Graph Neural Networks and Deep Reinforcement Learning Based Resource Allocation for V2X Communications

在不断发展的车联网技术领域中，由于其在覆盖范围、延迟和吞吐量方面的卓越表现，基于蜂窝网络的车辆到一切（C-V2X）通信备受关注。C-V2X内部的资源分配对于确保安全信息传输以及满足车辆之间通信的超低延迟和高可靠性要求至关重要。本文提出了一种将图神经网络（GNN）与深度强化学习（DRL）相结合的方法来解决这一挑战。通过构建一个动态图，以通信链路为节点，并采用图采样和聚合（GraphSAGE）模型来适应图结构的变化，该模型旨在确保V2V通信的高成功率，同时最小化V2I链路上的干扰，从而确保V2V链路信息的成功传输，并维持V2I链路的高传输速率。所提出的方法保留了GNN的全局特征学习能力，并支持分布式网络部署，使车辆可以基于本地观察从图网络中提取包括结构信息在内的低维特征，并做出独立的资源分配决策。仿真结果表明，引入GNN可以有效地提高代理的决策质量，相比其他方法具有优越性，虽然会略微增加计算负荷。本研究不仅为V2V和V2I通信提供了一个理论上高效的资源分配策略，也为实际车联网环境中的资源管理开辟了新的技术路径。

本论文旨在提出一种集成图神经网络（GNN）和深度强化学习（DRL）的方法，以解决C-V2X通信中的资源分配问题，确保V2V通信的高成功率，同时最小化对V2I链路的干扰，从而保证V2V链路信息的成功传输和维持V2I链路的高传输速率。

该方法通过构建具有通信链接作为节点的动态图，并采用GraphSAGE模型来适应图形结构的变化，以确保V2V通信的高成功率，同时最小化对V2I链路的干扰，从而实现资源分配。

该方法保留了GNN的全局特征学习能力，并支持分布式网络部署，允许车辆基于本地观察从图网络中提取包括结构信息在内的低维特征，并做出独立的资源分配决策。模拟结果表明，引入GNN可以有效地提高代理人的决策质量，展现出优于其他方法的优越性。

最近的相关研究有：1. “A Survey of Deep Learning for Autonomous Driving: State-of-the-Art, Trends and Challenges”；2. “A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem”；3. “Graph Neural Networks: A Review of Methods and Applications”等。