Loading…
Resource allocation for vehicle-to-vehicle communications under intermittent cellular coverage
Şahin, Taylan
Vehicle-to-vehicle (V2V) communication is a key technology to enable safer, more efficient, and more comfortable road traffic. The stringent reliability and latency requirements of V2V messages necessitate efficient radio resource management given the scarce spectrum and the dynamic vehicular environment. Under cellular network coverage, the resource allocation can be centrally coordinated by a base station (BS), which can efficiently ensure collision-free transmissions. When out of coverage, vehicles resort to distributed mechanisms, which yet suffer from degraded communication quality due to the vehicles’ limited local view.
In this thesis, we propose a novel approach for V2V communications in expected, delimited out-of-coverage areas (DOCAs), whereby a centralized scheduler pre-assigns resources to the vehicles via the BSs surrounding the area, before vehicles enter it. We first explore the feasibility of this approach by exploiting the road and data traffic information available in coverage to reserve and provision the resources. While the required number of resources does not grow prohibitively with increased reliability targets, the rate of successful V2V transmissions gets highly impacted by various factors such as vehicle mobility, thus necessitating efficient means to cope with uncertainties in DOCAs.
As a predictive method for resource allocation, we propose a vehicular reinforcement learning scheduler, VRLS, which is applicable to DOCAs that vary in vehicle density, mobility, wireless channel characteristics, and resource configurations. VRLS can significantly increase resource utilization efficiency by requiring fewer resources than state-of-the-art distributed scheduling solutions to support the same reliability targets. Nevertheless, considering that the performance of learning-based solutions may degrade upon parameter distributions much beyond their training environment, we propose a hybrid scheme that combines the centralized RL-based and the distributed sensing-based scheduling approaches. We show the performance benefits of such a solution under heavily congested road traffic due to an accident, as compared to either of the centralized or the distributed solutions.
Finally, we shift our focus to those areas under network coverage where vehicles suffer from rather short and unpredictable coverage interruptions to the BSs. We consider an extension of our RL-based approach for this problem. The proposed solution performs better than the state-of-the-art baseline in the cases of coverage losses, especially under high traffic load and lower frequency of scheduling updates, otherwise delivering similar performance.
Die Kommunikation zwischen Fahrzeugen (Vehicle-to-Vehicle, V2V) ist eine Schlüsseltechnologie für einen sichereren, effizienteren und bequemeren Straßenverkehr. Die strengen Anforderungen an die Zuverlässigkeit und Latenz von V2V-Nachrichten erfordern angesichts des knappen Spektrums und der dynamischen Verkehrslage eine effiziente Verwaltung der Funkressourcen. Bei einer Mobilfunknetzabdeckung kann die Ressourcenallokation zentral von einer Basisstation (BS) koordiniert werden, die effizient kollisionsfreie Übertragungen gewährleisten kann. Außerhalb der Netzabdeckung müssen die Fahrzeuge auf verteilte Verfahren zurückgreifen, die jedoch aufgrund der eingeschränkten lokalen Sicht der Fahrzeuge eine schlechtere Kommunikationsqualität zur Folge haben.
In dieser Arbeit wird ein neuartiges Verfahren für die V2V-Kommunikation in erwarteten, abgegrenzten Gebieten ohne Netzabdeckung (delimited out-of-coverage areas, DOCAs) vorgeschlagen, bei dem ein zentraler Scheduler den Fahrzeugen über die umliegenden BSs Ressourcen zuweist, bevor die Fahrzeuge in das Gebiet einfahren. Es wird zunächst die Machbarkeit dieses Konzepts untersucht, indem die in der Abdeckung verfügbaren Straßenund Datenverkehrsinformationen zur Reservierung und Bereitstellung der Ressourcen genutzt werden. Während die benötigte Anzahl an Ressourcen mit zunehmenden Zuverlässigkeitszielen nicht übermäßig ansteigt, wird die Rate erfolgreicher V2V-Übertragungen durch verschiedene Faktoren wie der Fahrzeugmobilität stark beeinflusst, sodass effiziente Wege, um mit den Unsicherheiten in den DOCAs zurechtzukommen, erforderlich sind.
Als prädiktive Methode für die Ressourcenallokation wird ein Vehicular Reinforcement Learning Scheduler (VRLS) vorgeschlagen, der auf DOCAs anwendbar ist, die in Bezug auf Fahrzeugdichte, Mobilität, Funkkanaleigenschaften und Ressourcenkonfigurationen variieren. Der VRLS kann die Effizienz der Ressourcennutzung erheblich steigern, weil er weniger Ressourcen benötigt als verteilte Scheduling-Lösungen nach dem Stand der Technik, um die gleichen Zuverlässigkeitsziele zu unterstützen. Allerdings ist zu bedenken, dass die Leistung von auf Lernen basierenden Lösungen bei Parameterverteilungen, die weit über ihre Trainingsumgebung hinausgehen, beeinträchtigt sein kann. Daher wird ein hybrides Verfahren vorgeschlagen, das die auf zentralisiertem verstärkendem Lernen basierenden und die auf verteiltem Sensing basierenden Scheduling-Konzepte kombiniert. Es werden die Leistungsvorteile einer solchen Lösung bei stark überlastetem Straßenverkehr aufgrund eines Unfalls im Vergleich zu einer zentralisierten oder verteilten Lösung gezeigt.
Schließlich wird der Fokus auf die Bereiche mit Netzabdeckung verlagert, in denen Fahrzeuge unter eher kurzen und unvorhersehbaren Unterbrechungen der Netzabdeckung zu den BSs leiden. Der vorgeschlagene, auf verstärkendem Lernen basierende Ansatz, wird auf dieses Problem erweitert. Die vorgeschlagene Lösung schneidet bei Abdeckungsverlusten besser ab als der Stand der Technik, insbesondere bei hoher Netzauslastung und geringerer Häufigkeit von Scheduling-Updates, wobei ansonsten eine ähnliche Leistung erzielt wird.
