arXiv 论文提出面向车载边缘网络的截止期感知多智能体调度方法
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿于 arXiv 的论文针对车载边缘计算中同址服务网络争用、时延需求异构且动态变化的问题，提出用多智能体强化学习做队列级调度。方法为每个 TSN 队列配置一个自主智能体，联合学习队列服务顺序与时间片长度，以在随车速变化的时延要求下减少截止期错失，并采用 MAPPO 实现协同而自主的调度决策。与集中式单智能体方法相比，服务时延最多降低 66.2%，可靠性最多提升 271.8%；与其他多智能体方法相比推理时间更低，且相比基于紧迫度的启发式方法能保持更均衡的调度。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
车载边缘计算把计算与网络资源放到离车辆更近的位置，以支撑时延敏感应用。但论文指出，已有方案常常忽略同一位置多个服务之间的网络争用，而这些服务的时延需求既异构又动态变化。时间敏感网络虽然能提供有界时延的通信，但传统调度器以及基于强化学习的调度器都难以适应高度动态的车载环境，也难以处理队列之间的相互依赖。这构成了论文的出发点：在 TSN 使能的车载边缘计算中做队列级调度。
方法与对比基线
论文的做法是把调度拆到队列粒度：每个 TSN 队列对应一个自主智能体，智能体需要同时学两件事——队列的服务顺序，以及时间片的长度，目标是在随车速变化的时延要求下减少截止期错失。为了让这些分散的决策彼此协调又不失自主性，论文采用多智能体近端策略优化（MAPPO）。评估时对照了三类基线：单智能体方法、其他多智能体方法，以及不依赖学习的方案。
量化结果与适用性
在多种流量配置下，MAPPO 都表现出较稳的性能。相对集中式单智能体方法，它把服务时延最多压低 66.2%，可靠性最多提高 271.8%。与基于紧迫度的启发式方法不同，它在调度的均衡性上更好；同时相比其他多智能体强化学习方法，推理时间更短。论文将工作同时归入网络与互联网架构以及人工智能两个方向，说明其定位是网络调度问题与强化学习方法的交叉。
为什么值得看
给出了多智能体强化学习用于 TSN 队列调度的具体做法与量化收益，适合关注车载边缘、时延敏感调度与 MARL 落地的人…
智能体强化学习论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。