买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种车联网中通感算资源分配与车辆数字孪生部署方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119110315B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411091402.7，技术领域涉及：H04W24/02；该发明授权一种车联网中通感算资源分配与车辆数字孪生部署方法是由唐伦;汪啊沙;张子霄;陈前斌设计研发完成，并于2024-08-09向国家知识产权局提交的专利申请。

本一种车联网中通感算资源分配与车辆数字孪生部署方法在说明书摘要公布了：本发明涉及一种车联网中通感算资源分配与车辆数字孪生部署方法，属于移动通信技术领域。该方法包括：S1：构建数字孪生辅助的车联网通感算一体化网络；S2：设计基于通感一体化技术的车辆动态帧；S3：构造车辆感知数据的效用评价函数，求解感知信息效用；S4：构建车辆数字孪生体部署策略，计算车辆数字孪生体部署成本和迁移效用；S5：建立最小化感知数据信息年龄和车辆数字孪生部署与迁移成本的优化模型，采用多智能体深度强化学习求解最优车辆通感算资源分配与车辆数字孪生体部署方案。本发明通过灵活动态帧设计和车辆数字孪生部署策略，降低了感知数据平均信息年龄和数字孪生体迁移率，有效提升了感知数据效用和边缘计算资源负载均衡。

本发明授权一种车联网中通感算资源分配与车辆数字孪生部署方法在权利要求书中公布了：1.一种车联网中通感算资源分配与车辆数字孪生部署方法，其特征在于：以下步骤该方法包括： S1：构建一个数字孪生辅助的车联网通感算一体化网络； S2：设计基于通感一体化技术设计车辆动态帧结构； S3：构造车辆感知数据的效用评价函数，求解感知信息效用； S4：构建车辆数字孪生体部署策略，计算车辆数字孪生体部署成本和数字孪生迁移效用； S5：建立一个最小化感知数据信息年龄和车辆数字孪生部署与迁移成本的优化模型； S6：采用多智能体深度强化学习求解通感算资源分配与车辆数字孪生体部署方案； 所述S1中，所提的数字孪生辅助的车联网通感算一体化网络包括两层：终端层和边缘层； 终端层包括具有有限计算和存储能力的车辆，车辆n的集合记为N＝{1,2,3,...,n}； 边缘层包括提供接入服务的基站和提供计算和存储服务的边缘服务器，每个基站都配有一个边缘服务器；车辆的数字孪生体部署在边缘服务器中；基站v的集合记为V＝{1,2,...,υ}，边缘服务器m的集合记为M＝{1,2,3,...,m}；考虑一个长生命周期的时隙集合K，每个车辆的孪生体信息在其单个时隙k内更新，时隙的集合被设置为K＝{1,2,..,k}； 所述S2中，使用基于5GNR的时分动态帧结构，使车辆能够根据业务需求动态调整通信和感知时长比例；车辆使用正交频分复用OFDM信号进行感知；分别使用条件互信息和吞吐量来评估感知精度以及车辆与基站之间的通信性能； 所述S3中，根据信息年龄AoI评价感知数据在不同位置的数据效用；车辆感知信息传输过程包括三个部分：车辆进行感知、将感知信息上传到基站、基站转发信息至其对应部署数字孪生的边缘服务器； 采用非线性函数来模拟感知信息对于信息年龄的效用；根据每个位置的信息年龄演化分别进行积分并求和得到感知数据的平均信息年龄效用，具体效用函数定义为ut＝1t2，其中，变量t为时间；根据每个位置的信息年龄演化分别进行积分得到感知数据的平均信息年龄效用，累加得出车辆n的基于信息年龄的效用Qu； 所述S4中，使用矩阵X＝[xnm]表示车辆n与边缘服务器m之间的关联关系；如果xnm＝1，则车辆n的数字孪生DT部署在边缘服务器m处；关联矩阵表示为：xnm表示车辆n与边缘服务器m的关联关系，n属于车辆集合N其中的一个车辆，m属于边缘服务器集合M中的其中一个边缘服务器；初始数字孪生部署策略为将车辆数字孪生体部署在距离其最近的边缘服务器处； DT部署策略会产生不同的延迟与能耗；具体包括感知数据在基站与边缘服务器之间的有线传输延迟、车辆构建DT的数据通过基站上传到边缘服务器的有线传输延迟，以及ES处理车辆上传数据所产生的延迟；令Φ为在每个单位距离中传输一个单位数据所需的延迟，dv,m表示基站v与边缘服务器m之间的有线传输距离；则感知数据从车辆n的附近基站v到部署其数字孪生的边缘服务器m的有线传输时延为： 其中，为感知持续过程中产生的感知数据量大小； 设为车辆n在时隙k需要上传的构建DT数据，则在上述部署策略下车辆通过基站v传输到边缘服务器m的DT的同步延迟为： pυ,m表示基站v到边缘服务器m的传输功率，不考虑损耗的情况下，传输能耗表示为： 每个边缘服务器服务的车辆DT数不能超过其存储和计算负载，对于边缘服务器m，其存储大小为Cm，计算资源为Fm，车辆n部署DT的所占用存储大小设为处理车辆任务所需的计算资源设为处理上传数据所需延迟为： 车辆数字孪生体的部署成本为： 其中，Ts表示一个时隙的时间长度； 迁移策略表示为x'n，具体表示为x'n＝1时，车辆n触发DT迁移，否则不进行迁移；整个迁移策略矩阵表示为： x'＝x'1,x'2,...,x'n 定义车辆迁移效用函数Uk，基于时延和能量消耗来量化车辆在时隙k时的DT迁移影响；车辆n的DT从边缘服务器m迁移到边缘服务器j之间进行迁移时的服务器节点能耗表示为： 其中，其中gjk是表示边缘服务器j是否处于活动状态的二进制变量，如果处于活动状态，表示为gjk＝1；否则,表示为gjk＝0；表示边缘服务器m的计算资源利用率；Fm为边缘服务器m的计算资源；表示时隙k时边缘服务器j的状态转换能耗； 车辆效用函数表示为： 其中，表示车辆时延满足情况对效用的影响，μn表示车辆n的时延需求，Tnk表示车辆n的实际交互时延，μn-Tnk增大时，也增大，表示车辆n的效用增加；γ∈0,1为权重因子，表示车辆n的数字孪生迁移效用； 所述S5中，所述的建立一个最小化感知数据信息年龄和车辆数字孪生部署与迁移成本的优化模型表示为： C11:ψ1+ψ2+ψ3＝1,ψ1,ψ2,ψ3∈0,1 分别表示车辆n的感知数据效用、数字孪生部署成本、数字孪生迁移效用；τn表示车辆单个时隙内感知持续时间，αn表示车辆单个时隙内通信持续时间；表示车辆感知互信息，表示车辆与基站之间的通信上行速率；表示车辆感知频率；τn,αn,βn分别表示车辆感知时间、通信传输时间、基站与边缘服务器有线传输时延；Ts为一个时隙的时长；表示边缘服务器的计算资源利用率；表示车辆数字孪生体所需计算资源，表示车辆数字孪生体所需存储资源；Fm表示边缘服务器的计算资源总量，Cm表示边缘服务器的存储资源总量；ψ1,ψ2,ψ3分别表示权重因子；基站约束C1保证车辆感知质量，约束C2表示车辆与基站通信时上行通信链路速率不能超过最大值，约束C3表示车辆的感知频率不能超过最大感知频率，约束C4表示系统总的时延不能超过一个帧的长度，约束C5表示边缘服务器的计算资源利用率小于1，约束C6和C7保证车辆的DT只能被部署在一个边缘服务器上，约束C8和C9分别表示车辆的DT部署和计算需求不能超过服务器的最大缓存和计算空间；约束C10表示车辆对边缘服务器的存储和计算资源需求不为负，约束C11表示各权重因子之间的联系； 所述S6中，求解最优车辆感知通信资源分配与数字孪生部署方案具体步骤为：先将目标函数建模成一个多智能体部分可观测马尔可夫决策过程，将场景中的基站视为一个智能体；具体元素定义如下： 1状态：全局状态空间包括所有车辆状态信息ζn、所有车辆DT部署信息X、以及所有边缘服务器的资源利用情况em；车辆状态信息包括车辆要传输的数据以及与基站之间的可用通信传输速率，以及车辆传输信息过程中的AoI；定义如下： 2动作空间：每个智能体选择其动作包括智能体覆盖范围内车辆的通信与感知时长分配和车辆DT部署策略；多个智能体的动作空间写作： 3状态转移概率：智能体在当前状态sυ,k时向环境执行动作aυ,k后，环境状态会以一定概率转移至下一状态；表示为： 4奖励函数：奖励函数的设计应该使每个智能体能够对DT部署和通感资源分配做出最优决策，因此根据智能体对系统的贡献程度来设计；定义时隙k内智能体v的奖励为：其中，λn,υ是一个二元变量表示车辆n与智能体j的关联关系，Qn表示车辆n对系统贡献大小；在时隙k处，系统的全局奖励为 采用多智能体“集中式训练，分布式执行”的方式完成协同学习，以实现最优的VDT部署与通信感知资源分配策略；算法训练过程具体包括以下步骤： S61：初始化Q网络参数和确定性策略网络参数以及经验回放池D； S62：收集初始状态 S63：根据梯度下降法计算连续动作参数τυk和αυk； 梯度下降法公式为： 其中，λd为Q网络的学习率，λs和λυe分别表示智能体的本地参数与融合参数的权重；是用来更新目标Q网络的网络参数，是用来更新确定性策略网络的网络参数； S64：以探索概率ε和概率分布ψ中采样一个动作aυ,k，以概率1-ε选择使离散动作值函数最大的离散动作同时确定对应的连续动作τυk,αυk；其中sυ,k表示状态，表示车辆DT在边缘服务器中的部署策略，τυk,αυk分别表示车辆感知与通信持续时间； S65：执行动作aυ,k，获得瞬时奖励rυ,k和下一个状态sυ,k+1； S66：将元组sυ,k,αυ,k,rυ,k,sυ,k+1存入经验回放池 S67：根据损失函数分别计算Q网络的损失函数和确定性策略网络的损失函数 S68：根据梯度下降法更新Q网络参数 其中λs和λυe分别为智能体的本地参数和融合参数的权重； S69：更新融合网络参数： 和 其中，←为更新符号，表示将计算得到的融合网络参数更新，为下一时刻的Q网络的更新参数，为下一时刻的确定性策略网络网络更新参数；表示确定性网络参数的更新梯度，为Q网络参数的更新梯度，λ′ve为更新后的融合网络参数权重；表示融合网络的全局损失函数，表示关于策略的期望，yve表示融合网络的目标值，Qve表示全局Q函数； S610：网络参数更新并下发给各个智能体。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。