1.多模态语义和比特共存通信中的资源分配方法,基于混合智能交通系统,系统包括基站,基站作为语义信息和比特信息的发送端和接收端,并且在基站服务范围内含有T辆联网自动驾驶车辆CAV和B辆人类驾驶车辆HDV;其特征在于,包括以下步骤:步骤1)基站在每个时隙中实时获取每辆车的位置和信道信息,基于目标车辆的位置信息和其周围车辆的位置信息,通过神经网络模型预测目标车辆的变道概率;
步骤2)基于CAV和HDV的不同通信需求,以语义速率作为CAV性能评判标准,以比特速率作为HDV性能评判标准;
步骤3)基站实时为每辆车生成波束、为每辆车分配功率、为CAV确定语义符号数;
步骤4)基站在每个时隙中联合对波束赋形矩阵、功率分配以及每辆CAV的语义符号数进行优化;同时,将变道概率预测结果融入优化目标,为变道车辆分配更多通信资源;
在每个时隙中,基站的优化问题(1)-(7)建模如下:
;
其中,表示权重参数;和表示HDV和CAV每个时隙的有关于变道概率的权重,和表示当前时隙HDV和CAV的变道概率;和为函数的权重参数;和表示每个时隙HDV和CAV的比特速率和语义速率;表示第i个子时隙对于第b个HDV的波束赋形向量;表示传输点云语义信息时对于第t个CAV的波束赋形向量;表示传输图像语义信息时对于第t个CAV的波束赋形向量;表示第i个子时隙对于第b个HDV的功率分配;表示传输点云语义信息时对于第t个CAV的功率分配;表示传输图像语义信息时对于第t个CAV的功率分配;表示为第t个CAV分配的图像和点云的语义符号数量;表示最大功率限制;L表示每个时隙传输的最大符号数。
2.如权利要求1中所述的多模态语义和比特共存通信中的资源分配方法,其特征在于:优化问题(1)中第n个时隙的比特速率表示为:;
其中,,表示第i个子时隙基站到第b个HDV信干燥比;其中:
;
其中,表示为基站到第b个HDV的信道,表示高斯白噪声的方差;,,分别表示第1,2,3个子时隙基站发送给第j个HDV的功率;,,分别表示发送点云语义信息和图像语义信息的子时隙基站发送给第i个CAV信号时的发送功率,,,分别表示第1,2,3个子时隙基站为第j个HDV设计的波束赋形向量,,分别表示在发送点云语义信息和图像语义信息的子时隙基站为第i个CAV设计的波束赋形向量;
此外,优化问题(1)中第n个时隙的语义速率表示为:
;
其中,表示图像语义和点云语义的权重,和分别表示图像语义速率和点云语义速率;表示传输图像语义数据时第t个CAV处的信干燥比;表示传输点云语义数据时第t个CAV处的信干燥比。
3.如权利要求1中所述的多模态语义和比特共存通信中的资源分配方法,其特征在于:所述步骤4)具体过程如下:步骤4.1)在每个时隙预测下一时隙的所有车辆的变道概率;
步骤4.2)利用图神经网络GNN建模车辆网络模型:将车辆视为图中的节点,每个节点的特征是基站到每辆车的信道和当前时刻的变道概率,随后通过图聚合机制聚合每个节点的特征来形成新的图表示;当经过L层聚合后,GNN输出聚合后的特征矩阵;
步骤4.3)利用多头策略网络MHPN将GNN的输出转化为针对每个优化变量的概率分布;MHPN分为三个头,每个头分别对应波束赋形、功率分配和语义符号数,其中波束赋形头和功率分配头进一步的被分为三个子头,三个子头分别表示三个子时隙,其中第一个子时隙用于传输比特信息和点云语义信息,第二个子时隙用于传输比特信息和图像语义信息,第三个子时隙用于传输比特信息;
步骤4.4)MHPN输出每个子时隙中每个优化变量的概率分布,之后利用近端策略梯度算法PPO从概率分布中采样,从而获得每个时隙的具体优化变量值;在获得具体优化变量值之后根据奖励函数来更新PPO、GNN以及MHPN的网络参数。