[文献提炼] 车联网中资源分配的问题建模又三篇

最新推荐文章于 2023-11-30 22:41:22 发布

Love_marginal

最新推荐文章于 2023-11-30 22:41:22 发布

阅读量2.6k

点赞数 1

分类专栏： V2X 资源管理自动驾驶

本文链接：https://blog.csdn.net/m0_37495408/article/details/107596170

版权

本文综述了三篇关于UUDNV2XRL的论文，涉及URLLC、V2I、V2V通信的资源分配问题，通过深强化学习解决蜂窝网络和车联网的功率、信道分配与调度，确保高可靠低时延通信。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

摘录和分析看过的论文中 SYSTEM MODEL / PROBLEM FORMULATION 的部分，关注论文的关键词为 UUDN V2X RL。

本文为第二期，第一期链接：https://blog.csdn.net/m0_37495408/article/details/107546431

Model-Free Ultra Reliable Low Latency Communication (URLLC): a Deep Reinforcement Learning Framework

这是一个2019年来自ICC的文章

链路的表示：考虑单一基站覆盖下的场景，其中存在N个用户和K个可用的RB。每个用户有其独立的速率、可靠性、延迟需求。本文不对包到达及包长度做任何假设。

下行传输速率为：

$\LARGE r_{i}(t)=\sum_{j=1}^{K} \rho_{i j}(t) B \log _{2}\left(1+\frac{p_{i j}(t) h_{i j}(t)}{\sigma^{2}}\right)$

其中B为带宽，h为时变的 V2I 瑞丽衰落信道增益，p 为下行传输功率， $\LARGE \rho$ 为RB分配。

可靠性表示：可靠性 $\LARGE \gamma_i(t)$ 定义其为时延超过预定义阈值 $\LARGE D_i^{max}$ 的概率，时延分成传输时延和排队时延两部分。

传输速率约束于包尺寸、包到达率、可靠性： $\LARGE r_{i}(t)>\phi\left(\lambda_{i}(t), \beta(t), \gamma_{i}, D_{i}^{\max }\right)>\lambda_{i}(t) \beta_{i}(t)$

其中 $\LARGE \beta$ 是包尺寸、 $\LARGE \lambda$ 是包的平均到达速率、 $\LARGE \phi$ 表征传输速率和速率、包到达率、可靠性的一个映射（函数）。

目标是在保证可靠性、延迟、速率的前提下最小化BS的平均下行功率：

约束于

3b：用包延迟描述的可靠性约束（D_i是i号用户的包延迟）
3c、3d：可行性条件

整个资源分配分两个步骤：1.根据可靠性决定每个用户的传输速率；2.分配功率和RB到每个用户。

根据排队论可得3b中的可靠性为： $\LARGE \gamma_{i}(t)=1-\operatorname{Pr}\left\{D_{i}>D_{i}^{\max }\right\} \approx 1-\frac{\mu_{i}^{\prime}(t)}{\mu_{i}(t)}$ ， $\LARGE \mu'$ 是用户i 在slot内延迟超限的包的数量， $\LARGE \mu$ 是用户在slot内传输的包的总数量。当\mu增大，上式将近似收敛于 (3b) 中的可靠性。