Diffusion-Based Multi-Agent Reinforcement Learning for Semantic Vehicular Edge Computing

doi:10.1109/TSC.2025.3618082

Diffusion-Based Multi-Agent Reinforcement Learning for Semantic Vehicular Edge Computing

2025-10-06

0

PRE

AI

DOI：10.1109/TSC.2025.3618082

原文链接

原文求助

摘要

En 中文

车联网边缘计算（VEC）对智能车辆的安全高效行驶至关重要，它能够将计算密集型任务（如驾驶环境感知）卸载至边缘服务器，以克服车载计算资源的限制并实现协同工作。VEC面临的主要挑战之一是卸载的智能驾驶任务通常会产生大量数据，容易导致车辆通信信道过载和拥塞。为解决上述挑战，我们首先提出了一种新颖的语义VEC（SVEC）架构，该架构能够提取任务中的语义信息并卸载至边缘服务器，从而实现可靠且高效的卸载任务通信与计算自适应。考虑到车辆信道资源的稀缺性以及不同优先级和模态的智能任务，我们为SVEC定义了一种新型用户效用模型，并将最大化用户效用的问题转化为语义特征提取、任务卸载和资源分配的联合优化问题。此外，为应对优化问题解空间的复杂性，我们提出了一种基于扩散的多智能体强化学习算法，该算法通过扩散过程提升智能体探索解空间的能力，从而实现语义特征提取、任务卸载和资源分配的最优决策。仿真结果表明，所提方案在提升SVEC整体性能的同时，降低了卸载延迟和平均系统成本。

Keyword:

Vehicular edge computing (VEC)

semantic communication

task offloading

resource allocation

diffusion model

deep reinforcement learning

Diffusion-Based Multi-Agent Reinforcement Learning for Semantic Vehicular Edge Computing

摘要

期刊

机构