.png){kind=icon}
返回
Meta-reinforcement learning driven model architecture and algorithm optimization in intelligent driving task offloading
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comcom.2025.108310.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在智能驾驶技术快速发展的过程中，车辆产生的数据量急剧增加，而车载设备的存储和计算能力瓶颈日益凸显，任务卸载成为提升智能驾驶系统性能的关键。在此背景下，本文提出了MRL-ADTO算法，创新性地将元强化学习（MRL）应用于智能驾驶任务卸载领域，优化了有向无环图（DAG）合成逻辑和任务优先级排序算法，设计了基于序列到序列（Seq2Seq）结构的神经网络模型，并同时引入了多头注意力机制。实验结果表明，与现有算法相比，MRL-ADTO在多种场景下能显著降低任务执行延迟，在训练效率和收敛性能方面具有明显优势，为智能驾驶任务卸载提供了高效可靠的解决方案。
Keyword:
meta-reinforcement learning
task offloading
intelligent driving
directed acyclic graph
sequence to sequence
期刊
IF:
4.3
论文数:
600
被引数:
1.1W
机构
引用论文
.png){kind=icon}
Streaming Data Priority Scheduling Framework for Autonomous Driving by Edge边缘环境下自动驾驶的流数据优先级调度框架
PREAI
分享收藏Resource-aware multi-task offloading and dependency-aware scheduling for integrated edge-enabled IoV
OAAI
OAAI分享收藏A Low-Cost and Lightweight Real-Time Object-Detection Method Based on UAV Remote Sensing in Transportation Systems基于UAV遥感在交通系统中的低成本轻量化实时目标检测方法
OAAI
OAAI分享收藏Survey of Deep Reinforcement Learning for Motion Planning of Autonomous Vehicles深度强化学习在自主车辆运动规划中的应用综述OAAI
OAAI分享收藏
查看更多内容