【论文笔记】Ultra Reliable, Low Latency V2I Wireless Communications with Edge Computing

最新推荐文章于 2025-09-17 11:29:18 发布

原创

最新推荐文章于 2025-09-17 11:29:18 发布 · 2.8k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#算法

本文提出一种创新框架，针对无人驾驶汽车的车辆到基础设施(V2I)通信，通过优化连接和带宽分配，解决计算能力和无线带宽资源限制下的端到端延迟挑战，以增强V2I网络的可靠性。

超可靠低延迟的V2I通信是无人驾驶汽车（AV）的关键要求。为此，具有边缘计算功能的蜂窝小型基站（SBS）可以通过本地处理来自AV的任务请求来减少端到端（E2E）服务延迟，无需将任务转发到远程云服务器。但是，由于SBS的计算能力有限，再加上无线带宽资源的稀缺性，最大程度地减小AV的E2E延迟并实现可靠的V2I网络是一项挑战。本文提出了一种新算法来联合优化AV与SBS的连接和带宽分配，以最大化V2I网络的可靠性。他参考了劳动力匹配市场的算法，可以有效地执行AV与SBS的分布式关联，同时考虑AV的延迟需求以及SBS的有限计算和带宽资源。

介绍

与AV相关的大多数任务是需要低延迟的可靠处理。因此，V2I无线系统必须能够在严格的延迟和可靠性要求下管理AV的请求任务[5] – [7]。

蜂窝V2I通信与边缘计算集成的难点：首先，小型小区BS（SBS）的计算资源有限，因此AV任务很容易使它们过载。第二，在V2I系统中用于AV任务管理的端到端（E2E）延迟取决于：a）上行链路传输延迟（即，向SBS请求任务）；b）边缘机的计算延迟；c）将处理后的任务发送给AV的下行传输延迟。一旦与异构任务和无线信道的随机变化结合在一起，在V2I网络中优化E2E服务质量（QoS）就变得非常具有挑战性，并且需要高效的AV-SBS协同以及无线和计算资源管理。

最近已出现一些解决上述V2I挑战的工作[5]，[11]-[14]。在[5]中，作者研究了传输时间间隔（TTI）对低延迟车辆通信性能的影响。 [12]调查了V2I网络中各种软件定义的延迟控制方案。 [13]开发了一种边缘计算框架来减少车辆服务的计算等待时间。[14]提出了用于实现低延迟车辆通信的另一种无线资源管理方法。同时，大多数有关AV-SBS协同的工作（例如，参见[15]及其参考文献）的优化目标均为常规指标，例如最大信号干扰加噪声比（max-SINR）和最大接收信号强度指示符（max-RSSI ）。

但是，[5]，[11]-[14]中的都是孤立地研究计算和通信延迟的，而不是从端到端的角度。例如，[5]中的工作考虑了计算延迟的固定值，而忽略了端到端延迟。另外，[14]中的作者只关注无线资源管理，而没有考虑计算延迟。此外，现有的工作大多依赖于集中式资源管理，而需要快速而有效的分布式算法来管理密集V2I网络中的任务。

资源管理的集中式和分布式的区别在于：前者的无线资源管理功能集中在一个高层网元中，后者将无线资源管理功能下放到底层的基站中，这样就节省了基站和高层网元信令交互传输的时间。

本文提出一个低延时的V2I通信框架，它可以通过联合优化AV-SBS的无线资源管理来提高可靠性。为此，我们基于匹配理论构建了一种新颖的解决方案，该解决方案可以解决AV任务的端到端时延要求以及SBS的有限计算和带宽资源带来的问题。为了解决此问题，我们提出了一种新颖的算法，该算法将AV与SBS迭代关联，并分配带宽。实践证明，该算法能够收敛于AV与SBS之间的核心分配，从而保证了V2I网络在使用分布式实现时的稳定性。仿真结果表明，与max-SINR和maxRSSI作优化目标相比，该算法可最大程度地提高V2I系统的可靠性和最小化AV的E2E延迟。

系统模型

考虑面积为A的正方形区域的无线蜂窝网，由N个均匀分布的SBS组成，其整体记作 $\mathcal{N}$ 。在该网络中，M个AV组成的集合 $\mathcal{M}$ 被随机部署，并且必须与SBS通信。自然，AV的无缝运行需要实时管理多个任务。表I总结了典型任务及其延迟要求的列表。为了避免回程网络的延迟，SBS配备了边缘计算机，以处理来自AV的任务集合 $\mathcal{S}$ 中的任务(比如单个AV无法完成的高清地图构建)，并将必要的信息发送到AV。