Double-Auction-Based Task Offloading in VEC via Multi-Agent Reinforcement Learning
Notice bibliographique
Résumé
Task offloading in Vehicular Edge Computing (VEC) can significantly enhance Cooperative Perception (CP) for Autonomous Vehicles (AVs), improving situational awareness and traffic safety. However, the widespread adoption of VEC is often constrained by the high deployment costs of Roadside Units (RSUs). In this paper, we propose the Truthful and Quality-Aware Task Offloading (TQTO) scheme. TQTO leverages the prolific yet underutilized computational resources of parked vehicles for CP tasks in VEC to alleviate RSU scarcity. Using vehicle-to-vehicle (V2V) communication, parked vehicles can be strategically involved in CP processing and are incentivized to contribute their resources. TQTO introduces a distributed, truthful, double-auction-based multi-agent deep reinforcement learning framework that enables user vehicles to offload CP tasks to parked vehicles in a utility-maximizing manner, while respecting their individual budget constraints. Concurrently, TQTO considers the provider-side (i.e., parked vehicles) costs and ensures a truthful, incentive-compatible, and budget-balanced marketplace for VEC. A critical value-based payment mechanism is used to ensure fair compensation for parked vehicles and to align task requesters’ payments with their utility. TQTO formulates the task offloading problem as a Double Auction Quadratic Multiple Knapsack Problem (DA-QMKP) and solves it using a QMIX-based heuristic for scalable decision-making under partial observability. Extensive evaluations show that TQTO outperforms a prominent non-auction-based scheme by up to 39% in terms of social welfare.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».