基于深度强化学习的 NR-V2X 系统上的信息时延与能耗联合优化
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文研究了细胞V2X通信中的资源分配与传输模式选择，提出了一种基于深度强化学习的去中心化算法和车辆聚类算法。实验结果表明，该算法在性能上优于其他基线方法，有效提高了信息更新的及时性并降低了通信成本。
❓
Q&A
基于深度强化学习的去中心化算法有什么优势？
该算法在性能上优于其他分布式基线算法，有效提高了信息更新的及时性并降低了通信成本。
如何通过深度强化学习优化车辆间的通信？
通过将问题转化为马尔可夫决策过程，利用深度Q学习优化车辆的加速度、减速度和变道等行为。
文章中提到的车辆聚类算法有什么作用？
车辆聚类算法用于资源分配和传输模式选择，提升了通信效率。
如何实现信息时代感知的资源块分配？
利用高斯过程回归方法实现在线无中央控制机制的网络动态学习，实时预测未来的AoI。
该研究如何提高路径规划性能？
通过基于C-V2X通信的路径规划，利用较低AoI值的V2I信息来减少道路估计误差。
文章提出的强化学习框架有哪些目标？
该框架旨在最小化道路碰撞、最大化通信数据速率，同时优化自动驾驶车辆的网络选择和驾驶策略。
🏷️
