摘要
在车辆移动不断改变干扰和感知关系的前提下，动态的车辆集成感知与通信系统需要具备紧凑、对决策有意义且结构稳定的表示形式。本文提出了IC-GMRO，这是一种用于多智能体资源优化中结构化表示学习的条件信息瓶颈图聚类框架。在每个控制周期中，车辆、路侧单元、目标物体以及各类交互关系会构成一个随时间变化的异构图结构。基于上下文条件的变分瓶颈机制可以消除无关变异，同时保留对决策有用的信息；随后通过平衡的软图聚类将潜在空间转换为可重复使用的协调代码。可行性掩码策略则用于共同确定关联方式、波束方向、资源块分配、发射功率以及感知时间比例。该分析明确了表示层级的信息保障机制，与仅用于推动实际神经网络更新的理想化势函数及投影对偶方法有所区别。通过受控模拟和组件消融实验表明，相较于贪婪算法、平面模型以及仅基于图的基准方法，该方案在效用提升、感知成功率、延迟稳定性以及跨密度适应性方面表现更佳。
