在車聯(lián)網(wǎng)技術(shù)快速發(fā)展的背景下，車載邊緣計(jì)算（VEC）作為緩解中心服務(wù)器壓力的新型計(jì)算范式，正面臨動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)、不穩(wěn)定連接和車輛移動(dòng)性帶來(lái)的多重挑戰(zhàn)。重慶郵電大學(xué)聯(lián)合香港科技大學(xué)的研究團(tuán)隊(duì)，針對(duì)非基礎(chǔ)設(shè)施型VEC場(chǎng)景提出了一種基于模仿學(xué)習(xí)的在線任務(wù)調(diào)度算法（IELTS），通過優(yōu)化資源分配策略顯著提升了系統(tǒng)能效。該成果已發(fā)表于IEEE Spectrum中文版《科技縱覽》期刊。

研究團(tuán)隊(duì)將車載網(wǎng)絡(luò)中的車輛劃分為服務(wù)請(qǐng)求車輛（SDV）和服務(wù)提供車輛（SPV），前者通過路側(cè)單元（RSU）接入網(wǎng)絡(luò)并卸載計(jì)算任務(wù)，后者則利用閑置資源組成動(dòng)態(tài)集群處理任務(wù)。針對(duì)傳統(tǒng)深度強(qiáng)化學(xué)習(xí)算法在動(dòng)態(tài)環(huán)境中存在的搜索效率低、收斂速度慢等問題，研究創(chuàng)新性地引入模仿學(xué)習(xí)框架，通過分支定界算法生成專家軌跡數(shù)據(jù)集，使智能體在少量樣本訓(xùn)練后即可逼近最優(yōu)策略。實(shí)驗(yàn)表明，該算法在任務(wù)時(shí)延約束下可使系統(tǒng)平均能耗降低超50%，較深度Q網(wǎng)絡(luò)（DQN）、DATE-V等對(duì)比算法具有顯著優(yōu)勢(shì)。

在系統(tǒng)設(shè)計(jì)層面，研究構(gòu)建了分層式信息維護(hù)架構(gòu)：RSU負(fù)責(zé)管理集群級(jí)狀態(tài)信息，SPV自主維護(hù)個(gè)體資源狀態(tài)，有效減少了車輛與基礎(chǔ)設(shè)施間的通信開銷。針對(duì)任務(wù)調(diào)度問題，團(tuán)隊(duì)將其分解為SPV聚類和服務(wù)能力評(píng)估兩個(gè)子問題，通過聚類算法整合分散的空閑資源，并設(shè)計(jì)混合策略預(yù)測(cè)模型優(yōu)化決策過程。當(dāng)SPV無(wú)法滿足時(shí)延要求時(shí)，系統(tǒng)自動(dòng)將任務(wù)切換至云端處理，確保服務(wù)質(zhì)量。

基于杭州市2018年9月的真實(shí)出租車軌跡數(shù)據(jù)，研究團(tuán)隊(duì)在虛擬部署的RSU網(wǎng)絡(luò)中進(jìn)行了仿真驗(yàn)證。實(shí)驗(yàn)設(shè)置覆蓋單條主干道場(chǎng)景，通過調(diào)整任務(wù)生成周期和時(shí)延約束等參數(shù)，系統(tǒng)評(píng)估了算法性能。數(shù)據(jù)顯示，在0.4秒任務(wù)生成周期下，IELTS算法較其他方法節(jié)省能耗達(dá)65%，同時(shí)保持92%以上的任務(wù)本地處理率。隨著訓(xùn)練輪次增加，該算法在能耗穩(wěn)定性、時(shí)延控制和資源利用率方面均展現(xiàn)出持續(xù)優(yōu)勢(shì)。

該研究突破了傳統(tǒng)VEC框架對(duì)固定基礎(chǔ)設(shè)施的依賴，通過智能資源調(diào)度機(jī)制實(shí)現(xiàn)了動(dòng)態(tài)環(huán)境下的能效優(yōu)化。目前，團(tuán)隊(duì)正將相關(guān)技術(shù)拓展至無(wú)人機(jī)集群組網(wǎng)領(lǐng)域，探索跨場(chǎng)景的通用化解決方案。這項(xiàng)成果為車聯(lián)網(wǎng)邊緣計(jì)算提供了新的理論支撐，對(duì)推動(dòng)智能交通系統(tǒng)發(fā)展具有重要意義。