تخصیص پویای پهنای باند و منابع پردازشی در شبکه‌های خودرویی با بهره‌گیری از یادگیری تقویتی چندعامله با تجمیع مشارکتی، تحت محدودیت‌های نامتقارن همجوشی حسگرها

تخصیص پویای پهنای باند و منابع پردازشی در شبکه‌های خودرویی با بهره‌گیری از یادگیری تقویتی چندعامله با تجمیع مشارکتی، تحت محدودیت‌های نامتقارن همجوشی حسگرها

رضا همایونی املشی1

1) دانشجو دکترای مهندسی کامپیوتر گرایش هوش مصنوعی،دانشگاه آزاد اسلامی واحد بابل،ایران

کد IOI مقاله : ACEF-ACAAGZ
محل انتشار : ششمین کنگره بین المللی مهندسی، تکتولوژی و علوم کاربردی(etas2027.com)
چکیده :
    ادراک مشارکتی در شبکه‌های خودرویی موردی (Ad-Hoc Networks) می‌تواند با فراتر رفتن از محدودیت دید مستقیم و موانع فیزیکی، دامنه حسگری خودروهای خودران متصل را گسترش دهد. بااین‌حال، اشتراک‌گذاری ویژگی‌های چندوجهیِ نمایش‌یافته از نمای بالا (Bird’s-Eye View یا BEV) که از جریان داده‌های لیدار، رادار و دوربین استخراج می‌شوند، هزینه‌های ارتباطی و محاسباتی قابل‌توجهی را برپیوندهای ارتباطی متغیر خودرو با همه‌چیز (V2X) تحمیل می‌کند. شرایط جوی نیز ممکن است عملکرد حسگرها را به‌صورت نامتوازن تحت تأثیر قرار دهد؛ در نتیجه، اشتراک‌گذاری یکسان و بدون تمایزِ همه ویژگی‌ها می‌تواند ناکارآمد یا حتی زیان‌بار باشد. در این مقاله، سامانه Fed-MAPPO معرفی می‌شود؛ سامانه‌ای مبتنی بر یادگیری تقویتی چندعامله که تخصیص پهنای باند، واگذاری وظایف محاسباتی به منابع پردازشی لبه و هرس ویژگی‌ها با در نظر گرفتن نوع وجه حسگری را به‌صورت مشترک انجام می‌دهد. در این سامانه، یک رمزگذار مبتنی بر توجه گرافی، تغییرات پویای همسایگی خودروها را مدل‌سازی می‌کند؛ همچنین، یک صف مبتنی بر میزان انباشت تأخیر، نقض‌های مستمر محدودیت‌های تأخیر را جریمه می‌کند. این پژوهش یک چارچوب شبیه‌سازی مشترک مبتنی بر CARLA، SUMO و OMNeT++/Simu5G ارائه می‌دهد و نتایج اولیه عملکرد سامانه را در مقایسه با روش‌های مبنا گزارش می‌کند. بااین‌حال، ازآنجاکه گزارش‌های تفصیلی اجرای آزمایش‌ها و داده‌های خام در دسترس نیستند، نتایج عددی و آزمون‌های آماری، از منظر قابلیت ممیزی، هنوز تأییدنشده تلقی می‌شوند و پیش از آنکه بتوان آن‌ها را شواهد علمی قابل اتکا دانست، باید بازتولید و راستی‌آزمایی شوند. همچنین، طراحی صف به‌تنهایی تضمین نمی‌کند که تأخیر هر بسته همواره از یک مقدار ثابت فراتر نرود؛ اثبات چنین تضمینی مستلزم تعیین فرضیات لازم و ارائه یک اثبات مستقل است.

کلمات کلیدی : شبکه‌های موردی خودرویی (vanets) ادراک مشارکتی یادگیری فدرال یادگیری تقویتی چندعاملی (marl) بهینه‌سازی لیاپانوف تخصیص منابع c v2x