[发明专利]一种无人机辅助的异构车联网任务迁移与资源分配方法

说明书

本发明提出一种无人机辅助的异构车联网任务迁移与资源分配方法，该方法针对移动边缘服务器和无人机协同计算卸载的场景，首先通过势博弈得到车辆是否卸载的决策，即车辆决定本地计算，还是卸载到MEC服务器或无人机计算。对决定任务卸载的车辆，采用分布式的资源分配方法，不需要基站集中调度信道状态信息，将每辆决定任务卸载的车辆视为智能体，通过DDQN训练深度深度强化学习，每辆决定任务卸载的车辆基于本地观察状态信息来选择卸载节点和发射功率。该算法能够在最大发射功率的限制下，最小化系统时延，在复杂度和性能之间取得了很好的平衡。

技术领域

本发明涉及一种车联网技术，尤其涉及一种无人机辅助的车联网的任务迁移与资源分配方法，更具体地说，涉及一种无人机辅助的异构车联网任务迁移与资源分配方法。

背景技术

随着车联网的发展，兴起了各种车辆应用，如路线规划、自动驾驶和信息娱乐应用。这些应用既可以保证出行安全，也可以提供旅途中的娱乐互联。然而这些应用大多是延迟敏感的、资源密集型的，具有计算复杂、能量需求高的特点。目前许多车辆的存储能力仍然有限，计算资源不足，无法满足这些应用严格的延迟约束。移动边缘计算(mobile edgecomputation，MEC)通过在网络边缘部署计算和存储资源，可以为车辆提供低延迟计算服务，在车联网的典型场景中，路侧单元上部署MEC服务器，为车辆提供计算服务。在智慧道路建设中，无人机被用于道路巡逻、桥梁检查和道路损坏检查。当无人机在某一区域巡逻时，其强大的计算能力也可以作为MEC服务器。

目前，无人机辅助的移动边缘计算还处于起步阶段，只有少数研究对这一领域进行了详细的研究。且现有研究主要优化计算卸载策略，而没有充分考虑时变信道下异构MEC服务器之间的协作问题和通信资源分配问题。

因此，本发明提出一种无人机辅助的异构车联网任务迁移与资源分配方法，该方法针对移动边缘服务器和无人机协同计算卸载的场景，并以系统时延最小化作为任务迁移和资源分配的优化目标，在复杂度和性能之间取得了很好的平衡。

发明内容

发明目的：针对现有技术存在的上述问题，提出一种无人机辅助的异构车联网任务迁移与资源分配方法，无人机可以为车辆提供计算资源。该方法拟采用混合频谱接入技术进行传输，实现系统时延最小化。

技术方案：针对移动边缘服务器和无人机协同计算卸载的场景，以合理高效的计算卸载决策和资源分配达到系统时延最小化的目的。为降低系统时延同时提升频谱利用率，采用混合频谱接入技术进行传输，车辆通过车与路边设施(vehicle toinfrastructure，V2I)链路将任务卸载到路侧单元上的MEC服务器计算，通过车与车(vehicle to vehicle，V2V)链路将任务卸载到无人机计算，V2I和V2V链路通过5G切片技术接入不同切片互不干扰。首先通过势博弈得到车辆是否卸载的决策，即车辆决定本地计算，还是卸载到MEC服务器或无人机计算。对决定任务卸载的车辆，采用分布式的资源分配方法，不需要基站集中调度信道状态信息，将每辆决定任务卸载的车辆视为智能体，基于本地观察状态信息来选择发射功率。通过建立深度强化学习模型，利用深度双Q学习算法(Double Deep Q-Learning Network，DDQN)优化深度强化学习模型。根据优化后的DDQN模型，得到每辆决定任务卸载的车辆的卸载节点和发射功率。完成上述发明通过以下技术方案实现：一种无人机辅助的异构车联网任务迁移与资源分配方法，包括步骤如下：

(1)在路侧单元即RSU部署移动边缘计算即MEC服务器，系统中部署无人机可以为车辆提供计算服务，车辆的计算任务可以本地处理，卸载到无人机或MEC服务器；

(2)建立包括N个车辆和M个无人机的通信模型和计算模型，进而建立联合计算迁移和资源分配模型；

(3)每辆车获取无人机和MEC位置、计算资源占用情况以及任务信息；

(4)基于势博弈得到每辆车是否卸载的决策，根据得到的车辆卸载决策，对决定任务卸载的车辆以降低系统时延为目标建立深度强化学习模型；