[发明专利]一种车联网中视频语义驱动的资源分配方法

说明书

本发明公开了一种车联网中视频语义驱动的资源分配方法，属于车联网领域。首先构建车辆端与边缘服务器端视频语义通信的车联网系统模型；然后统计实验数据并结合回归方法，构建视频语义驱动的资源分配指导模型；再利用视频码率计算单位车辆的检测准确率，并将最大化单位车辆的检测准确率为优化目标，构建车联网中视频语义驱动的资源分配优化模型；并通过分析目标函数的单调性实现模型的简化；在视频语义驱动的资源分配优化模型的基础上，构建强化Q学习算法模型；通过构建状态空间、动作空间和环境反馈，并执行动作、观测状态、获得奖励来训练求解资源分配优化模型。本发明考虑了不同视频的语义差异和车联网非稳态信道条件，优化了车辆端到边缘服务器端视频语义任务的频谱分配，实现了平均目标检测精度最大化。

技术领域

本发明属于车联网领域，涉及车联网边缘计算场景下的视频传输系统，具体是一种车联网中视频语义驱动的资源分配方法。

背景技术

随着人工智能和车联网技术的发展，智能计算和车辆通信的融合发展成为必然趋势。当前在车联网场景中，车辆端到边缘服务器端的大量计算任务卸载需求给车联网通信资源带来了巨大的压力，因此亟需研究高效的资源分配方法来提高车联网中的资源利用率。

现有的车联网中资源分配方法可以分为两类：服务质量(Quality of Service，QoS)驱动的资源分配方法和用户体验质量(Quality of Experience，QoE)驱动的资源分配方法。基于QoS的资源分配方法主要是通过合理地分配带宽、功率、时延等通信资源，以优化网络的吞吐量、传输速率、时延、抖动等网络效率指标，面向的主体是通信系统的物理层或网络层；基于QoE的资源分配方法主要是通过分配通信资源以提升传输视频的流畅度、清晰度、用户满意度等指标，以满足接收用户的各种主观需求。

以上两种传统的资源分配方法面向的主体是传输网络或人类用户，不考虑所传输的视频内容或语义信息。但当视频传输的接收端是作为机器的智能体，传输后的视频用于目标检测等语义理解任务时，资源分配所追求的目标不再是网络效率或用户体验，而是视频理解或分析的准确率，此时传统的QoS或QoE资源分配方法不再是最优的。

现已有研究提出视频内容质量(Quality of Content，QoC)的概念，以最大化平均目标检测精度为目标，给出了视频编码资源分配方案。但并未给出具体的视频内容质量量化模型，未从视频语义角度出发，考虑不同视频的语义差异，且未考虑车联网非稳态信道条件下的资源分配。因此，有必要针对视频语义研究更高效的资源分配指导方式。

发明内容

本发明为了解决上述问题，结合强化学习理论，提供了一种车联网中视频语义驱动的资源分配方法，优化了车辆端到边缘服务器端的频谱分配，实现了平均目标检测精度最大化。

具体步骤包括：

步骤一、构建车辆端与边缘服务器端视频语义通信的车联网系统模型；

系统模型包括蜂窝基站(Base Station，BS)和M辆装有摄像头的智能网联汽车。

整个系统的通信和计算过程如下：1)车辆发起视频传输请求，对所采集的视频进行预处理，获取视频信息并将其上传到边缘服务器，同时边缘服务器获取信道状态信息(Channel State Information，CSI)；2)边缘服务器获取视频信息和CSI，根据视频语义驱动的资源分配方法得到最优资源分配结果；3)车辆根据资源分配的结果完成视频的编码压缩，通过无线信道传输到边缘服务器；4)边缘服务器将接收到的视频进行解码，对视频进行语义理解并将结果反馈给各车辆。

步骤二、构建视频语义驱动的资源分配指导模型；

以视频语义理解的基础任务——目标检测任务为例，视频的语义即待检测的目标类别和数量，视频语义的理解准确率即目标检测的准确率。

详细的资源分配指导模型建模步骤如下：