基于深度强化学习的移动性感知预测任务卸载技术，用于未来的6G驱动型车辆网络

《Scientific Reports》：Mobility-aware predictive task offloading using deep reinforcement learning for future 6G-inspired vehicular networks

　　

摘要

对于诸如协作式自动驾驶、增强现实导航以及实时安全监控等新兴的物联网汽车应用而言，可靠的通信以及超低延迟的数据处理是不可或缺的条件。虽然移动边缘计算通过将任务从车辆转移到附近的路侧基础设施来减少计算延迟，但车辆的高度动态移动性以及不断变化的无线信道给任务的可靠传输与执行带来了巨大挑战。传统的任务卸载策略通常依赖实时的网络状况和反应式的决策机制，这往往会导致通信链路不稳定、频繁切换以及能耗增加。本文提出了一种具备移动性感知能力的预测性任务卸载框架，旨在为未来基于6G理念的车载网络环境提供可靠的边缘通信解决方案。该框架整合了轨迹预测、无线信道预测以及深度强化学习技术，从而能够主动确定最佳的任务传输与执行位置。具体而言，文中设计了一种预测性卸载深度强化学习架构，将预测得到的车辆移动状态和信道条件纳入到扩展的马尔可夫决策过程之中，以实现智能决策。此外，该框架还引入了预测性传输路径选择以及主动任务迁移机制，以确保在车辆高速移动时仍能保持通信稳定。根据使用真实车辆移动数据以及未来6G理念下的信道模型所进行的大量仿真测试，与现有的反应式及基于强化学习的方案相比，所提出的PODRL框架能够将端到端延迟降低多达40%（p＜0.001），同时还将车辆能耗降低多达45%（p＜0.001），并且还能保持较高的任务按时完成率。所有评估均基于仿真的6G理念通信模型以及IMT-2030标准所规定的功能，而非已部署的商业化6G基础设施。