【摘 要】
：
为了缓解单个自动驾驶车辆的计算负担,移动边缘计算（Mobile Edge Comput-ing,MEC）作为一种可靠的计算模式被应用于车联网中,允许计算资源不足的车辆将计算量大且时延敏感的任务卸载到边缘节点的服务器上进行计算。在此背景下,为了减少任务执行的时延并提高系统资源利用率,结合移动边缘计算技术,本文研究了基于人工智能的车联网环境中的协同计算和资源分配策略。主要在两个场景下进行研究,分别是车
论文部分内容阅读
为了缓解单个自动驾驶车辆的计算负担,移动边缘计算（Mobile Edge Comput-ing,MEC）作为一种可靠的计算模式被应用于车联网中,允许计算资源不足的车辆将计算量大且时延敏感的任务卸载到边缘节点的服务器上进行计算。在此背景下,为了减少任务执行的时延并提高系统资源利用率,结合移动边缘计算技术,本文研究了基于人工智能的车联网环境中的协同计算和资源分配策略。主要在两个场景下进行研究,分别是车与路边基础设施（Vehicle to Infrastructure,V21）卸载场景和车与车（Vehicle to Vehicle,V2V）卸载场景中的协同计算与资源调度。邻近区域内的车辆会感知到大量相同的数据,并产生许多相似的任务,本文针对邻近区域内的车辆在卸载过程中存在的重复通信与重复计算问题进行研究,提出了以最小化系统成本为优化目标的协同带宽分配、计算和存储机制。最后,将该联合优化问题构建成一个混合非线性整数规划问题,运用基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）强化学习的资源分配算法获得了次优解,仿真结果显示该策略能够有效降低系统中任务执行的总时延和带宽成本。前面主要研究的是路边单元（Road Side Unit,RSU）广域覆盖下的V2I计算卸载问题。随着5G基站的超密集部署,RSU的覆盖范围将越来越小,这对传统的V2I计算服务连续性带来极大的挑战。为了提供不间断的计算迁移服务,本文提出一种基于V2V的机会式任务卸载策略。针对城市道路巨大的车辆密度,前后车辆的有效通信时间通常接近分钟级,基于移动性带来的机会式V2V通信和任务计算,有计算迁移需求的车辆可以将任务分配给资源丰富的车辆。另外,在主用户通信需求不受损的情况下,V2V的短距离通信可以机会式地复用V2I的频谱资源,以提供满足V2V低时延高可靠的计算迁移服务。为了解决该资源分配问题,本文分别探索了基于单智能体DDPG与多智能体DDPG的资源分配策略,合理地调度车辆的任务并且分配通信资源。相比于其他的关联和信道选择策略以及基于单智能体DDPG的联合资源分配策略,数值仿真验证了本文提出的基于多智能体DDPG的分布式任务卸载和资源分配联合优化策略具有更好的服务体验。
其他文献
随着互联网技术的飞速发展,人类社会积累了大量的理论知识与实践经验。知识图谱以其高度凝练的语义网络结构,成为一种高效的知识表示手段。知识图谱为人们生活中的多个领域提供便利,包括搜索引擎、问答系统、医疗诊断等等。虽然知识图谱规模以指数级的速度增长,但仍然存在稀疏性与不完整性的问题,如何有效挖掘知识图谱的隐藏语义,推理出潜在事实是一个亟须解决的问题。目前深度学习在自然语言领域取得了突破性的进展,尤其在知
混沌保密光通信依靠复杂的混沌信号实现对传输消息的隐藏和加密,具有良好的加密效果,在保密通信领域中发展前景广阔。其中,外腔反馈半导体激光器凭借其结构简单的优势在混沌光通信中有着重要的应用。但是由于需要发送端和接收端拥有一样参数的激光器,才可以实现高质量的混沌同步,而在实际中,很难找到多个参数完全一致的激光器,这限制了其进一步发展。近些年来,得益于计算机算力的快速提升和新算法的提出,神经网络得到了快速
信号调制作为当下通信过程中必不可少的一环,一直对整个通信系统整体性能以及传输能力产生着极大的影响,而随着现代无线通信技术的发展,调制信号的种类和方式也在不断变多,通信环境中调制信号的区分也变得愈发困难。因而调制识别这种对未知调制信号进行调制种类判断和分类的方法,在电子侦察、电子对抗、频谱检测等多种非合作通信场景下的接收机设计中都有着极大的研究意义,影响着后续通信信号的解调以及通信参数提取的实际性能
近年来,自主移动机器人发展迅速,影响着社会生产生活的各方各面并在其中发挥着愈发重要的作用。基于视觉的同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是自主移动机器人的核心技术,其中的闭环检测（Loop Closure Detection,LCD）环节通过辨别移动机器人是否已访问过当前位置辅助构建全局一致的地图。然而,在实际应用中,光照、
随着智能电子产品中的印刷电路板（Printed Circuit Board,PCB）越来越趋向于小型化,且板上元件密度也越来越大,从而导致PCB布线工作也变得越来越复杂。但是当前电子设计自动化（Electronic Design Automation,EDA）工具内置的自动布线功能布线速度慢且布通率低,当前PCB布线工作仍然主要依赖于人工,从而使得在工业PCB设计过程中仍需要消耗大量的人力资源。因
卷积神经网络近年来成为了解决各类视觉任务的主流选择,包括图像分类,检测跟踪,动作及意图识别等领域。卷积神经网络由一系列卷积层层堆叠构成,而传统卷积层存在着参数量和计算量大的问题,同时网络深度和宽度的提升进一步加剧参数量和计算量的问题,使得这些网络模型往往无法顺利进行移动端部署。因此设计高效的卷积神经网络具有重大的学术及工程价值。针对以上问题,本文提出了一种高效的分组卷积单元,并提出了一种基于深度可
随着工业物联网中信息量与应用计算复杂度的增加,其中资源受限的设备越来越依赖计算卸载技术。计算卸载技术可以将物联网中轻量级设备所产生的计算需求和数据转移到具有充足计算资源的节点上。一方面可以节约轻量级设备宝贵的计算、存储以及能量资源,另一方面还可以满足应用较高的时延需求。目前计算卸载可分为两种模式,源驱动和目标驱动的计算卸载模式。当前大多数传统计算卸载决策算法都以源驱动计算卸载模式为研究对象,而在新
光纤随机激光器作为随机激光器的重要分支,相关研究人员已经揭示了其具有大范围波长可调性、窄线宽、高功率输出等特性。正是由于这些独特的优势,其已经在光纤传感、光成像、光通信等领域得到重要的应用。特别是在长距离光纤传感系统中,基于光纤随机激光的传感系统不仅具有传统光纤点式传感系统结构简单、抗电磁干扰、灵敏度高的特点,而且具有响应时间短、传感器可复用、精度不受光源波长漂移、链路温度变化影响等优势,非常适用
无线传感器网络（Wireless Sensor Network,WSN）中的移动目标跟踪算法需要保证较高的跟踪精度又不过多地消耗能量。高效的跟踪效果需要调度更多的移动传感器,然而调度移动传感器会产生大量的能耗。如何平衡跟踪精度与网络消耗之间的矛盾并设计合理的节点协同调度算法是WSN中面向目标跟踪的关键问题。本文分析了在本领域的研究背景以及研究现状,进而提出了面向移动目标跟踪的节点协同调度移动跟踪算
长期以来,大规模无线传感器网络（WSN）的能量问题都一直受到研究者的普遍关注。由于大规模分层网络架构下,无线传感器网络的各个节点通常都抛洒部署到很恶劣的环境下,无法更换电池,因此节能问题成为了关键。本文从节点能耗、能量均匀、业务服务质量和路由问题的角度出发,对目标的最大覆盖范围、Q覆盖集的问题、汇聚节点休眠的负载均衡和节能的路由算法进行了研究。在汇聚节点和传感器节点两个层面上,共同休眠带来能耗问题