一种基于DQN的无人驾驶任务卸载策略

由于电池寿命和计算能力有限，无人驾驶车辆在保证续航能力的前提下，难以满足某些延迟敏感或密集任务的处理要求。为了解决这个问题，在移动边缘计算（MEC）的背景下，提出了一种基于深度q网络（DQN）的无人任务卸载策略。首先，定义了基于任务优先级的车－边－云协同任务卸载模型，该模型需要联合优化车辆计算能力和任务卸载策略，以获得系统的最小延迟和能耗。由于该问题是一个混合整数非线性规划问题，分两步求解——通过数学推导得到最优车辆计算能力的解析解，然后基于DQN算法在固定值条件下得到任务的最优卸载策略。最后，结合SUMO、Pytorch和Python的工具建立了仿真模型，比较了DQN算法和其他三种算法在任务负载、MEC服务器计算能力和权重系数能耗变化下的性能。实验结果验证了该策略的可行性和优越性。