ARTICLE · 1352067
好文荐读|异构车载任务路侧协同卸载的博弈强化学习框架
doi:10.3969/j.issn.1003-3106.2026.06.015
引用格式:刘建华,胡迈,胡浩然,等. 异构车载任务路侧协同卸载的博弈强化学习框架[J]. 无线电工程, 2026, 56(6): 1086-1099.
LIU Jianhua,HU Mai,HU Haoran, et al. A Game-theory and Reinforcement Learning Framework for Road Side Collaborative Offloading of Heterogeneous Vehicular Tasks[J]. Radio Engineering, 2026,56(6): 1086-1099.
异构车载任务路侧协同卸载的
博弈强化学习框架
刘建华1,胡迈1,胡浩然1,
雷霞1,涂晓光1,刘佳嘉2
(1. 中国民用航空飞行学院 航空电子电气学院, 四川 广汉 618300;
2. 中国民用航空飞行学院 教师发展与教学评估中心, 四川 广汉 618300)
摘要:在车联网(Vehicle to Everything, V2X)环境中,传统依赖路侧单元(Road Side Unit,RSU)的边缘计算模式在面对大规模异构车载任务时易受资源约束,导致服务质量下降。针对该问题,提出一种融合博弈论与深度强化学习的智能异构任务卸载机制(Game Theory and Deep Reinforcement Learning-based Heterogeneous Task Offloading Mechanism, GDR-HTO)。该机制通过多台具备独立计算资源的RSU协同执行任务卸载,使各RSU能够并行处理多类异构任务请求。基于任务的计算复杂度、数据规模及延迟容忍度等特征,构建 RSU间非合作博弈模型,以实现局部拥塞场景下的高效任务调度与卸载决策。在此基础上,引入深度强化学习(Deep Reinforcement Learning, DRL)对卸载策略进行优化,提升系统决策的自适应性与智能性。仿真实验结果表明,在高车辆密度和强任务异构性场景下,与现有方法相比,该机制平均任务完成时延降低约30%,系统负载均衡性提升超过20%,能耗降低约18%,验证了其在复杂V2X环境中的有效性与优越性。
关键词:车联网;边缘计算;博弈论;深度强化学习;任务卸载
点击阅读原文，了解更多
