学术前沿 | 东华大学常姍教授团队：无人机赋能的智能网联汽车边缘计算卸载

背  景

随着数字化网络的发展，智慧城市将迎来全新的面貌。车联网作为其重要组成部分，正日新月异地改变着人们的出行方式及城市交通管制模式。智能网联汽车用户的激增造成网络信道资源短缺、时延过长、能耗过大等问题，从而导致数据传输效率大幅降低。传统车联网的计算模式已难以满足当下智慧城市交通发展的需求，因此，计算卸载与优化模型成为当下提升车联网计算性能的核心问题。本文提出了一种基于无人机赋能的车联网任务卸载机制，为车联网计算卸载领域提供了全新思路。                    

创新点1

本文提出的系统模型将语义通信与多址接入结合，允许多个车载用户同时接入网络，提取语义信息上传至无人机，从而提升数据传输的有效性。详情如图1所示：

图1 无人机赋能的智能网联汽车卸载模型图

Fig. 1 System model of UAV empowered computing offloading for internet of vehicles

创新点2

实验方案

如图2所示，在实验场景仿真中，本文考虑五辆不同类型的智能网联汽车随机分布在路面进行周边环境感知。一架无人机位于距地面100m的高空，用于计算智能网联汽车卸载的语义信息。

图2 无人机赋能的智能网联汽车计算卸载仿真场景图

Fig. 2 Simulation scenario of UAV empowered computing offloading for internet of vehicles

图3展示了基于不同智能网联汽车的无人机效用与其最优定价之间的关系。可以看出，本文提出的算法均能在有限的迭代次数内搜索出无人机的最优定价。该结果证明了本文提出的算法在获取最优解方面的有效性和高效性。

图3 不同智能网联汽车的定价与无人机效用变化图

Fig. 3 Change diagram of UAV’s utility with different prices under different internet of vehicles

图4展示了本文提出的算法与其他基准算法在语义缩放指数epsilon方面的无人机效用比较。与其他基准算法相比，本文提出的算法能够增加无人机的效用。

图4 不同方案下语义缩放指数与无人机效用对比图

Fig. 4 Comparison diagram of UAV’s utility with semantic factors under different schemes

图5展示了本文提出的算法与基准算法在语义缩放指数epsilon方面的智能网联汽车效用比较。可与其他基准算法相比，本文提出的算法能够增加智能网联汽车的效用。

图5 不同方案下语义缩放指数与智能网联汽车效用对比图

Fig. 5 Comparison diagram of vehicle’s utility with semantic factors under different schemes

总  结

综上，本文提出了一种基于语义通信的无人机赋能智能网联汽车边缘计算卸载模型。设计了基于博弈的激励机制算法，对智能网联汽车卸载比例及无人机定价进行了双向优化，使得双方效用均能够达到最大值，以最大化智能网联汽车系统的整体效用。实验结果表明，本文提出的优化方案与基准算法相比，整体效用表现更优。