Event-Triggered Reinforcement Learning Based Joint Resource Allocation for Ultra-Reliable Low-Latency V2X Communications

未来的6G车联网面临着确保超可靠低延迟通信（URLLC）以及及时传递安全关键信息的挑战。现有的车到一切（V2X）通信系统的资源分配方案主要依赖于传统的基于优化的算法。然而，由于解决方案方法的高复杂性和通信开销，这些方法通常无法保证在动态车辆环境中满足URLLC应用的严格可靠性和延迟要求。本文提出了一种新颖的基于深度强化学习（DRL）的框架，用于联合功率和块长度分配，以在有限块长度（FBL）制度下最小化URLLC下行V2X通信系统中最坏情况的解码误差概率。该问题被制定为一个非凸混合整数非线性规划问题（MINLP）。首先，基于优化理论推导出感兴趣区域内解码误差概率在块长度和发射功率变量上的联合凸性，开发了一种基于优化理论的算法。随后，提出了一种高效的事件触发DRL算法来解决联合优化问题。将事件触发学习纳入DRL框架中，可以评估是否启动DRL过程，从而减少DRL过程执行的数量，同时保持合理的可靠性性能。仿真结果表明，所提出的事件触发DRL方案可以在不同的网络设置下实现联合优化方案95%的性能，并将DRL执行次数减少高达24%。

如何在未来的6G车联网中实现超可靠低延迟通信？

提出一种基于深度强化学习的框架，通过联合功率和块长度分配来最小化有限块长度下的解码误差概率，从而实现URLLC的V2X通信系统。

论文提出的事件触发DRL方案可以在减少DRL执行次数的同时，实现与联合优化方案95%的性能。

最近的相关研究包括： 1. A Survey of Deep Reinforcement Learning for Autonomous Driving 2. A Deep Reinforcement Learning-based Framework for Intelligent Traffic Signal Control 3. Deep Reinforcement Learning for Dynamic Multichannel Access in Wireless Networks