[Paper] 面向时效性的调度与资源分配在多区域协同感知中的研究
Source: arXiv - 2601.04542v1
概述
协同感知（CP）使多个传感器——如摄像头、激光雷达或边缘设备——能够共享它们的视野，以克服盲区和距离限制，这对于自动驾驶车辆和智慧城市基础设施至关重要。本文解决了两个实际难题：(1) 共享数据的时效性，因为过时的信息价值会迅速下降；(2) 计算能力和无线带宽的严格限制，这限制了可以传输的原始传感器数据量。作者提出了一种调度和资源分配框架，明确在感知精度与这些资源限制之间进行平衡。
关键贡献
- Timeliness‑aware penalty model: 引入一个经验函数，将信息时效（AoI）和通信量的综合影响映射到感知性能，量化“陈旧”数据如何降低效用。
- TAMP algorithm: 基于 Lyapunov 方法的逐时隙调度策略（Timeliness‑Aware Multi‑region Prioritized），在满足带宽和计算预算的前提下，对多个地理区域的传输进行优先级排序。
- Long‑term optimization: 将问题表述为长期平均惩罚最小化，使调度器能够考虑当前决策对未来系统状态的累计影响。
- Real‑world validation: 在 Roadside Cooperative perception (RCooper) 数据集上实现并测试 TAMP，涵盖交叉口和走廊交通场景。
- Performance gains: 在多种网络和计算配置下，相比最强基线实现最高 27 % 的平均精度（AP）提升。
方法论
-
系统模型 – 作者们对一组路侧单元（RSU）和车载传感器进行建模，这些传感器会定期生成感知特征（例如压缩的点云描述符）。每次传输都会产生 通信量（比特）并产生延迟，从而产生该信息的 AoI（信息新鲜度）。
-
惩罚函数 – 从仿真数据中拟合出经验函数
P(AoI, volume)，用于捕捉感知精度随数据老化或过度压缩而下降的情况。该函数在两个参数上均为单调递增，体现了更新、更丰富的数据更有价值的直觉。 -
Lyapunov 优化 – 将长期平均惩罚转化为漂移加惩罚（drift‑plus‑penalty）表达式。通过为带宽和计算约束引入虚拟队列，问题被分解为 每时隙优先级排序：每个区域获得一个“价值”分数，该分数在惩罚的边际降低与发送其数据的资源成本之间取得平衡。
-
TAMP 调度 – 在每个时隙，算法依据该价值分数对区域进行排序，并分配资源直至带宽/计算预算耗尽。该策略可证明是 队列稳定 的，意味着它遵守长期约束。
-
评估 – 实验使用 RCooper 数据集，该数据集包含来自多个 RSU 在真实交叉口和走廊的同步 LiDAR 与相机流。作者将 TAMP 与静态分配、仅基于 AoI 的调度以及近期的强化学习基线进行比较。
结果与发现
| 场景 | 基准（最佳） | TAMP AP ↑ | 带宽使用 (Mbps) | 平均 AoI (ms) |
|---|---|---|---|---|
| 十字路口（密集交通） | 静态‑AoI | +27 % | 12.3（≈ 相同） | 45 → 30 |
| 走廊（高速公路） | RL‑scheduler | +19 % | 9.8（≈ 相同） | 38 → 26 |
| 变化带宽（5–15 Mbps） | 所有基准 | +10‑27 % 跨整个范围 | ≤ 预算 | AoI 降低 15‑30 % |
- 准确性提升： AP 的提升来源于在最关键的地方（例如接近十字路口）提供更新、更高保真度的特征。
- 资源效率： TAMP 在与基准相同的带宽预算下运行；改进来自于更聪明地选择发送哪个区域的数据，而不是发送更多数据。
- 鲁棒性： 在不同的交通密度和网络条件下性能保持，表明该算法能够很好地适应动态环境。
实际影响
- Edge‑AI pipelines: 开发 V2X（车联网）堆栈的开发者可以将 TAMP 作为轻量级调度器集成到路侧单元（RSU）或车载网关上运行，仅需进行每个时隙的价值计算（无需大量强化学习训练）。
- Network planning: 城市规划者可以使用惩罚模型估算实现目标感知质量所需的最小带宽，帮助 5G/6G 部署决策。
- Safety‑critical systems: 通过在关键位置（例如行人横穿）保证更及时的感知数据，TAMP 可以直接提升碰撞规避算法，而无需额外的传感器硬件。
- Scalable CP frameworks: 多区域的公式自然契合现有的协同感知标准（例如 ETSI C‑ITS），允许在异构传感器群中逐步部署。
限制与未来工作
- 经验惩罚模型： 函数
P(AoI, volume)是在特定数据集上拟合的；其对其他传感器模态（雷达、热成像）或不同城市布局的可迁移性仍需进一步验证。 - 假设完美的调度粒度： 当前实现假设槽级决策；实际的 MAC 层（例如 LTE‑V、C‑V2X）可能会施加更粗的时间约束。
- 静态计算预算： 本研究将设备端计算能力视为固定；未来工作可以探索动态卸载到边缘服务器或自适应压缩方案。
- 安全与隐私： 论文未讨论认证或加密开销，这可能会在实际部署中影响 AoI 和带宽预算。
总体而言，TAMP 框架为需要在协作的多区域感知系统中最大化有限通信资源感知价值的开发者提供了一种务实且理论支撑的方法。
作者
- Mengmeng Zhu
- Yuxuan Sun
- Yukuan Jia
- Wei Chen
- Bo Ai
- Sheng Zhou
论文信息
- arXiv ID: 2601.04542v1
- 分类: cs.LG, cs.DC
- 发表时间: 2026年1月8日
- PDF: Download PDF