A Priority-Aware Intelligent Task Offloading Framework for Autonomous Vehicles in Vehicular Edge Computing Using Deep Reinforcement Learning
本文提出了一种用于车载边缘计算的 AI 驱动框架，该框架集成了用于优先级感知任务卸载的深度强化学习和用于资源预测的 LSTM，旨在动态优化任务执行并使响应时间比现有方法降低 31.2%。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个汽车不仅仅是自动驾驶机器，而是庞大移动网络中智能伙伴的世界。这些车辆不断产生数字任务，从计算绕过行人最安全的路径，到为乘客流媒体传输电影。为了处理这些海量数据，汽车依赖于一种称为车载边缘计算的系统。与其将每一个请求都发送到遥远且缓慢的云端服务器，该网络使用一个层级化的资源体系：汽车自身的计算机、附近车辆的计算机、作为局部枢纽的路侧单元，以及最后的庞大云端。挑战在于，这些资源是有限且不断变化的。汽车可能在前一刻电力充足，下一刻便处于低电量状态；路侧枢纽可能在某一时刻拥挤不堪，而另一个则处于闲置状态。如果汽车无法快速决定将任务发送至何处，延迟可能会带来危险，尤其是在涉及避免碰撞等安全关键型操作时。
多年来，工程师们一直试图通过使用固定规则或数学公式来解决这个问题，以决定任务的去向。然而，传统的这些方法在环境快速变化时（例如交通密度发生偏移或特定区域突然出现请求激增）往往难以应对。它们通常无法区分哪些任务需要在毫秒内完成以防止事故，哪些任务可以等待几秒钟。卡尚大学（University of Kashan）的研究人员 Sorayya Gharavi 和 Seyed Morteza Babamir 开发了一种更聪明、更具适应性的解决方案。他们开发了一个框架，利用人工智能进行实时决策，将问题视为一场动态的游戏，而非静态的数学方程，因为在游戏中，最佳策略会随着每一秒的变化而改变。
他们方法的核心是一个首先对每个任务进行紧迫性排序的系统。他们将任务分为三类：高优先级，包括检测障碍物等安全关键型动作；中优先级，如寻找加油站；以及低优先级，如播放电影。一旦任务被分类，系统必须选择四个地方之一来执行该任务：汽车自身、拥有剩余电力的邻近车辆、路侧单元或云端。为了做出这一选择，研究人员采用了名为深度强化学习的技术。这是一种人工智能形式，其中计算机代理通过试错法进行学习，通过与环境交互来发现哪些决策能带来最好的结果。在这种情况下，代理学习选择能够使任务完成并返回汽车所需时间最短的位置。
然而，当资源匮乏时，仅靠从过去学习是不够的。研究人员意识到，即使人工智能选择了完美的路侧单元，该单元也可能因为过于繁忙而无法立即处理工作。为了解决这个问题，他们引入了第二层智能，使用预测模型。该模型通过观察历史数据来预测未来不久内将到达多少高优先级任务。基于这种预测，系统会主动为这些紧急任务预留路侧单元的计算能力。这有点像餐厅的厨房，根据一天中的时间段和以往的趋势，在第一份订单到来之前就提前准备好晚餐高峰所需的食材。这确保了当关键的安全任务到达时，资源已经准备就绪，从而消除了可能导致延迟的等待时间。
该系统还解决了重复性任务的问题。许多低优先级的请求（例如乘客要求观看同一部热门电影）是完全相同的。与其将这些请求反复发送到云端进行处理，系统使用了缓存技术。如果任务的结果已存储在路侧单元的内存中，系统会直接从中检索。这绕过了繁重的计算和长距离传输时间，显著提高了这些常见请求的响应速度。
为了测试他们的框架，研究人员使用两个不同的数据集运行了广泛的模拟，其中一个基于真实的交通模式，另一个来自公共数据库。他们将新系统与几种现有方法进行了对比，包括仅依赖深度强化学习的方法、仅使用最近路侧单元的方法，以及将所有任务发送至汽车自身或随机位置的传统策略。结果显示，他们的集成方法更为优越。通过将人工智能的决策能力、预测模型的预见性以及缓存的高效性相结合，该系统比其他方法降低了 31.2% 的平均响应延迟。
或许更重要的一点是，新框架大幅减少了任务失败的数量。在模拟中，由于无法及时获取资源，传统方法经常无法在严格的时间限制内完成高优先级任务。而所提出的系统通过提前预留资源和智能路由任务，确保了关键的安全操作比以往更频繁地按时完成。研究还表明，该 AI 代理学会了快速稳定其决策过程，比没有预测元素或缺乏完整架构集成的系统更快、更稳定地收敛至最优策略。
研究人员总结道，尽管他们的工作目前基于模拟，但其结果为自动驾驶运输的未来提供了一个引人注目的蓝图。他们指出，随着车辆变得更加互联，动态优先处理任务并预测资源需求的能力对于安全性和效率至关重要。展望未来，他们计划探索如何利用联邦学习（一种允许多个设备在不共享私有数据的情况下共同学习的方法）来扩展该系统，从而进一步优化网络在自动驾驶汽车世界中管理复杂信息流的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。