摘要
车联网边缘元宇宙（VEM）应用是多阶段流水线，其各阶段必须在车辆移动和链路失效的条件下进行分配。现有方法将任务视为独立的，针对静态网络快照进行优化，且依赖于实际部署的控制器无法观测的未来状态。我们将在线VEM卸载问题建模为一种感知随机性、依赖关系、移动性和缓存的双目标问题，并提出了一种在线依赖与移动性感知的卸载算法（ODMAO）。ODMAO根据关键性对各阶段排序，将基于真实轨迹测量得到的误差模型转换后的轨迹预测转化为覆盖概率，仅当远程部署的上行传输和结果返回大概率能够存续时才予以接受，并在能量约束下最大化期望满意度。我们使用来自33段highD和exiD记录的13,954辆车辆的实测无人机轨迹，在互不重叠的地点上进行调参与测试，将ODMAO与七种控制器进行了对比评估。ODMAO在两个数据集上均取得了最高的优先级加权满意度和完成率。与最强的快照策略相比，ODMAO的满意度提升了0.34个百分点，完成率提升了0.78个百分点（当云端仅能通过路边单元访问时提升至1.42个百分点），将因车辆运动而丢失的结果从0.8%降低到0.05%，且位于满意度–能量前沿。消融实验表明，性能增益归因于轨迹预测。覆盖能力而非控制器本身是决定安全级别完成率的关键瓶颈。
