科研之友
微信
新浪微博
Facebook
分享链接
摘要
在基于联邦学习的智能驾驶中，智能网联汽车(ICV)的资源限制和可能出现的设备故障会导致联邦学习训练精度下降、时延和能耗增加等问题，为此提出了数字孪生辅助联邦学习中的边缘选择和资源分配优化方案。该方案首先提出数字孪生辅助联邦学习机制，使得ICV能够选择在本地或利用其数字孪生体参与联邦学习。其次，通过构建数字孪生辅助联邦学习的计算和通信模型，建立以最小化累积训练时延和能耗为目标的边缘选择和资源分配联合优化问题，并将其转化为部分可观测的马尔可夫决策过程。最后，提出基于多智能体参数化Q网络的边缘选择和资源分配算法，用于学习近似最优的边缘选择和资源分配策略，以实现联邦学习累积时延和能耗最小化。仿真结果表明，所提算法在保证模型精度的同时，有效降低联邦学习累积训练时延和能耗。
-
单位通信与信息工程学院; 重庆邮电大学
