Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning

随着智能车辆和智能交通系统（ITS）的快速发展，安装在智能车辆上的摄像头和激光雷达等传感器提供了更高的计算密集型和延迟敏感型任务处理能力，从而提高了部署成本。为了解决这个问题，提出了车辆边缘计算（VEC）通过路侧单元（RSU）处理数据以支持实时应用。本文重点关注信息时代（AoI）作为数据新鲜度的关键指标，并探讨了在RSU通信资源限制下，车辆的任务卸载问题。我们采用了多智能体深度强化学习（MADRL）方法，使车辆能够自主地做出最优的数据卸载决策。然而，MADRL在通信学习和集中式训练期间存在车辆信息泄漏的风险。为了缓解这种情况，我们采用联邦学习（FL）框架，共享模型参数而不是原始数据，以保护车辆用户的隐私。在此基础上，我们提出了一种创新的分布式联邦学习框架，结合图神经网络（GNN），命名为联邦图神经网络多智能体强化学习（FGNN-MADRL），以优化整个系统的AoI。首次将道路场景构建为图数据结构，并提出了基于GNN的联邦学习框架，有效地结合了分布式和集中式联邦聚合。此外，我们提出了一种新的MADRL算法，简化了决策过程，增强了卸载效率，进一步降低了决策复杂度。仿真结果通过模拟证明了我们提出的方法优于其他方法。

本文旨在解决智能车辆和智能交通系统中传感器成本高昂的问题，提出了通过路侧单元进行车辆边缘计算的方案，重点关注数据新鲜度的Age of Information (AoI)指标，并探讨车辆在RSU通信资源限制下的任务卸载问题。

本文采用多智能体深度强化学习（MADRL）方法，允许车辆自主做出最佳的数据卸载决策。为了保护车辆用户的隐私，采用联邦学习（FL）框架共享模型参数而非原始数据。提出了一种创新的分布式联邦学习框架，结合了图神经网络（GNN），命名为Federated Graph Neural Network Multi-Agent Reinforcement Learning（FGNN-MADRL），以优化整个系统的AoI。

本文构建了道路场景的图数据结构，并提出了基于GNN的联邦学习框架，有效地结合了分布式和集中式联邦聚合。此外，提出了一种新的MADRL算法，简化了决策制定并提高了卸载效率，进一步降低了决策复杂度。仿真结果表明，相比其他方法，本文提出的方法具有优越性。

近期的相关研究包括：'Vehicular Edge Computing: Survey and Research Directions'，'Age of Information in Wireless Networks: A Survey'，'Federated Learning: Challenges, Methods, and Future Directions'等。