0　引言

車聯網在智能交通系統[1]中應用廣泛，例如，在車聯網中通過路邊單元實時發送交通數據給地面車輛，從而提高城市交通的安全性[2]。然而，在智能交通系統中實時共享高質量實況交通數據仍是一項有待商榷的問題，當有緊急事故發生時車輛無法了解情況可能會造成更加嚴重的后果。為此，本文提出了車聯網中基于單頻網絡(Single Frequency Network, SFN)技術[3]的交通信息傳輸方案。

SFN技術可以同時同頻地將數據發送給車輛，有節省頻譜資源、信號覆蓋范圍廣等優點，近年來SFN技術發展得如火如荼，為車聯網中數據傳輸提供了契機。目前關于SFN多播資源分配的文獻，大多是考慮的靜態用戶。在文獻[4]中，作者提出了基于功率的非正交復用技術，采用SFN技術將數據多播給中心單元用戶，實現了地面移動寬帶和電視廣播系統的融合，從而提高頻譜利用率；在文獻[5]中，作者對靜態用戶進行分組，提出一種能夠找到接近最優解的算法，從而提高了系統效用；在文獻[6]中，作者對靜態用戶分組，并考慮了視頻版本不同對用戶觀看視頻體驗的影響，提出了聯合優化SFN集群形成、用戶分組、視頻資源分配和比特率選擇的方案，以實現最大化用戶的體驗質量(Quality of Experience, QoE)；在文獻[7]中，作者設計了360°視頻直播場景，提出了VRCast方案，從而提高了用戶接收視頻的質量，并實現了用戶之間的公平性。但上述文獻中都是基于用戶的瞬時狀態，沒有考慮用戶的移動性，不適用于車聯網場景當中，無法準確評估不同時隙車輛的移動位置。

隨著5G技術的愈發成熟和即將到來的6G時代，自動駕駛、車輛通信[8]等新興技術高速發展，研究人員對車輛的移動性[9]進行了深入研究，將可以實現快速、高效、合理地進行數據傳輸，提高接收數據成功率。目前已有文獻將重點放在根據車輛移動性進行資源分配。在文獻[10]中，作者提出了聯合優化任務卸載決策、功率和帶寬分配的方案，在降低信噪比(Signal to Noise Ratio, SNR)中斷概率的前提下，最小化系統總能耗；在文獻[11]中，作者提出了基于多智能體深度強化學習的資源分配框架，在降低SNR中斷概率的前提下，通過聯合優化信道分配和功率控制，來提高用戶服務質量(Quality of Service, QoS)[12]。上述文獻雖然考慮了車輛的移動性，但并未在SFN場景中考慮在有干擾基站的情況下產生信干噪比(Signal-to-Interference plus Noise Ratio, SINR)中斷概率的問題。本文針對車聯網中基于SFN技術的交通信息傳輸場景，提出了資源分配方案來降低SINR中斷概率，最小化SFN中每個路邊單元(Road Side Unit, RSU)的傳輸功率。

綜上所述，本文主要貢獻有：(1) 采用了SFN技術將數據同時同頻發送給車輛，同時考慮車輛移動性，傳統的系統模型中只考慮靜態用戶，本文模型在構建MDP時，考慮了車輛實時移動位置坐標、行駛速度等，基于動態的信道信息來優化RSU的功率分配；(2) 傳統的SFN傳輸方案中并沒有考慮干擾基站對傳輸功率的影響，本文在SFN場景中考慮在有干擾基站的情況下產生SINR中斷概率的問題；(3)采用基于好奇心驅動的 DQN(C-DQN)資源優化算法來求解，與其他強化學習算法相比，該算法收斂速度更快，收斂值更高。

本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000005718

作者信息：

王璐

（山西大學  物理電子工程學院，山西 太原 030006）