基于数字孪生的大型人工智能任务感知边缘卸载与资源分配技术，应用于低空无线传感器网络

《IEEE Journal of Selected Areas in Sensors》：Digital Twin-Assisted Large AI Task-Aware Edge Offloading and Resource Allocation for Low-Altitude Wireless Sensor Networks

　　

摘要：

新兴的车辆与万物互联（V2X）应用，尤其是在智能交通领域，需要高精度的感知以及低延迟的通信和计算能力；然而，现有的V2X架构通常将感知、通信和计算功能分开处理，无法同时满足这些相互关联的需求。在本文中，我们提出了一个结合了集成感知与通信（ISAC）技术以及数字孪生（DT）技术的框架，并利用低空边缘智能来实现V2X功能。我们构建了一个优化问题，通过联合优化任务卸载决策、通信和计算资源分配，以及无人机（UAV）与车辆用户之间的关联方式，来最小化所有车辆用户的总服务延迟（即传输延迟加上任务计算延迟）。为了解决在快速变化的移动性和高维耦合约束条件下的这一问题，我们提出了一种基于任务感知的多智能体资源分配优化（TM-RAO）算法，该算法支持可扩展的协作决策过程，包括UAV与车辆用户的配对以及通信和计算资源的分配。仿真结果表明，与传统深度强化学习方法相比，该算法在密集、动态的低空边缘智能V2X场景中能够显著降低总服务延迟。