CN115086917A

CN115086917A - 数字孪生车联网中的感知任务处理方法及系统

Info

Publication number: CN115086917A
Application number: CN202210626120.7A
Authority: CN
Inventors: 魏翼飞; 公雨; 陈墨; 宋罗娜; 柴家雍; 宋梅; 王小娟
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2022-06-02
Filing date: 2022-06-02
Publication date: 2022-09-20

Abstract

数字孪生车联网中的感知任务处理方法及系统，该方法由任务车辆TaV发起感知任务，将感知任务转发到虚拟控制单元VCU；虚拟控制单元VCU根据感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策；任务车辆TaV收到卸载决定后，对自身的感知任务进行拆分，任务车辆TaV在本地执行分配给自身的子任务；任务车辆TaV根据卸载决定将分配出去的子任务上传到服务节点SNs；对环境感知数据进行预处理或收到传输的子任务后，服务节点SNs执行计算所分配到的子任务。本发明融合网络切片和数字孪生，能够实现以服务为中心和以用户为中心的一体化组网；每个服务节点可以选择上传数据还是上传指令，大大降低传输时延。

Description

数字孪生车联网中的感知任务处理方法及系统

技术领域

本公开涉及车联网技术领域，尤其涉及一种数字孪生车联网中的感知任务处理方法及系统。

背景技术

工业物联网使工业单元(如设备、仪器和传感器)能够与他人进行交互和通信，从而使工业生产走向数字化和网络化。作为工业物联网的重要组成部分，车联网可以利用车载传感器对车辆进行综合感知，利用先进的网络技术对道路上的交通进行控制，将提高驾驶安全和交通效率。

车联网可以提供三种类型的服务，分别为专注于QoE改善的信息服务(如信息分发和远程救援)、汽车智能(如自动驾驶)和更大规模的智能(如智能交通系统(ITS))。ITS需要密集的计算资源来满足低延迟的约束，因为它的一些业务需求，如智能物流，都依赖于环境信息和交通行为进行决策。自动驾驶汽车具有比便携式设备更好的处理能力，但由于所配备的处理器类型不同，不同车辆的计算性能也有所不同。应用程序的复杂性和多样性以及有限的本地计算资源仍然是车载处理器面临的严峻挑战。当车辆需要将任务卸载给具有足够计算能力的服务节点(SNs)时(包括路边单元RSU和被视为车辆边缘服务器Ves的临近车辆)，数据交付的任务处理和通信调度与资源管理密切相关，使得任务卸载变得复杂。此外，环境的变化、车辆的移动性、服务节点的不同处理能力也给车辆边缘计算管理带来了前所未有的挑战。

发明内容

有鉴于此，本公开的目的在于提出一种数字孪生车联网中的感知任务处理方法及系统，用以解决或部分解决上述技术问题。

基于上述目的，本公开的第一方面提供了一种数字孪生车联网中的感知任务处理方法，包括：

由任务车辆TaV发起感知任务，所述感知任务包括输入数据大小、计算强度和QoE需求，将所述感知任务转发到虚拟控制单元VCU；

虚拟控制单元VCU根据收到的任务车辆TaV的感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策，所述卸载决策包括每个服务节点SNs的自适应传输策略、任务比例和无线带宽比例；

虚拟控制单元VCU将生成的卸载决策发送至任务车辆TaV及服务节点SNs；

任务车辆TaV收到虚拟控制单元VCU下发的卸载决定后，对自身的感知任务进行拆分，任务车辆TaV在本地执行分配给自身的子任务；任务车辆TaV根据卸载决定将需要卸载的子任务上传到服务节点SNs；

对环境感知数据进行预处理或收到传输的子任务后，服务节点SNs执行计算所分配到的子任务。

作为数字孪生车联网中的感知任务处理方法优选方案，所述卸载决策中的自适应传输策略包括数据传输DataT和协调的环境感知指令传输InsT；

当卸载决定选择DataT模式时，任务车辆TaV通过无线链路将环境感知数据卸载到服务节点SNs；

当卸载决定选择协调的环境感知指令传输InsT模式时，服务节点SNs通过无线链路收到虚拟控制单元VCU的InsT后，对自身传感器收集到的类似环境信息进行预处理，然后执行所分配的子任务。

作为数字孪生车联网中的感知任务处理方法优选方案，采用FDMA频分多址技术，进行路边单元RSU和车辆边缘服务器Ves的同时通信；在上传和反馈过程中采用时分双工TDD模式；

在车联网中引入数字孪生DT技术，构建一个数字孪生DT空间，数字孪生DT空间包含物理实体数据和通信连接的数字描述；

对于每一任务车辆TaV，车辆边缘服务器Ves和路边单元RSU生成包含速度、位置信息的数字孪生；在连续更新的情况下使数字孪生的功能与物理实体的功能保持同步。

作为数字孪生车联网中的感知任务处理方法优选方案，对环境感知数据进行预处理的方式为，通过坐标变换使服务节点SNs与任务车辆TaV感知的信息保存一致；联合优化任务和无线带宽比例，以最小化感知任务处理的响应时延ORT。

作为数字孪生车联网中的感知任务处理方法优选方案，

当子任务在本地执行时，上传和卸载时间为0；

当子任务在车辆边缘服务器Ves上执行时，及当子任务在配备MEC服务器上的路边单元RSU执行时，响应时延ORT的总时间均包括任务卸载时间、任务执行时间和结果返回时间。

作为数字孪生车联网中的感知任务处理方法优选方案，

将同一时隙内请求同一类型服务的任务车辆TaV和服务节点SNs视为网络切片，将每个网络切片内的虚拟控制单元VCU作为一个智能体，智能体之间形成合作博弈，合作博弈的目标为最小化系统时延；

根据Shapley Q值对不同智能体的贡献进行量化，进行网络切片间的资源分配。

本公开的第二方面提供了一种数字孪生车联网中的感知任务处理系统，包括：

任务感知模块，用于由任务车辆TaV发起感知任务，所述感知任务包括输入数据大小、计算强度和QoE需求；

第一转发模块，用于将所述感知任务转发到虚拟控制单元VCU；

卸载决策模块，用于虚拟控制单元VCU根据收到的任务车辆TaV的感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策，所述卸载决策包括每个服务节点SNs的自适应传输策略、任务比例和无线带宽比例；

第二转发模块，用于虚拟控制单元VCU将生成的卸载决策发送至任务车辆TaV及服务节点SNs；

任务拆分模块，用于任务车辆TaV收到虚拟控制单元VCU下发的卸载决定后，对自身的感知任务进行拆分；

第一执行模块，用于任务车辆TaV在本地执行分配给自身的子任务；

任务分配模块，用于任务车辆TaV根据卸载决定将需要卸载的子任务上传到服务节点SNs；

预处理模块，用于对环境感知数据进行预处理；

第二执行模块，用于服务节点SNs收到传输的子任务后执行计算所分配到的子任务。

作为数字孪生车联网中的感知任务处理系统优选方案，所述卸载决策模块中的自适应传输策略包括数据传输DataT和协调的环境感知指令传输InsT；

作为数字孪生车联网中的感知任务处理系统优选方案，所述第二转发模块采用FDMA频分多址技术，进行路边单元RSU和车辆边缘服务器Ves的同时通信；在上传和反馈过程中采用时分双工TDD模式。

作为数字孪生车联网中的感知任务处理系统优选方案，还包括数字孪生模块，用于在车联网中引入数字孪生DT技术，构建一个数字孪生DT空间，数字孪生DT空间包含物理实体数据和通信连接的数字描述；

所述数字孪生模块对于每一任务车辆TaV，车辆边缘服务器Ves和路边单元RSU生成包含速度、位置信息的数字孪生；在连续更新的情况下使数字孪生的功能与物理实体的功能保持同步。

作为数字孪生车联网中的感知任务处理系统优选方案，所述预处理模块对环境感知数据进行预处理的方式为，通过坐标变换使服务节点SNs与任务车辆TaV感知的信息保存一致。

作为数字孪生车联网中的感知任务处理系统优选方案，还包括延时处理模块，用于联合优化任务和无线带宽比例，以最小化感知任务处理的响应时延ORT；

所述延时处理模块中：

当子任务在本地执行时，上传和卸载时间为0；

当子任务在车辆边缘服务器Ves上执行时，及当子任务在配备MEC服务器上的路边单元RSU执行时，响应时延ORT的总时间均包括任务卸载时间、任务执行时间和结果返回时间；

所述延时处理模块中：

本公开的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的数字孪生车联网中的感知任务处理方法。

本公开的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行实现第一方面所述的数字孪生车联网中的感知任务处理方法。

从上面所述可以看出，本公开提供的技术方案，由任务车辆TaV发起感知任务，感知任务包括输入数据大小、计算强度和QoE需求，将感知任务转发到虚拟控制单元VCU；虚拟控制单元VCU根据收到的任务车辆TaV的感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策，所述卸载决策包括每个服务节点SNs的自适应传输策略、任务比例和无线带宽比例；任务车辆TaV收到虚拟控制单元VCU下发的卸载决定后，对自身的感知任务进行拆分，任务车辆TaV在本地执行分配给自身的子任务；任务车辆TaV根据卸载决定将分配出去的子任务上传到服务节点SNs；对环境感知数据进行预处理或收到传输的子任务后，服务节点SNs执行计算所分配到的子任务。本发明融合了网络切片和数字孪生，能够实现以服务为中心和以用户为中心的一体化组网；每个服务节点可以选择上传数据还是上传指令，可以大大降低传输时延。

附图说明

为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例的数字孪生车联网中的感知任务处理方法流程示意图；

图2为本公开实施例的数字孪生车联网中的感知任务处理方法中采用的网络虚拟化架构；

图3为本公开实施例的数字孪生车联网中的感知任务处理方法中响应时延ORT示意图；

图4为本公开实施例的数字孪生车联网中的感知任务处理方系统示意图；

图5为本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

由于集成到车内感知环境信息的传感器(如激光雷达、摄像头)每秒会产生约1GB的数据，车载处理器需要对这些数据进行实时处理，以保证安全驾驶。由于车载处理器的计算资源有限，难以满足增强现实/虚拟现实(AR/VR)、网络游戏等计算密集型车载应用的需求。车辆边缘计算(Vehicle edge computing，VEC)作为一种有效的解决方案，将部分计算和存储资源部署在边缘服务器上，可以提供相对强大的计算能力，处理大量车载应用，缩短车辆到云服务器的距离，降低处理延迟。因此，由于汽车边缘计算技术的存在，车联网计算资源的共享将满足各种计算密集型、对时延敏感的服务需求。当车辆需要将任务卸载给具有足够计算能力的路边单位(RSU)或被视为车辆边缘服务器Ves的邻近车辆时，数据交付的任务处理和通信调度与资源管理密切相关，使得任务卸载变得复杂。此外，环境的变化、车辆的移动性、服务节点的不同处理能力也给车辆边缘计算管理带来了前所未有的挑战。

由于越来越多的车辆配备了先进的计算处理器，可以被视为车辆云计算或车辆作为资源，利用其未充分利用的资源。移动车辆可作为云计算，为附近车辆提供存储和计算服务。此外，将停放的车辆作为静态骨干，为行人、车辆、商场人提供计算资源。由于车辆之间的通信距离有限，云计算不能单独工作。当任务车辆有计算请求时，需要建立任务车辆之间的协作关系。

在传统的计算卸载过程中，任务车辆生成复杂的任务，并将任务的描述传递给虚拟控制单元。虚拟控制单元收到任务描述信息后，会向任务车辆下发卸载决定。任务车辆根据决策拆分任务，并在本地执行分配给自己的子任务，并将原始数据卸载给服务节点。但由于车辆服务和应用的多样化，上传流量存在较大差异。特别是当需要上传大量输入数据时，不仅会占用大量的通信资源，而且会超出延时的容忍范围。

随着基于AR或触觉互联网技术的自动驾驶的发展，车辆将安装许多传感器，包括足够数量的激光雷达和摄像头，以收集环境数据。事实上，类似的环境数据可以通过接近任务车辆的车辆边缘服务器Ves使用自己的传感器接近任务车辆获得。此外，在RSU的覆盖范围内，还可以通过配备的各种传感器感知环境的类似数据。由于服务节点SNs在不同位置的视角不同，需要利用计算指令中包含的TaV坐标对SNs感知的环境数据进行坐标变换预处理，以消除的差异。与原始传感输入数据相比，计算指令的大小要小得多，相应的传输延迟也将大大降低。因此，原始感知数据传输和指令传输的合作为任务卸载提供了可能性，以减少整体延迟。当任务车辆选择其他SNs来辅助计算密集型任务时，就可以传输计算指令。SNs在收到计算指令后，可以使用自己感知到的环境数据，而不需要任务车辆将大量的输入数据上传到SNs。

由上述内容可以看出，传统的卸载机制有一定的局限性。

参见图1，本公开的实施例提供一种数字孪生车联网中的感知任务处理方法，包括：

S1、由任务车辆TaV发起感知任务，所述感知任务包括输入数据大小、计算强度和QoE需求，将所述感知任务转发到虚拟控制单元VCU；

S2、虚拟控制单元VCU根据收到的任务车辆TaV的感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策，所述卸载决策包括每个服务节点SNs的自适应传输策略、任务比例和无线带宽比例；

S3、虚拟控制单元VCU将生成的卸载决策发送至任务车辆TaV及服务节点SNs；

S4、任务车辆TaV收到虚拟控制单元VCU下发的卸载决定后，对自身的感知任务进行拆分，任务车辆TaV在本地执行分配给自身的子任务；任务车辆TaV根据卸载决定将需要卸载的子任务上传到服务节点SNs；

S5、对环境感知数据进行预处理，服务节点SNs收到传输的子任务后执行计算所分配到的子任务。

在现有的5G架构中，以网络切片和NFV为代表的技术，从业务提供的角度来看，大多集中在网络虚拟化上。扩展现有网络虚拟化的范围并与最终用户虚拟化集成是至关重要的。数字孪生范例是一种很有前途的解决方案，可以用来描述个体终端用户的状态和服务需求。本公开实施例采用一种新的整体网络虚拟化架构，融合网络切片和数字孪生的模式，从服务提供和服务需求两个方面分别实现了以服务为中心和以用户为中心的一体化组网。

参见图2，本实施例的应用采用的虚拟化架构由三层构成，各层的功能如下：

一级DT(Digital Twin，数字孪生)：虚拟控制单元VCU根据指定的采集频率、上传方式、数据准确性等，对物理实体上传的采集数据进行数字抽象，生成车辆和RSU的本地DT。例如，车辆DT模型包括车辆位置坐标、速度、计算任务(输入数据大小、输出数据大小、计算强度、所需计算资源)、局部计算能力、QoE约束等。对于RSU的DT模型则包括位置坐标、覆盖范围、可用资源、计算能力等。此外，每个DT中包含的数据的格式和内容由数字孪生控制层决定。第一级抽象可能包括历史数据的更新、来自不同数据源的数据聚合，以及为新的或其他参与者创建DT。在图2中，Level-one DT只代表了车联网IoV中的个体参与者。

二级DT：虚拟控制单元VCU聚合来自第一级数字孪生的数据，生成特定于服务的网络切片。Slice-DT包括片服务需求(例如，时空服务请求的分布和数量)、片资源配置(例如，为片预留的3C资源)、片性能(例如，用于资源调度的算法或方法)等。然后对上述数据进行抽象，形成或更新每个切片的DT。在这一层中创建的数字孪生是第二级数字孪生，与虚拟网络(片)相关联。

DT模型更新：虚拟控制单元VCU将确定并更新一级和二级DT的模型参数。

整体网络虚拟化集成数字孪生和网络切片的思想。在这种架构中，网络切片利用现有的虚拟化技术(如NFV)来提供以服务为中心的网络管理，而数字孪生通过提供具有组织和定制特性的数字数据，并添加了以用户为中心的视角来增强网络切片。一级DT描述的是终端用户及其业务需求，二级DT描述的是网络资源利用率、网络性能和网络业务发放能力。总体而言，网络切片和数字孪生的模式共同支持业务发放和网络管理，而网络则是基于网络动态，根据需要配置网络切片和数字孪生。

本实施例中，采用FDMA频分多址技术，进行路边单元RSU和车辆边缘服务器Ves的同时通信；在上传和反馈过程中采用时分双工TDD模式；

如图2中所示，车辆网络由多个沿道路部署的路边单元RSU组成，路边单元RSU配备了MEC服务器，为计算密集型应用提供计算资源，并配备了高清摄像机等传感器，实时感知环境信息。采用FDMA(frequency division multiplexing access)频分多址技术，实现与路边单元RSU和车辆边缘服务器Ves的同时通信。

通过在车联网中引入数字孪生DT技术，数字孪生车联网(DT-IoV)建立一个DT空间，其中包含所有物理实体数据(如车辆交通数据、驾驶数据)和通信连接(如通信设备连接)的数字描述，以便从全局视图安排和配置资源。

数字孪生车联网DT-IoV模型中：

路边单元RSU集合描述为

车辆的集合可以描述

具体地说，车辆集合可以分为任务车辆TaV

和车辆边缘服务器Ves

它们都具有执行计算任务的能力。此外，任务车辆TaV还需要提供多种服务，以实现车载娱乐和自动驾驶等车辆应用。在不丧失一般性的情况下，认为任务车辆TaV有s种类型的任务。因此，TaV请求服务类型s,Ves响应服务类型s可以分别表示为:

和

其中s∈{1,…,S}。

对于每一辆车和RSU，都可以生成包含速度、位置等信息的数字孪生。在连续更新的情况下，可实现数字孪生的功能与物理实体的功能保持同步。

各车辆及RSU的DT具体如下：

TaVs-DT：TaV的DT包括输入数据的大小

计算指令大小

输入输出比r_output，任务的计算强度X_n,s，二维坐标C_n,s(如车辆的位置，环境车载摄像头和传感器收集的信息)，车辆的速度v_n,s和最大容忍时延

其中1≤n≤N。

Ves-DT：Ves的DT包括Ves的坐标C_m,s，本地计算资源F_m,s，Ves的速度v_m,s和最大传输功率P_m,s，其中1≤m≤M。

RSU-DT：RSU的DT包括RSU的坐标C_k,s，RSU的计算资源F_k,s，RSU的覆盖面积(半径)Rad_k,s和最大传输功率P_k,s，其中1≤k≤K。

本实施例中，所述卸载决策中的自适应传输策略包括数据传输DataT和协调的环境感知指令传输InsT；

参见图3，与传统的卸载机制相比，本公开引入了一种环境感知的任务指令传输方法，自适应选择DataT或InsT，以减少大量输入数据带来的巨大延迟。由于车辆边缘服务器Ves和附近的RSU在不同的位置和角度监测到的相似的环境数据与车辆本身的数据有差别，因此有必要对SNs的环境数据进行预处理，即通过坐标变换来消除差异，使其与TaV获得的信息一致。这可以通过使用计算指令中包含的TaV坐标执行矩阵操作来实现。然而，由于坐标变换，这种机制也有额外的计算，目前相关技术中忽略了这种开销。

随着自动驾驶车辆的爆炸性增长，延迟是衡量一些车辆应用程序的任务一个重要的指标，如触觉互联网技术或AR技术。因此本公开实施例致力于减少处理时延。

具体的，ORT(overall response time，总响应时延)由四部分组成：1)任务描述发送的时间，取决于无线传输速率和任务描述的大小；2)决策的时间，取决于所使用算法的复杂性；3)决策发送的时间，取决于传输速率和决策的大小；4)计算执行的时间，其中卸载的时间取决于传输速率、坐标转换以及数据或指令的大小。当子任务并行执行(即本地计算和卸载到SNs计算)时，执行时间取决于子任务的大小、计算强度和计算能力。反馈的时间取决于输出数据的大小和传输速率。

与输入数据的大小相比，任务的卸载决策和任务描述都非常小，因此可以忽略。本公开实施例，联合优化任务x_n,s,0和无线带宽的比值b_n,s,0，以最小化整个任务的ORT。

本公开中，当子任务在本地执行时，上传和卸载时间为0。因此，本地总的执行时间就是计算时间。TaV的CPU周期为F_n,s,0，假设为静态。在TaV本地执行的子任务时延表示为：

本公开中，当子任务卸载到Ves上执行时，需要考虑是传输原始的环境感知数据还是计算指令，原始环境感知数据或计算指令需要先通过无线链路传输给Ves，由Ves处理完成计算子任务后反馈给TaV。因此，总时间由任务卸载时间、任务执行时间和结果返回时间组成，依次给出。

卸载时间：从TaV的V_n,s到Ves的V_m,s的无线通信速率可以表示为：

其中，b_n,s,m∈[0,1]为分配给V_n,s的无线带宽比，B_s为切片服务类型s的带宽，P_n,s和

分别表示传输功率和信道衰落系数，

为加性高斯白噪声(AWGN)。

此外，dist^-α表示路径损耗，其中α为路径损耗指数。由于车辆的移动性，TaV V_n,s与Ves V_m,s之间的动态变化距离为：

其中，v_n,s和v_m,s分别为V_n,s和V_m,s的移动速度。由于模型考虑的是单向车道。因此，TaV和Ves的初始坐标记为0和p_m,s，其中p_m,s≠0是因为两辆车不可能在同一位置。

由于行驶速度限制通常是时速从60公里到120公里。所以当同一车道上的车辆正常行驶时，相对速度不高。此外，本公开还考虑了自动驾驶仪等延迟敏感应用程序，其中总延迟为毫秒量级。假设TaV和Ves之间的相对速度为60km/h。以10ms为例，相对移动距离为0.17m，与p_m,s相比可以忽略。考虑到安全距离和车辆长度，p_m,s的最小值可能是几米到几十米。因此，假设TaV V_n,s和Ves V_m,s之间的距离固定且更新为：

dist＝|p_m,s|≠0,1≤m≤M

所以对于原始环境感知数据传输，上传时间可以表示为：

其中，

是子任务的输入大小。

否则，对于指令传输，可以给出上传时间

其中，

是子任务的指令大小。实际上，指令的大小通常包含几个环境信息的坐标，这些信息可以忽略。因此，上传时间主要取决于坐标变换的时间，可以表示为：

其中，X_tra为坐标变换的计算强度，F_n,s,m为V_m,s的CPU周期。在接收到计算指令后，根据所感知的数据量，立即进行坐标变换。

本公开中，选择DataT和InsT之间的较小上传时间。上传时间可以定义为：

计算时间：上传完成后，子任务的并行时间可以描述为：

反馈时间：计算完成后，子任务的结果将反馈给TaV V_n,s。假设传输带宽与上传过程一致，表示为：

其中，P’_n,s和

分别表示Ves的传输功率和信道衰落系数，

为噪声功率。

反馈时间定义为：

一般来说，子任务在Ves上执行的总时间可以总结为：

本公开中，当子任务在MEC服务器上执行时，也需要考虑是传输原始数据还是传输计算指令。同样，总时间由任务卸载时间、任务执行时间和结果返回时间组成，这些时间依次给出。

卸载时间：RSU的U_k,s到TaV的V_n,s的传输速率可以表示为：

其中，b_n,s,k∈[0,1]为分配给U_k,s的无线带宽之比，s,P_k,s和

分别表示V_n,s对U_k,s的传输功率和信道衰落系数，

为AWGN。

此外，dist(t)表示V_n,s和U_k,s之间的随时间变化的距离，该距离与卸载时间、移动速度以及TaV的初始位置有关，可以表示为：

其中，

和

分别为RSU到道路中心线的距离和RSU的高度。RSU的坐标为p_k,s。同理，假设车辆速度为120km/h，以10ms为例，任务卸载时的相对移动距离为0.33m，与

和

相比可以忽略不计。因为道路的宽度和道路单元的高度是几米。因此，假设V_n,s和U_k,s之间的距离为常数，并更新为：

所以对于原始环境感知数据传输，上传时间可以表示为：

其中，

为子任务的输入大小。

否则，对于指令传输，可以给出上传时间

坐标变换的时间可以表示为：

卸载机制将被选择在DataT和InsT之间的较小上传时间。上传时间可以定义为：

计算时间：上传完成后，子任务的并行时间可以描述为：

反馈时间：计算完成后，子任务的结果将反馈给TaV V_n,s。假设传输带宽与上传过程一致，可以表示为：

反馈时间定义为：

一般来说，子任务在RSU执行的总时间可以总结为：

本公开中，由于卸载过程遵循卸载机制，可以将当前所有子任务的ORT定义为：

此外，对于大多数计算密集型任务，输出的数据大小远小于输入(比例可能低至1/30)。因此可以忽略反馈模型的时间，如下所示：

此外，由于子任务是并行执行的，因此目标可定义为使ORT的最大值最小化，可表示为：

C1 0≤x_n,s,j≤1,j＝0,…,M+K

C2 b_n,s,j≤1,j＝1,…,M+K

约束C1和C2反映了分配给每个节点的无线带宽和任务比是非负的，且不能超过1。约束C3表示所有子任务的总任务比加1，约束C4保证总带宽比之和不超过1。约束C5确保任务的完成时间不超过其容忍延迟。根据约束C6和C7，本公开定义了有限带宽B和计算能力F。

由于上述目标函数中的最大算子，以及变量x_n,s,j和变量b_n,s,j的耦合，故优化问题是非凸非光滑的。动态的无线信道条件、时变的环境以及TaV业务请求的多样性，给数据的传输带来了挑战。传统的凸优化算法难以解决这一问题。此外，每个服务节点需要选择是上传数据还是上传指令，可以将其表述为随机卸载策略。而当前的资源配置策略不仅与当前的报酬有关，还影响到未来的状态，这构成了一个序列决策问题(SDP)。因此，该优化问题可以描述为一个马尔可夫决策过程(MDP)，并通过DRL进行求解。

本公开中，将同一时隙内请求同一类型服务的任务车辆TaV和服务节点SNs视为网络切片，将每个网络切片内的虚拟控制单元VCU作为一个智能体，智能体之间形成合作博弈，合作博弈的目标为最小化系统时延。根据Shapley Q值对不同智能体的贡献进行量化，进行切片间的资源分配。接下来分别详细描述了用户级和分片级的资源分配。

具体的，基于DDPG的用户级资源分配过程如下：

强化学习的定义：每个切片slice的VCU可以看作是一个agent，它可以与环境进行交互(即收集IoV-DT的所有状态信息)，并在执行动作后立即获得奖励(即对所有请求做出决策)。每个agent的目标是最小化车辆的平均延迟，不是立即回报，而是长期累积回报。下一部分将介绍三个关键元素，即状态空间、行动空间和奖励。

状态空间：包含五个组件，可以表示为：

{TaV-DT,Ves-DT,RSU-DT,B_s(t),Γ_s(t)},

其中，B_s(t)是每个切片s(s∈S)的可用资源，Γ_n,s(t)＝{Γ_n,s,1(t),…,Γ_n,s,m(t),…,Γ_n,s,m+k(t)}表示每个TaV与SN之间的SINR向量。TaV-DT表示每个TaVn(1≤n≤N)的状态，总结了输入数据

和计算指令

的大小，计算强度X_n,s，坐标C_n,s，速度v_n,s，以及最大容忍时延

Ves-DT表示每个Vesm(1≤m≤M)的状态，得出坐标C_m,s，本地计算资源F_m,s，最大传输功率P_m,s，速度v_m,s；RSU-DT表示每个RSUk(1≤k≤K)的状态，坐标C_k,s，本地计算资源F_k,s，最大传输功率P_k,s，覆盖范围Rad_k,s。

动作空间：每个切片在系统中的智能体决定任务和带宽的比例。即VCU在接收到TaV的任务请求后，决定子任务的负载比例和带宽资源的分配。因此，动作空间表示为：

{a_n,s,j(t),x_n,s,j(t),b_n,s,j(t)}

奖励功能：智能体需要决定TaV上传原始环境感知数据或指令，这对长期累积奖励有影响，所以定义一个二元变量a。其中R_s表示每片s的奖励，奖励函数定义为：

具体的，深度确定性策略梯度算法(Deep Deterministic Policy GradientAlgorithm)：

基于系统状态、行为和奖励，利用DRL来解决计算卸载和资源分配的联合问题。常用的DRL算法，如Q-learning、Deep Q Network(DQN)等，不能解决高维状态空间和连续动作空间的特点。因此，本公开采用价值函数与策略梯度相结合的DDPG算法。

每个切片agent根据DDPG算法由重放内存、主网络和目标网络组成。具体地说，当前状态、选择的动作、奖励和下一个状态组成了若干经验元组<s_t,a_t,r_t,s_t+1>存储在重播存储器中，可以随机采样，以训练主网络和目标网络。此外，在初级网络中存在两个深度神经网络，即行动者网络和批评网络。同样，不同参数的目标网络的结构也包括了行动者网络和批评家网络，这两个网络用来创造目标值，目的是训练主网络。

在这个系统中所研究的策略可以用参数化θ^μ的函数表示。因此，作用可定义为

其中

为采样噪声。

利用采样策略梯度，可以计算出初级网络的更新行动者网络参数θ^μ：

其中，Q(s,a|θ^Q)表示动作值函数。它可以通过Bellman最优函数来计算，即：

其中，γ∈[0,1]为折扣因子。

具体的，主要临界网络的参数θ^Q将通过最小化损失函数来更新，其定义为：

其中，y_t为目标值，定义为：

y_t＝r_t+γQ′(s_t+1,μ′(s_t+1|θ^μ′)|θ^Q′)

其中，Q′(s_t+1,μ′(s_t+1|θ^μ′)|θ^Q′)可以用目标网络获得，参数θ^μ′和θ^Q′更新为：

θ^μ′＝τθ^μ+(1-τ)θ^μ′

θ^Q′＝τθ^Q+(1-τ)θ^Q′

其中，τ为软更新参数，条件τ＜＜1提高了训练的稳定性。

本公开中，基于Shapley-Q的片级资源分配过程如下：

每个片VCU都可以看作是一个智能体，智能体之间都将构造一个合作博弈，通过Shapley值可以衡量每个智能体做出的贡献。具体方式如下：

1)合作博弈(CG)：稳定性和公平性是合作博弈中亟待解决的两个问题，本公开分别通过核心值和Shapley值对其进行讨论。凸博弈是一种典型的合作博弈，可以定义为

其中

是agent的集合，v是度量团体等联盟利益的函数值。其中CG满足

特别的，

和

代表

的两个子集，且交集为空。

2)核的定义：核定义为

其中，

表示每个agent的收益，是一个CG的稳定解集。每个CG都有一个非空的核。Shapley值必须是CG的核。

3)Shapley值的定义：Shapley值用于解决信用分配问题。定义边际贡献为

其中

因此，agent i的Shapley表示为：

其中，

表示i加入后形成的整个联盟的所有可能序列的遍历。

每个agent的Shapley值(即局部奖励方法)用于信用分配，可以建模为Q值。因此每个agent的Shapley Q值为：

当考虑所有参与者(即

)时，精确计算某一参与者的Shapley值需要计算2^n-1个可能联盟的平均值，这将导致计算爆炸。本公开引入近似边际函数的概念，即

其中

为状态空间，C是agent i想要加入的有序联盟，

代表动作是有序的，

代表实数集。

因此，近似边际贡献可以表示为：

Shapley Q值

可以用蒙特卡罗抽样近似，更新为：

根据Shapley Q值对不同智能体之间的贡献进行量化，并按照相应的比例对带宽资源进行分配，形成服务类型s的带宽B_s

本公开中，Shapley-Q DDPG算法具体如下：

在CG中，每个智能体将最大化自己的Shapley值

表示为：

现有相关技术证明了潜在博弈中存在一个纯纳什均衡(即一个确定性的最优策略解)。因此，确定性策略梯度(Deterministic Policy Gradient,DPG)[35]可以用来寻找确定性的最优策略。本公开用Shapley Q-值代替DPG中的

各agent的策略梯度i可表示为：

式中，

为智能体i的确定性策略。

由于每个agent的Shapley Q值与局部奖励相关，每个

不能被全局奖励直接更新。因此，局部报酬逼近全局报酬可以表示为：

其中

是每个时间步从环境中获得的全局奖励，

代表被ω_i参数化的agenti的沙普利Q值。

综上所述，本公开通过由任务车辆TaV发起感知任务，感知任务包括输入数据大小、计算强度和QoE需求，将感知任务转发到虚拟控制单元VCU；虚拟控制单元VCU根据收到的任务车辆TaV的感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策，所述卸载决策包括每个服务节点SNs的自适应传输策略、任务比例和无线带宽比例；任务车辆TaV收到虚拟控制单元VCU下发的卸载决定后，对自身的感知任务进行拆分，任务车辆TaV在本地执行分配给自身的子任务；任务车辆TaV根据卸载决定将分配出去的子任务上传到服务节点SNs；对环境感知数据进行预处理或收到传输的子任务后，服务节点SNs执行计算所分配到的子任务。本公开采用新的整体网络虚拟化架构，融合了网络切片和数字孪生的模式，从服务提供和服务需求两个方面分别实现了以服务为中心和以用户为中心的一体化组网。此外，本公开采新的环境感知卸载机制(EAOM)，每个服务节点可以选择上传数据还是上传指令，可以大大降低传输时延；本公开还对两级资源分配问题，在切片间用Shapley Q-Value进行资源分配，切片内采用DDPG算法进行问题优化。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

参见图4，基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种数字孪生车联网中的感知任务处理系统，包括：

任务感知模块1，用于由任务车辆TaV发起感知任务，所述感知任务包括输入数据大小、计算强度和QoE需求；

第一转发模块2，用于将所述感知任务转发到虚拟控制单元VCU；

卸载决策模块3，用于虚拟控制单元VCU根据收到的任务车辆TaV的感知任务描述，结合服务节点SNs的计算能力，在满足QoE需求的情况下生成卸载决策，所述卸载决策包括每个服务节点SNs的自适应传输策略、任务比例和无线带宽比例；

第二转发模块4，用于虚拟控制单元VCU将生成的卸载决策发送至任务车辆TaV及服务节点SNs；

任务拆分模块5，用于任务车辆TaV收到虚拟控制单元VCU下发的卸载决定后，对自身的感知任务进行拆分；

第一执行模块6，用于任务车辆TaV在本地执行分配给自身的子任务；

任务分配模块7，用于任务车辆TaV根据卸载决定将需要卸载的子任务上传到服务节点SNs；

预处理模块8，用于对环境感知数据进行预处理；

第二执行模块9，用于服务节点SNs收到传输的子任务后执行计算所分配到的子任务。

本公开中，所述卸载决策模块4中的自适应传输策略包括数据传输DataT和协调的环境感知指令传输InsT；

本公开中，所述第二转发模块3采用FDMA频分多址技术，进行路边单元RSU和车辆边缘服务器Ves的同时通信；在上传和反馈过程中采用时分双工TDD模式。

本公开中，还包括数字孪生模块10，用于在车联网中引入数字孪生DT技术，构建一个数字孪生DT空间，数字孪生DT空间包含物理实体数据和通信连接的数字描述；

所述数字孪生模块10对于每一任务车辆TaV，车辆边缘服务器Ves和路边单元RSU生成包含速度、位置信息的数字孪生；在连续更新的情况下使数字孪生的功能与物理实体的功能保持同步。

本公开中，所述预处理模块8对环境感知数据进行预处理的方式为，通过坐标变换使服务节点SNs与任务车辆TaV感知的信息保存一致。

本公开中，还包括延时处理模块11，用于联合优化任务和无线带宽比例，以最小化感知任务处理的响应时延ORT；

所述延时处理模块11中：

当子任务在本地执行时，上传和卸载时间为0；

所述延时处理模块11中：

为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的数字孪生车联网中的感知任务处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的数字孪生车联网中的感知任务处理方法。

图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的数字孪生车联网中的感知任务处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的数字孪生车联网中的感知任务处理方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的数字孪生车联网中的感知任务处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims

1.数字孪生车联网中的感知任务处理方法，包括：

对环境感知数据进行预处理，服务节点SNs收到传输的子任务后执行计算所分配到的子任务。

2.根据权利要求1所述的数字孪生车联网中的感知任务处理方法，其中，所述卸载决策中的自适应传输策略包括数据传输DataT和协调的环境感知指令传输InsT；

3.根据权利要求1所述的数字孪生车联网中的感知任务处理方法，其中，采用FDMA频分多址技术，进行路边单元RSU和车辆边缘服务器Ves的同时通信；在上传和反馈过程中采用时分双工TDD模式；

4.根据权利要求1所述的数字孪生车联网中的感知任务处理方法，其中，对环境感知数据进行预处理的方式为，通过坐标变换使服务节点SNs与任务车辆TaV感知的信息保存一致；联合优化任务和无线带宽比例，以最小化感知任务处理的响应时延ORT。

5.根据权利要求4所述的数字孪生车联网中的感知任务处理方法，其中，

当子任务在本地执行时，上传和卸载时间为0；

6.根据权利要求5所述的数字孪生车联网中的感知任务处理方法，其中，

7.数字孪生车联网中的感知任务处理系统，其中，包括：

预处理模块，用于对环境感知数据进行预处理；

8.根据权利要求7所述的数字孪生车联网中的感知任务处理系统，其中，所述卸载决策模块中的自适应传输策略包括数据传输DataT和协调的环境感知指令传输InsT；

9.根据权利要求7所述的数字孪生车联网中的感知任务处理系统，其中，

所述第二转发模块采用FDMA频分多址技术，进行路边单元RSU和车辆边缘服务器Ves的同时通信；在上传和反馈过程中采用时分双工TDD模式；

还包括数字孪生模块，用于在车联网中引入数字孪生DT技术，构建一个数字孪生DT空间，数字孪生DT空间包含物理实体数据和通信连接的数字描述；

10.根据权利要求9所述的数字孪生车联网中的感知任务处理系统，其中，所述预处理模块对环境感知数据进行预处理的方式为，通过坐标变换使服务节点SNs与任务车辆TaV感知的信息保存一致；

还包括延时处理模块，用于联合优化任务和无线带宽比例，以最小化感知任务处理的响应时延ORT；

所述延时处理模块中：

当子任务在本地执行时，上传和卸载时间为0；

所述延时处理模块中：