智能交通新突破：混合LLM-DDQN优化自动驾驶与车联网通信

导读 近年来，大语言模型（LLMs）因其卓越的推理和理解能力在多个领域取得了显著成就，尤其是在分类、预测和优化等任务上。然而，传统算法（如凸优化和强化学习）常常面临可扩展性问题，特别是在高维度和复杂任务中，往往需要大量的计算和训练周期。相比之下，LLM通过在上下文中进行学习，无需额外的模型训练或参数微调，展现出了更高的灵活性和效率。LLM的这种优势使其在通信环境中具有广泛的应用潜力，尤其是在处理动态变化的网络环境时。 本文提出了一种新颖的优化方法，将LLM与强化学习技术（特别是双深度Q学习网络，DDQN）相结合，旨在联合优化车与基础设施（V2I）通信和自动驾驶（AD）策略。通过使用LLM来支持自动驾驶决策，可以提高交通流量，减少碰撞并确保道路安全；而使用DDQN优化V2I通信，可以最大化数据传输速率并减少频繁的基站切换。这种混合方法能够通过迭代优化，动态地调整AD和V2I的策略，最终实现更高的系统效率和更快的收敛速度。仿真实验结果表明，所提出的方法相较于传统的DDQN方法，具有更高的学习效率和优化性能。

©️【深蓝AI】编译

论⽂题目：Hybrid LLM-DDQN based Joint Optimization of V2I Communication and Autonomous Driving

论文作者：Zijiang Yan, Hao Zhou, Hina Tabassum, Xue Liu

论文地址：https://arxiv.org/abs/2410.08854

1.研究背景

大语言模型（LLMs）作为一种新兴的技术，近年来受到广泛关注，它能够处理多种下游任务，如分类、预测和优化。与传统算法（如凸优化和强化学习（RL））相比，LLM在处理复杂任务时展现了其独特的优势。传统的强化学习常面临大量迭代和采样效率低等问题，而凸优化则需要专门的数学变换来保证问题的凸性。与此相比，LLM启发的优化方法，特别是在上下文学习中的应用，展现了多方面的优势。首先，LLMs可以进行上下文学习，无需额外的模型训练或参数微调，从而节省大量的人力。其次，LLM的上下文优化可以通过调整提示语迅速扩展到新任务或目标，从而快速适应不同的通信环境。最后，LLMs能够为其优化决策提供合理的解释，帮助人类理解复杂的网络系统。凭借这些吸引人的特性，LLMs在优化问题的解决中有着巨大的潜力。

然而，预计6G网络将面临较短的信道相干时间（这是由于较高的传输频率和窄束波）以及对网络服务质量的严格要求，这意味着需要更快的响应时间和更高的智能水平。例如，车与基础设施（V2I）通信与车辆的驾驶行为密切相关，例如频繁的加速和减速可能会导致额外的切换（HOs），甚至可能导致V2I连接中断（如果没有及时处理）。因此，联合优化V2I通信和自动驾驶策略变得至关重要。这种V2I和AD的集成也与国际电信联盟（ITU）定义的6G使用场景相一致。

LLM支持的自动驾驶（AD）已经引起了大量研究关注，现有研究已经利用LLM的推理能力来实现决策支持，并推动了类人驾驶行为的实现。这些研究主要集中在使用LLM进行自动驾驶（AD）的应用，但将LLM