《Journal of Engineering Research》:Distributed Multi-Agent AI-based Spectrum Management for NR-V2X Communications in Intelligent Transportation Systems
编辑推荐:
智能交通系统(ITS)的快速发展以及对超可靠低时延通信日益增长的需求,揭示了车载网络中传统频谱分配方案的局限性。尤其是,基于5G新无线电的车到一切(NR-V2X)通信在密集城区环境中面临显著挑战,原因在于动态拓扑、严重干扰以及安全关键型和非关键型应用对服务质量
智能交通系统(ITS)的快速发展以及对超可靠低时延通信日益增长的需求,揭示了车载网络中传统频谱分配方案的局限性。尤其是,基于5G新无线电的车到一切(NR-V2X)通信在密集城区环境中面临显著挑战,原因在于动态拓扑、严重干扰以及安全关键型和非关键型应用对服务质量(QoS)的异构需求。为解决这些挑战,研究人员提出了一种用于QoS感知的NR-V2X通信的多智能体人工智能(AI)频谱管理方案。该方案将频谱分配建模为一个分布式决策问题,其中部署在车辆和路侧单元上的多个智能体通过深度强化学习协作学习最优资源分配策略。该方案将交通密度、信道状态信息、干扰水平和服务优先级组合在单一状态表征中,以实现自适应和上下文感知的频谱利用。研究人员设计了一个QoS感知的奖励函数,以同时优化所有关键性能指标,如分组接收率(PRR)、端到端时延、频谱效率和能量消耗。在真实城区移动场景下的仿真结果表明,所提出的多智能体方案显著优于传统方案和单智能体方案,实现了安全关键型通信的更高可靠性、更低时延和更高的频谱利用效率。在160辆车的高网络密度下,所提方案实现了约91%的PRR和19 ms的平均端到端时延,而单智能体方案为84%和28 ms,基于感知的半持续调度(SB-SPS)方案为80%和34 ms。
智能交通系统(ITS)的快速发展以及城市人口增长对高效出行的需求,推动了车联网通信技术的进步。基于5G新无线电的车辆到一切(NR-V2X)通信能够为先进ITS应用提供超可靠、低时延和大容量的数据传输,但在密集城区环境中,由于网络拓扑高度动态、信道条件快速变化、同信道干扰严重以及不同业务类别的服务质量(QoS)需求差异显著,传统频谱管理方法面临严峻挑战。安全关键型应用如碰撞避免和紧急制动需要极低时延和近乎完美的可靠性,而信息娱乐等非关键业务则需要高吞吐量和频谱效率,这些相互冲突的需求使得有限的频谱资源管理变得十分困难。传统静态分配、基于竞争的接入和启发式调度方法通常基于规则或简化模型,无法动态适应网络变化,且往往只优化单一性能指标。已有的深度强化学习(DRL)方法多采用单智能体模式,由一个中央控制器或节点决策,存在可扩展性差、无法体现NR-V2X网络分布式协作特性等问题。此外,多数研究忽视交通动态信息(如车辆密度、拥堵模式)对通信性能的影响,缺乏通信与交通智能的集成。因此,需要一种能够结合分布式多智能体学习、QoS感知和交通感知的频谱管理方案。
针对上述问题,研究人员提出了一种基于多智能体深度强化学习(MADRL)的频谱管理方案,用于QoS感知的NR-V2X通信。该方案将频谱分配建模为分布式决策问题,车辆和路侧单元(RSU)作为独立智能体,通过深度强化学习协作学习最优资源分配策略。智能体的状态由信道状态信息(CSI)、信干噪比(SINR)、本地交通密度、队列长度、QoS等级和信道占用率组成,动作空间包括子信道选择和发射功率等级。设计了一个QoS感知的奖励函数,综合考虑分组接收率(PRR)、端到端时延、干扰、公平性和QoS优先级,从而同时优化可靠性、时延、频谱效率和能耗。在MATLAB环境下实现了密集城区NR-V2X仿真场景,并与随机分配、轮询调度、基于感知的半持续调度(SB-SPS)和单智能体DQN等基准方案进行了对比。结果表明,所提方案在通信可靠性、时延、碰撞概率、频谱效率、公平性、能耗和收敛性方面均显著优于基准方案,尤其在车辆密度高和负载重的条件下优势更加明显。该研究为NR-V2X动态频谱管理提供了一种分布式、自适应和协作式的AI解决方案,能够有效支持安全关键型ITS应用。
在技术方法上,研究人员采用了基于MATLAB强化学习工具箱和深度学习工具箱的仿真环境,构建了包含4个交叉路口的密集城市道路网格场景,车辆数量从40到160变化,车速20–60 km/h,载波频率5.9 GHz,系统带宽10–20 MHz。每个智能体采用深度Q网络(DQN),包含在线网络和目标网络,经验回放缓冲区容量为10
5,小批量大小为64或128,采用ε-greedy探索策略,折扣因子设置为0.95–0.99,学习率范围为10
-4到10
-3。训练采用分布式执行、隐式协调的方式,智能体通过共同环境和奖励机制隐式学习避免冲突。
以下为仿真结果的主要发现:
**PRR性能