车数量越多，平均速度就会越小，同时权重越大，说明交通路段越拥堵；对路段权重进行归一化处理，即，
Figure BDA0003402746460000127
根据logit路径选择模型为无人车推荐路段：
Figure BDA0003402746460000128
无人车i推荐路径集合为ri＝{eo,el,L,ed}，其中o和d分别表示无人车i的起始点和目标点；无人车i在路段el的行驶时间为，
Figure BDA0003402746460000129
Figure BDA00034027464600001210
Figure BDA00034027464600001211
为无人车i按照路径ri从起始点和目标点的行驶时间。
本发明步骤1中建立问题模型，还包括：
优化模型：
总行驶时间为无人车i从起始点和目标点的服务延迟时间和行驶时间，
Figure BDA0003402746460000131
其中，基于公式(12)得到
Figure BDA0003402746460000132
为无人车i从起始点和目标点的行驶时间；基于公式(5)得到
Figure BDA0003402746460000133
为无人车i的无线传输延迟；基于公式(6)得到
Figure BDA0003402746460000134
为无人车i的计算任务在RSU j上的计算延迟；最小化平均系统成本，
Figure BDA0003402746460000135
优化目标表示为，
Figure BDA0003402746460000136
本发明步骤2中得到建立路径规划和资源分配模型的具体过程如下：
在ES资源分配策略一定的情况下，优化无人车的路径规划；问题P1简化为，
Figure BDA0003402746460000137
当无人车选择一定的行驶路径时，问题P1简化为，
Figure BDA0003402746460000141
如图2所示，本发明步骤3中得到最优的行驶路径的具体过程如下：
31)初始化路径选择概率
无人车选择路径的概率向量集合用表示为
Figure BDA0003402746460000142
其中，
Figure BDA0003402746460000143
为无人车
Figure BDA0003402746460000144
选择路段的概率向量，
Figure BDA0003402746460000145
表示无人车i选择路段el的概率，
Figure BDA0003402746460000146
32)更新回报函数
对于任意无人车i，它们分别探测各自的行驶时间
Figure BDA0003402746460000147
无人车i选择推荐路径集合中的路段el∈ri的回报函数记为
Figure BDA0003402746460000148
其更新公式表示为，
Figure BDA0003402746460000149
其中，ei(k)是无人车i在第k次迭代中实际所选的路段；当el被选中时，相应的回报函数值会更新，否则保持不变；
33)更新概率向量
概率向量的更新公式如下，
Figure BDA0003402746460000151
其中，η1和η2是学习效率，满足0<η2<η1<1；ei,max是无人车i当前所探索到的最优路段，表示为，
Figure BDA0003402746460000152
Figure BDA0003402746460000153
Figure BDA0003402746460000154
是无人车i在第k次迭代中的归一化回报值。
如图3所示，本发明步骤4中得到服务延迟最小的资源分配策略的具体过程如下：
41)粒子群编码
基于粒子群算法，每辆无人车充当一个粒子，粒子的位置向量编码成一个1·N的一维向量X＝(X1,X2,L,XN)，速度记为V＝(V1,V2,L,VN)；对于粒子i，当前的最优位置记为XO,i，对于整个粒子种群，当前的全局最优位置记为XG；
42)更新粒子速度和位置
通过在速度前面加上一个惯性权重来限制速度的激增，在任意时间步k，PSO算法的更新公式为，
Figure BDA0003402746460000155
Figure BDA0003402746460000156
其中，κ1和κ2为加速因子，为非负实数；ω为惯性权重，其取值范围为0<ω<1；r1和r2为0到1之间的随机数；
43)设置违反约束度条件
假如当前ES已经达到其任务负荷量限制，不能继续分配资源为无人车提供计算服务；引入一个违反约束度violi，限制ESj在超出其任务负荷量时为无人车i提供服务，则violi通过下式得到，
Figure BDA0003402746460000161
其中，Dj表示ES能够同时处理的任务最大负荷量；
44)更新资源分配决策
无人车i探测到的延迟时间为
Figure BDA0003402746460000162
相应的ES资源分配决策记为
Figure BDA0003402746460000163
无人车i在第k次迭代中探测到的最小延迟时间记为
Figure BDA0003402746460000164
相应的ES最佳资源分配决策记为
Figure BDA0003402746460000165
更新公式如下，
Figure BDA0003402746460000166
Figure BDA0003402746460000167
当所有的无人车完成探测后，无人车之间交互他们当前探测到的最小延迟时间和相应的ES最佳资源分配决策；信息交互完成后，每辆无人车即可知道当前的全局最小延迟时间
Figure BDA0003402746460000168
和相应的ES最佳资源分配决策
Figure BDA0003402746460000169
分别表示为，
Figure BDA00034027464600001610
Figure BDA00034027464600001611
45)停止条件
当violi＞σ(k)时，迭代停止，其中，σ(k)是一个松弛变量，保证PSO算法中每个粒子的位置向量都在规定的定义域内，随着可行解的增加，σ也会自适应减少，
Figure BDA00034027464600001612
其中，Nfp(k)代表第k次迭代后种群中暂时可行粒子的总数目，σ(0)为初始时所有粒子的总违反约束度的平均值。
如图4所示，本发明步骤5利用交替迭代方法对路径规划和资源分配进行联合优化，具体过程如下：
将每个时隙划分为两部分，分别优化路径规划问题和资源分配问题，具体步骤为：
51)ES资源分配决策一定时，用步骤3优化无人车的路径规划；
52)无人车选择一定的行驶路径时，用步骤4优化ES资源分配决策；
53)当时隙K＞Kmax时，停止迭代。
结合图5对本发明的时隙划分模型进行说明：
考虑实际交通路网中的可操作性和可实现性，下面主要设计迭代过程中的时隙划分。时隙的序号记为K，在每个时隙内进行交替迭代算法中的一次迭代。其中，将每个时隙划又分为两部分，分别记为K1和K2。在K1中，使用路径规划算法优化无人车的路径规划，在K2中，使用资源分配决算法优化边缘服务器的资源分配决策。在路径规划和资源分配过程中，K1和K2又划分为多个小时隙，在每个小时隙内分别进行路径规划算法和资源分配算法中的一次迭代。K1中的每一个小时隙又被划分成四个部分，第一部分用来为无人车推荐行驶路径，第二部分为无人车i根据其概率向量
Figure BDA0003402746460000171
选择行驶路径，第三部分用于无人车根据所选的路径信息探测各自的最小延迟时间，第四部分用于学习，即根据公式(19)和(20)更新概率向量。类似地，K2中的每一个小时隙被划分成四部分，第一部分用于种群粒子编码并开始探测；第二部分用于探测当前每辆无人车的各自最小延迟时间，并根据公式(27)跟新最优位置
Figure BDA0003402746460000172
第三部分用于无人车之间的相互，根据公式(29)更新当前全局最优位置
Figure BDA0003402746460000173
第四部分根据公式(24)计算无人车下一个探测位置
Figure BDA0003402746460000174
为了验证所提算法的有效性，在不同的实验场景下进行了仿真实验。首先，在不同的学习参数组合的基础上，分析了不同学习参数对路径规划算法的影响。然后，在不同车数和任务大小的基准数据集中，将所提交替迭代(AO)算法在行驶时间性能方面与实时路径重规划算法(RTRR)+最短距离优先(SDF)算法和社会车辆路径选择算法(SVRS)+最佳响应分配(BA)算法做了比较。其次，在同等实验条件下，将所提算法在服务延迟性能方面与实时路径重规划算法+最短距离优先算法和社会车辆路径选择算法+最佳响应分配算法做了比较。最后，通过调整任务大小和任务的截止完成时间，将所提算法在不同无人车数量下任务完成率性能方面与实时路径重规划算法+最短距离优先算法和社会车辆路径选择算法+最佳响应分配算法做了比较。。实验平台所用的MATLAB运行在一台Windows 10系统电脑上，其具有i7处理器和16G运行内存。
(1)不同学习参数对路径规划算法的影响
在路径规划算法中，学习参数η1和η2是影响算法收敛性的重要参数。在不同的η1和η2设定下得到的总延迟时间随迭代变化情况如图6所示。可以看到，当η1＝0.03，η2＝0.015时，算法的收敛速度最快，但是其收敛后得到的时间最长。随着η1和η2的值的减小，算法收敛后得到的时间减小，但其收敛速度随之下降。因此，在设定的η1和η2值时，应考虑收敛速度和收敛精度之间的折中。
(2)服务延迟时间影响分析
无人车在行驶过程中需要优质的服务质量，因此，在边缘服务器端，需要较低的通信和计算服务延迟保障无人车的服务质量。图7所示为不同方法下的平均服务延迟时间对比结果。可以看出，交替迭代优化算法针对不同车流量的交通场景，其服务延迟时间均最小化。这是因为交替迭代优化算法不仅为无人车规划出最优行驶路线，而且根据边缘服务器的负载情况为无人车合理分配资源，即，使用路径规划技术主动均衡边缘服务器的资源分配，不会造成边缘服务器的资源超荷情况。同时可以看出，随着交通密度和任务大小的增加，交替迭代优化算法的增长变化率最缓慢。
(3)行驶时间影响分析
行驶时间是衡量无人车在实际交通路网中行驶路线优劣的主要性能指标。本发明主要计算所有无人车完成行驶任务的平均行驶时间，如图8所示。我们所提的交替迭代优化算法的效果明显优于其他两种组合算法。在交通密度较低的情况下，几种算法的结果表现相似，这是因为此时的交通流量在交通路网中分布比较均衡，不会发生潜在的拥堵情况。但是随着车流量的不断增加，交替迭代优化算法明显优于其他几种算法，这是因为交替迭代优化算法能够有效引导交通流，将无人车均衡的分配至各路段上。同时，在不同的任务大小的设置下，交替迭代优化算法也实现了较高的通行效率，能够合理分配有效的边缘服务器为无人车提供计算通信服务。
(4)不同无人车数量下任务完成率性能方面分析
为了定量分析边缘服务器资源分配策略的性能，本发明比较了图9中在不同无人车数量下各算法的完成率。任务完成率定义为边缘服务器的有效返回数据除以无人车任务的需求输出数据总量，即，
Figure BDA0003402746460000181
其中，变量
Figure BDA0003402746460000182
表示在第g个时隙中无人车i的实际接收到的下行链路输出数据大小。特别是，为了测试所提出交替迭代优化算法的优势，我们在图9中的3个子图中调整任务大小和截止完成时间的分布。同组实验中，交通路网中的无人车的数量越多导致交通密度越大，但是由于边缘服务器计算资源有限且任务截至完成时间相同，与交通路网中无人车数量较少的情况相比，边缘服务器无法计算更多的任务。即使这样，在不同的交通场景下，我们提出的交替迭代优化算法仍然优于其他两种组合算法。从结果中，我们可以得出截至完成时间对算法性能的重要性。此外，还可以看出，三种对比算法之间的差异随着交通密度的增加而减小，可以设想，当边缘服务器的计算能力足够大时，图9中的线条将会重合，但是，对于实际交通场景，交替迭代优化算法能够提供稳定的服务延迟和计算卸载服务。

Claims (9)

1.一种基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于包括如下步骤：
步骤1：设计约束条件，建立问题模型；
步骤2：结合步骤1建立的问题模型，在资源分配策略一定的情况下建立路径规划模型，在无人车选择一定的行驶路径情况下建立资源分配模型；
步骤3：对步骤2建立的路径规划模型，利用强化学习优化无人车的路径规划，根据无人车自身的路径概率向量选择路径探测各自的行驶时间得到回报函数，然后更新路径选择概率集合空间中的路径选择的概率向量，得到最优的行驶路径；
步骤4：对步骤2建立的资源分配模型，利用基于粒子群算法的多无人车协同搜索得到最佳资源分配策略，通过在线交互和迭代得到服务延迟最小的资源分配策略；
步骤5：结合步骤3和步骤4，利用交替迭代方法对两者进行联合优化，主要是将每个时隙划分为两部分，分别优化路径规划问题和资源分配问题。
2.根据权利要求1所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤1中建立问题模型包括：
通信模型：
在一个部署有边缘计算基础设施的智能交通道路网中，无人车集合
Figure FDA0003402746450000011
RSU集合
Figure FDA0003402746450000012
RSU上部署有边缘服务器；无人车i的任务用一个4元组表示Φi＝{Ii,γi,ξi,οi}；其中，Ii表示无人车i的输入数据大小，γi表示无人车i的计算强度，ξi表示无人车i的任务完成截止时间，οi表示无人车i的任务输入和输出比，无人车i的任务输出大小为Ii·οi；将时间离散化为不重叠的等长时隙形式，时间间隔为
Figure FDA0003402746450000013
其中，无人车的最大任务完成截止时间决定了时隙的数量，即
Figure FDA0003402746450000014
RSU j用于为无人车提供计算卸载服务的数量表示为：
Figure FDA0003402746450000015
其中，αi,j是一个指示函数，当无人车i选择RSU j作为它的计算卸载对象时，αi,j＝1，否则αi,j＝0；
对于无人车i和RSU j，上行链路和下行链路数据由香农-哈利定理给出，即在第g个时隙中，上行和下行链路的最大传输速率分别表示为
Figure FDA0003402746450000021
和
Figure FDA0003402746450000022
其中，上行用m＝u，下行用m＝d，所以，
Figure FDA0003402746450000023
其中，W表示带宽，lj为同时运行在RSU j上的卸载服务数量，σ2表示噪声功率，Pt m表示传输功率，
Figure FDA0003402746450000024
表示无人车i和RSU j在第g个时隙的小尺度衰落信道功率增益，θ表示路径损耗指数，k0是一个常数系数；
在第g个时隙中无人车i上行链路的无线传输延迟为，
Figure FDA0003402746450000025
由于无人车的任务有完成截止时间，所以引入变量
Figure FDA0003402746450000026
表示在第g个时隙中ESj到无人车i的下行链路输出数据的大小，在第g个时隙中下行链路的无线传输延迟为，
Figure FDA0003402746450000027
Figure FDA0003402746450000028
其中
Figure FDA0003402746450000029
为无人车i的无线传输延迟。
3.根据权利要求2所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤1中建立问题模型，还包括：
计算模型：
当无人车i将计算任务卸载至RSU j时，计算延迟为，
Figure FDA00034027464500000210
其中，γi表示完成无人车i生成的任务所需要的CPU周期数，Cj表示RSU j的计算能力大小，lj为同时运行在RSU j上的卸载服务数量。
4.根据权利要求3所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤1中建立问题模型，还包括：
交通模型：
道路网中路段集合用E＝{e1,K,el,K,ep}表示，交叉口集合用I＝{I1,I2,K,Iq}；每辆无人车都有各自的起始点O和目标点D；在无人车行驶前，RSU首先根据实时交通状况和最短路径算法为各无人车推荐一条最优行驶路径，无人车i的行驶路径由一条有序的连续路段组成，表示为ri＝{eo,el,L,ed}；无人车在路段上的行驶速度反映了路段的交通状况，定义路段el上行驶的无人车数量为
Figure FDA0003402746450000031
其中，
Figure FDA0003402746450000032
表示路段el上一时隙积压的无人车数量，
Figure FDA0003402746450000033
是一个指示函数，当无人车i选择路段el时，指示函数
Figure FDA0003402746450000034
否则，
Figure FDA0003402746450000035
路段el的平均行驶速度为：
Figure FDA0003402746450000036
其中，
Figure FDA0003402746450000037
为路段el上的自由流速度，ψl为路段el上的无人车数量，capl为路段el的最大容量；
交通速度反映了交通拥堵状况，如果此时速度大于给定的阈值速度，则该路段还可以继续分配车辆；路段el的权重ωl由下式计算：
Figure FDA0003402746450000038
其中，sl,max表示路段el允许的最大速度；无人车数量越多，平均速度就会越小，同时权重越大，说明交通路段越拥堵；对路段权重进行归一化处理，即，
Figure FDA0003402746450000039
根据logit路径选择模型为无人车推荐路段：
Figure FDA00034027464500000310
无人车i推荐路径集合为ri＝{eo,el,L,ed}，其中o和d分别表示无人车i的起始点和目标点；无人车i在路段el的行驶时间为，
Figure FDA0003402746450000041
Figure FDA0003402746450000042
Figure FDA0003402746450000043
为无人车i按照路径ri从起始点和目标点的行驶时间。
5.根据权利要求4所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤1中建立问题模型，还包括：
优化模型：
总行驶时间为无人车i从起始点和目标点的服务延迟时间和行驶时间，
Figure FDA0003402746450000044
其中，
Figure FDA0003402746450000045
为无人车i从起始点和目标点的行驶时间，
Figure FDA0003402746450000046
为无人车i的无线传输延迟，
Figure FDA0003402746450000047
为无人车i的计算任务在RSU j上的计算延迟，最小化平均系统成本，
Figure FDA0003402746450000048
优化目标表示为，
P1:
Figure FDA0003402746450000049
s.t.
Figure FDA00034027464500000410
Figure FDA00034027464500000411
Figure FDA00034027464500000412
Figure FDA00034027464500000413
o(i),d(i)∈ri
Figure FDA00034027464500000414
。
6.根据权利要求5所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤2中得到建立路径规划和资源分配模型的具体过程如下：
在ES资源分配策略一定的情况下，优化无人车的路径规划；问题P1简化为，
P2:
Figure FDA0003402746450000051
Figure FDA0003402746450000052
当无人车选择一定的行驶路径时，问题P1简化为，
P3:
Figure FDA0003402746450000053
s.t.
Figure FDA0003402746450000054
Figure FDA0003402746450000055
Figure FDA0003402746450000056
o(i),d(i)∈ri
Figure FDA0003402746450000057
7.根据权利要求6所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤3中得到最优的行驶路径的具体过程如下：
31)初始化路径选择概率
无人车选择路径的概率向量集合用表示为
Figure FDA0003402746450000058
其中，
Figure FDA0003402746450000059
为无人车
Figure FDA00034027464500000510
选择路段的概率向量，
Figure FDA00034027464500000511
表示无人车i选择路段el的概率，
Figure FDA00034027464500000512
32)更新回报函数
对于任意无人车i，它们分别探测各自的行驶时间
Figure FDA00034027464500000513
无人车i选择推荐路径集合中的路段el∈ri的回报函数记为
Figure FDA00034027464500000514
其更新公式表示为，
Figure FDA0003402746450000061
其中，ei(k)是无人车i在第k次迭代中实际所选的路段；当el被选中时，相应的回报函数值会更新，否则保持不变；
33)更新概率向量
概率向量的更新公式如下，
Figure FDA0003402746450000062
其中，η1和η2是学习效率，满足0<η2<η1<1；ei,max是无人车i当前所探索到的最优路段，表示为，
Figure FDA0003402746450000063
Figure FDA0003402746450000064
Figure FDA0003402746450000065
是无人车i在第k次迭代中的归一化回报值。
8.根据权利要求7所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述步骤4中得到服务延迟最小的资源分配策略的具体过程如下：
41)粒子群编码
基于粒子群算法，每辆无人车充当一个粒子，粒子的位置向量编码成一个1·N的一维向量X＝(X1,X2,L,XN)，速度记为V＝(V1,V2,L,VN)；对于粒子i，当前的最优位置记为XO,i，对于整个粒子种群，当前的全局最优位置记为XG；
42)更新粒子速度和位置
通过在速度前面加上一个惯性权重来限制速度的激增，在任意时间步k，PSO算法的更新公式为，
Figure FDA0003402746450000066
Figure FDA0003402746450000071
其中，κ1和κ2为加速因子，为非负实数；ω为惯性权重，其取值范围为0<ω<1；r1和r2为0到1之间的随机数；
43)设置违反约束度条件
假如当前ES已经达到其任务负荷量限制，不能继续分配资源为无人车提供计算服务；引入一个违反约束度violi，限制ESj在超出其任务负荷量时为无人车i提供服务，则violi通过下式得到，
Figure FDA0003402746450000072
其中，Dj表示ES能够同时处理的任务最大负荷量；
44)更新资源分配决策
无人车i探测到的延迟时间为
Figure FDA0003402746450000073
相应的ES资源分配决策记为
Figure FDA0003402746450000074
无人车i在第k次迭代中探测到的最小延迟时间记为
Figure FDA0003402746450000075
相应的ES最佳资源分配决策记为
Figure FDA0003402746450000076
更新公式如下，
Figure FDA0003402746450000077
Figure FDA0003402746450000078
当所有的无人车完成探测后，无人车之间交互他们当前探测到的最小延迟时间和相应的ES最佳资源分配决策；信息交互完成后，每辆无人车即可知道当前的全局最小延迟时间
Figure FDA0003402746450000079
和相应的ES最佳资源分配决策
Figure FDA00034027464500000710
分别表示为，
Figure FDA00034027464500000711
Figure FDA00034027464500000712
45)停止条件
当violi＞σ(k)时，迭代停止，其中，σ(k)是一个松弛变量，保证PSO算法中每个粒子的位置向量都在规定的定义域内，随着可行解的增加，σ也会自适应减少，
Figure FDA0003402746450000081
其中，Nfp(k)代表第k次迭代后种群中暂时可行粒子的总数目，σ(0)为初始时所有粒子的总违反约束度的平均值。
9.根据权利要求8所述的基于边缘计算的无人车协同路径规划和资源分配方法，其特征在于上述上述步骤5利用交替迭代方法对路径规划和资源分配进行联合优化，具体过程如下：
将每个时隙划分为两部分，分别优化路径规划问题和资源分配问题，具体步骤为：
51)ES资源分配决策一定时，用步骤3优化无人车的路径规划；
52)无人车选择一定的行驶路径时，用步骤4优化ES资源分配决策；
53)当时隙K＞Kmax时，停止迭代。
CN202111504158.9A 2021-12-09 2021-12-09 基于边缘计算的无人车协同路径规划和资源分配方法 Pending CN114189869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111504158.9A CN114189869A (zh) 2021-12-09 2021-12-09 基于边缘计算的无人车协同路径规划和资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111504158.9A CN114189869A (zh) 2021-12-09 2021-12-09 基于边缘计算的无人车协同路径规划和资源分配方法

Publications (1)

Publication Number Publication Date
CN114189869A true CN114189869A (zh) 2022-03-15

Family

ID=80604240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111504158.9A Pending CN114189869A (zh) 2021-12-09 2021-12-09 基于边缘计算的无人车协同路径规划和资源分配方法

Country Status (1)

Country Link
CN (1) CN114189869A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115361689A (zh) * 2022-08-08 2022-11-18 广东工业大学 固定站点与无人机搭载边缘服务器的协同部署方法
CN117250868A (zh) * 2023-11-14 2023-12-19 泉州装备制造研究所 基于多目标粒子群算法的分流控制方法、系统及存储介质
CN117894201A (zh) * 2024-03-11 2024-04-16 湘江实验室 基于全局交通信息的道路交通引导方法、装置及相关设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115361689A (zh) * 2022-08-08 2022-11-18 广东工业大学 固定站点与无人机搭载边缘服务器的协同部署方法
CN115361689B (zh) * 2022-08-08 2023-06-02 广东工业大学 固定站点与无人机搭载边缘服务器的协同部署方法
CN117250868A (zh) * 2023-11-14 2023-12-19 泉州装备制造研究所 基于多目标粒子群算法的分流控制方法、系统及存储介质
CN117250868B (zh) * 2023-11-14 2024-03-01 泉州装备制造研究所 基于多目标粒子群算法的分流控制方法、系统及存储介质
CN117894201A (zh) * 2024-03-11 2024-04-16 湘江实验室 基于全局交通信息的道路交通引导方法、装置及相关设备

Similar Documents

Publication Publication Date Title
Xu et al. Service offloading with deep Q-network for digital twinning-empowered internet of vehicles in edge computing
Zhang et al. Task offloading method of edge computing in internet of vehicles based on deep reinforcement learning
CN114189869A (zh) 基于边缘计算的无人车协同路径规划和资源分配方法
CN112055329B (zh) 一种适用于rsu覆盖切换的边缘车联网任务卸载方法
CN113132943B (zh) 一种车联网中车边协同的任务卸载调度及资源分配方法
Zhang et al. Multi-task allocation in mobile crowd sensing with mobility prediction
Mekala et al. Resource offload consolidation based on deep-reinforcement learning approach in cyber-physical systems
Wang et al. A reinforcement learning approach for online service tree placement in edge computing
CN115002123B (zh) 基于移动边缘计算的快速适应任务卸载系统和方法
Nguyen et al. Flexible computation offloading in a fuzzy-based mobile edge orchestrator for IoT applications
Lv et al. Edge computing task offloading for environmental perception of autonomous vehicles in 6G networks
Yuan et al. Integrated route planning and resource allocation for connected vehicles
Hsu et al. Mobility-aware QoS promotion and load balancing in MEC-based vehicular networks: A deep learning approach
Li et al. DNN partition and offloading strategy with improved particle swarm genetic algorithm in VEC
Xue et al. Cross-domain coordination of resource allocation and route planning for the edge computing-enabled multi-connected vehicles
Sun et al. Task offloading method of internet of vehicles based on cloud-edge computing
Liu et al. Multiple UAVs collaborative traffic monitoring with intention-based communication
Su et al. Towards fast and energy-efficient offloading for vehicular edge computing
Liu et al. MIDP: An MDP-based intelligent big data processing scheme for vehicular edge computing
Huang et al. Learning-aided fine grained offloading for real-time applications in edge-cloud computing
Fan et al. Deep Reinforcement Learning-Based Task Offloading for Vehicular Edge Computing With Flexible RSU-RSU Cooperation
Su et al. Efficient task offloading with swarm intelligence evolution for edge‐cloud collaboration in vehicular edge computing
Gao et al. Fast Adaptive Task Offloading and Resource Allocation in Large-Scale MEC Systems via Multiagent Graph Reinforcement Learning
CN115208892A (zh) 基于动态资源需求的车路协同在线任务调度方法及系统
Saranya et al. An efficient computational offloading framework using HAA optimization-based deep reinforcement learning in edge-based cloud computing architecture

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination