arXiv · cs.AI· Bernardo A. C. Pereira, Marcos Carvalho, Fatih Temiz, Shavbo Salehi, Melike Erol-Kantarci, Andreas Gavrielides, Johann M. Marquez-Barja, Daniel F. Macedo·· 1 天前
用于基于 TSN 车载边缘网络的截止期感知多智能体强化学习
Deadline-Aware Multi-Agent Reinforcement Learning for TSN-Based Vehicular Edge Networks
arXiv:2610.09870v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Bernardo A. C. Pereira, Marcos Carvalho, Fatih Temiz, Shavbo Salehi, Melike Erol-Kantarci, Andreas Gavrielides, Johann M. Marquez-Barja, Daniel F. Macedo
首次提交：2026-10-07 19:30
研究任务与主要进展
面向基于TSN的车载边缘网络，研究人员提出MAPPO调度方法，由各队列智能体联合学习服务顺序与时隙时长，以减少截止期错失。论文摘要称，相较集中式单智能体方法，其服务延迟最多降低66.2%，可靠性最多提升271.8%。MAPPO在不同流量配置下表现稳健，较基于紧急度的启发式实现均衡调度，推理时间也低于其他MARL方法。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org