DRL-Based RAT Selection in a Hybrid Vehicular Communication Network

📄 arXiv: 2407.00828v1 📥 PDF

作者: Badreddine Yacine Yacheur, Toufik Ahmed, Mohamed Mosbah

分类: cs.NI, cs.AI

发布日期: 2024-04-03

期刊: 2023 IEEE 97th Vehicular Technology Conference (VTC2023-Spring), Jun 2023, Florence, Italy. pp.1-5

DOI: 10.1109/VTC2023-Spring57618.2023.10199400

💡 一句话要点

提出基于深度强化学习的RAT选择以提升混合车载通信网络性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 车载通信 深度强化学习 无线接入技术 智能交通系统 数据包接收率 资源优化 自动驾驶

📋 核心要点

  1. 现有的V2X通信技术无法满足新兴应用对高可靠性和低延迟的需求，导致安全性和效率下降。
  2. 提出了一种混合车载通信架构，结合多种无线接入技术，并利用深度强化学习算法进行通信模式选择。
  3. 实验结果显示，该架构在编队场景中将数据包接收率提高了30%，并在资源消耗方面提升了20%。

📝 摘要（中文）

合作智能交通系统依赖一系列车对一切（V2X）应用来提高道路安全性。新兴的V2X应用如高级驾驶辅助系统（ADAS）和连接自主驾驶（CAD）应用需要大量共享数据，并要求高可靠性、低端到端延迟和高吞吐量。然而，目前的V2X通信技术如ITS-G5和C-V2X无法单独满足这些要求。本文提出了一种智能、可扩展的混合车载通信架构，利用多种无线接入技术（RAT）的性能来满足这些应用的需求，并提出了一种基于深度强化学习的通信模式选择算法，以最大化网络的可靠性，同时限制资源消耗。通过对需要高可靠性的编队场景进行评估，数值结果表明，该混合车载通信架构相比静态RAT选择策略和多标准决策（MCDM）选择算法，能够将数据包接收率（PRR）提高多达30%，并在资源消耗方面提高冗余通信模式的效率20%。

🔬 方法详解

问题定义：本文旨在解决现有V2X通信技术无法满足高级驾驶辅助系统和连接自主驾驶应用对高可靠性和低延迟的需求，导致通信效率低下的问题。

核心思路：提出了一种智能的混合车载通信架构，结合多种无线接入技术（RAT），并通过深度强化学习算法优化通信模式选择，以提高网络的可靠性和资源利用效率。

技术框架：整体架构包括多个无线接入技术的集成，深度强化学习模型用于实时选择最优的通信模式，评估网络状态并动态调整资源分配。

关键创新：最重要的创新在于将深度强化学习应用于RAT选择，显著提升了网络的可靠性和资源利用效率，与传统的静态选择方法相比，具有更高的适应性和智能化。

关键设计：在算法设计中，设置了适应性损失函数以优化网络性能，采用了深度神经网络结构来处理复杂的状态空间，并通过强化学习策略不断更新模型参数以适应动态环境。

📊 实验亮点

实验结果表明，所提出的混合车载通信架构在编队场景中将数据包接收率（PRR）提高了30%，相比于静态RAT选择策略和多标准决策（MCDM）选择算法，表现出显著的性能提升。此外，冗余通信模式的资源消耗效率提高了20%，显示出该方法在资源管理上的优势。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆的通信网络以及车联网（V2X）技术。通过提升通信的可靠性和效率，能够显著提高道路安全性和交通流畅性，具有重要的实际价值和社会影响。未来，该技术可推广至更广泛的智能城市和自动驾驶生态系统中。

📄 摘要（原文）

Cooperative intelligent transport systems rely on a set of Vehicle-to-Everything (V2X) applications to enhance road safety. Emerging new V2X applications like Advanced Driver Assistance Systems (ADASs) and Connected Autonomous Driving (CAD) applications depend on a significant amount of shared data and require high reliability, low end-to-end (E2E) latency, and high throughput. However, present V2X communication technologies such as ITS-G5 and C-V2X (Cellular V2X) cannot satisfy these requirements alone. In this paper, we propose an intelligent, scalable hybrid vehicular communication architecture that leverages the performance of multiple Radio Access Technologies (RATs) to meet the needs of these applications. Then, we propose a communication mode selection algorithm based on Deep Reinforcement Learning (DRL) to maximize the network's reliability while limiting resource consumption. Finally, we assess our work using the platooning scenario that requires high reliability. Numerical results reveal that the hybrid vehicular communication architecture has the potential to enhance the packet reception rate (PRR) by up to 30% compared to both the static RAT selection strategy and the multi-criteria decision-making (MCDM) selection algorithm. Additionally, it improves the efficiency of the redundant communication mode by 20% regarding resource consumption