本发明属于自动驾驶，具体涉及一种自动驾驶车辆算力网络及其边缘计算卸载方法。
1、在当今日益数字化的社会中，智能物联网应用和服务的需求呈指数级增长。特别是在汽车行业，随着技术的不断进步，车载应用领域正在经历着迅速的发展。其中，自动驾驶技术作为一项颠覆性的创新，吸引了广泛的关注和投入。自动驾驶汽车的背后是复杂而强大的算法和系统，它们依赖于大量的算力资源以及高效的网络连接。大量终端接入网络，这带来了海量数据和数据任务派发的需求，对算力和网络提出了更高要求。算网融合是基于无处不在的网络，将分布在各处的计算资源相互连接，通过统一协同调度实现全局优化，以满足自动驾驶应用的实时性需求。在面向算网融合的车联网场景可以有效缓解网络和计算资源不够带来的压力。
2、然而，在大量用户同时需要计算密集型服务的场景下，特别是在拥堵的路段中，算力网络也难以提供足够的计算资源。为解决这一问题，空中基站被引入作为移动中继，具有部署灵活和覆盖范围广的优势，被应用于辅助算网融合执行计算密集型任务。在空中基站辅助算网融合中，用户的计算和内容请求可以由配备有近端算力提供商的空中基站或地面基站进行任务派发，降低网络负载。
3、然而，空中基站辅助算网融合仍面临一些待解决的问题。例如，在城市拥堵道路上存在堵车现象，特别是在高峰期通勤时，需要有效缓存内容和分配计算资源以满足自动驾驶车辆的实时需求。由于车联网中自动驾驶车辆的高移动性导致网络拓扑结构的动态变化，如何减少任务执行时延和内容获取时延同样十分重要。所以现有技术中缺乏一种算力网络融合框架，以统一协同的调动网络和算力资源来实现全局优化；同时任务派发效率和自动驾驶车辆的服务质量都有待提高。
1、本发明的目的就是为了解决上述背景技术存在的不足，提供一种自动驾驶车辆算力网络及其边缘计算卸载方法，能够降低任务执行时延，最大化基站、空中基站和自动驾驶车辆效用。
2、本发明采用的技术方案是：一种自动驾驶车辆算力网络边缘计算卸载方法，所述算力网络包括自动驾驶车辆、空中基站、地面基站和云端服务器；
4、基于自动驾驶车辆、空中基站、地面基站和云端服务器之间的时延和功率，形成用于表征自动驾驶车辆本地派发能耗、空中基站和地面基站的派发任务能耗的能耗模型；
5、基于能耗模型，以地面基站和空中基站的净利润最大化，以及自动驾驶车辆的支出最小化为博弈目标进行stackelberg游戏计算，得到自动驾驶车辆的最优卸载决策，空中基站对自动驾驶车辆直接卸载时的计算资源单价、是否需要进行缓存、分配给自动驾驶车辆的计算资源，地面基站对自动驾驶车辆直接和通过空中基站间接卸载时的计算资源单价、是否需要进行缓存、直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源。
7、地面基站对自动驾驶车辆直接和通过空中基站间接卸载时的计算资源单价的限定范围；
10、空中基站和地面基站缓存的来自云端服务器的服务程序数量不超过其服务程序缓存的上限；
13、自动驾驶车辆的任务传输时延和计算时延之和小于等于其最大可容忍时延。
15、获取自动驾驶车辆、地面基站与空中基站的计算资源、位置信息和发射功率，自动驾驶车辆初始卸载决策、地面基站与空中基站的初始资源定价、缓存策略与资源分配策略；
16、并循环执行以下步骤，直到地面基站和空中基站的净利润以及自动驾驶车辆的支出波动范围小于收敛阈值，输出最终的自动驾驶车辆卸载决策、地面基站与空中基站的资源定价、缓存策略与资源分配策略：
17、针对自动驾驶车辆，计算各种卸载方式下的地面基站和空中基站的净利润以及自动驾驶车辆的支出，选取最优的自动驾驶车辆的卸载决策；
18、根据最优的自动驾驶车辆的卸载决策计算得到空中基站和地面基站的缓存决策、空中基站计算资源分配决策、地面基站直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源分配决策，和自动驾驶车辆的计算任务；
19、针对空中基站，根据自动驾驶车辆的卸载决策、空中基站的缓存决策和对自动驾驶车辆的计算资源分配决策、以及自动驾驶车辆的计算任务，确定最优的空中基站的对自动驾驶车辆直接卸载时的计算资源单价；
20、针对地面基站，根据自动驾驶车辆的卸载决策、地面基站的缓存决策、地面基站的直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源分配决策、以及自动驾驶车辆的计算任务，确定最优的地面基站对自动驾驶车辆直接和通过空中基站间接卸载时的计算资源单价。
21、上述技术方案中，根据最优的自动驾驶车辆的卸载决策计算得到空中基站和地面基站的缓存决策、空中基站计算资源分配决策、地面基站直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源分配决策的过程包括：
22、基于最优的自动驾驶车辆的卸载决策确定地面基站的净利润表达式，并对该表达式中的对离散变量进行松弛操作；所述地面基站的净利润与地面基站的缓存决策、地面基站的直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源呈线、通过内点法求解该表达式得到地面基站的直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源最大值作为地面基站直接分配和通过空中基站中继分配给自动驾驶车辆的计算资源分配决策；
24、基于该表达式在可行域内求解地面基站的缓存决策，取最大值作为地面基站的缓存决策；
26、上述技术方案中，更新空中基站的对自动驾驶车辆直接卸载时的计算资源单价的过程包括：
27、初始化空中基站的对自动驾驶车辆直接卸载时的计算资源单价；空中基站的对自动驾驶车辆直接卸载时的计算资源单价的取值区间在第一单价最小值和第一单价最大值之间，
28、如果自动驾驶车辆卸载决策大于0，则第一单价最小值趋近于第一单价最大值和当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价中的较小值；
29、如果空中基站不需要缓存，则当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价趋近于3倍的当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价和第一单价最大值中的较小值；
30、如果空中基站需要缓存，则当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价趋近于2倍的当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价和第一单价最大值中的较小值；
31、如果自动驾驶车辆卸载决策小于等于0，第一单价最大值趋近于当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价；
32、当前的空中基站的对自动驾驶车辆直接卸载时的计算资源单价趋近于第一单价最大值和第二单价最小值的平均值，从而更新空中基站的对自动驾驶车辆直接卸载时的计算资源单价集合；
33、通过空中基站的缓存决策和计算资源分配决策，以及计算任务，求解空中基站的对自动驾驶车辆直接卸载时的计算资源单价集合的空中基站的净利润，进而确定最优的空中基站的对自动驾驶车辆直接卸载时的计算资源单价集合。
34、上述技术方案中，更新地面基站对自动驾驶车辆直接和通过空中基站间接卸载时的计算资源单价的过程包括：
35、初始化地面基站的对自动驾驶车辆直接卸载时的计算资源单价；地面基站的对自动驾驶车辆直接卸载时的计算资源单价的取值区间在第二单价最小值和第二单价最大值之间，
36、如果自动驾驶车辆卸载决策大于0，则第二单价最小值趋近于第二单价最大值和当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价中的较小值；
37、如果地面基站不需要缓存，则当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价趋近于3倍的当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价和第二单价最大值中的较小值；
38、如果地面基站需要缓存，则当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价趋近于2倍的当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价和第二单价最大值中的较小值；
39、如果自动驾驶车辆卸载决策小于等于0，第二单价最大值趋近于当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价；
40、当前的地面基站的对自动驾驶车辆直接卸载时的计算资源单价趋近于第二单价最大值和第二单价最小值的平均值；
41、初始化地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价；地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价的取值区间在第三单价最小值和第三单价最大值之间，
42、如果自动驾驶车辆卸载决策大于0，则第三单价最小值趋近于第三单价最大值和当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价中的较小值；
43、如果地面基站不需要缓存，则当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价趋近于3倍的当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价和第三单价最大值中的较小值；
44、如果地面基站需要缓存，则当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价趋近于2倍的当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价和第三单价最大值中的较小值；
45、如果自动驾驶车辆卸载决策小于等于0，第三单价最大值趋近于当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价；
46、当前的地面基站的对自动驾驶车辆通过空中基站间接卸载时的计算资源单价趋近于第三单价最大值和第三单价最小值的平均值；
47、通过地面基站的缓存决策和计算资源分配决策，以及计算任务，求解地面基站的对自动驾驶车辆直接卸载时和通过空有哪些PG电子游戏得分高的小技巧和攻略？中基站间接卸载时计算资源单价集合的地面基站的净利润，进而确定最优的地面基站的对自动驾驶车辆直接卸载时和通过空中基站间接卸载时的计算资源单价集合。
48、上述技术方案中，所述能耗模型为三阶段的stackelberg模型：第一阶段的博弈目标为地面基站的净利润最大化，第二阶段的博弈目标为空中基站的净利润最大化，第三阶段的博弈目标为自动驾驶车辆的支出最小化；自动驾驶车辆作为第一阶段和第二阶段的追随者，第三阶段的领导者；空中基站作为第一阶段和第三阶段的追随者、第二阶段的领导者；地面基站作为第一阶段的领导者，和第三阶段的追随者。
49、本发明提供了一种自动驾驶车辆算力网络，自动驾驶车辆作为算力网络的应用层；
52、自动驾驶车辆、空中基站、地面基站和云端服务器作为算力网路的算力资源层；
53、自动驾驶车辆、空中基站、地面基站和云端服务器相互之间通过无线网络进行通讯，所述无线网络作为网络资源层；
56、路由层执行调度算法，在空中基站、地面基站和云端服务器之间分配计算任务；
57、算力资源层根据分配的计算任务执行任务派发方法，并执行任务派发方法的计算结果；
58、所述任务派发方法以地面基站和空中基站的净利润最大化，以及自动驾驶车辆的支出最小化为博弈目标进行stackelberg游戏计算，得到算力资源层的最优的服务缓存决策、资源分配决策与计算卸载决策。
59、本发明的有益效果是：本发明采用了算力融合架构，实现了对分散在网络中的各种资源进行统一管理，均衡的负载各节点，提高了响应用户的速度。本发明提出了一种新的联合服务缓存和资源分配的任务派发算法。在任务派发过程中考虑了服务缓存因素，将频繁请求的服务预缓存到空中基站中，能够快速响应频繁的用户请求，满足自动驾驶应用的实时性要求。本发明采用stackelberg博弈对任务派发方案进行求解，所得的任务派发方案能够满足各个角色自身的利益。
60、进一步，本发明考虑网络环境的不同，设置博弈目标约束，可以提高计算卸载的效率，降低时延短时间内可以完成计算卸载方案，提高资源利用率。
61、进一步地，本发明建立stackelberg游戏模型可以优化资源分配，解决方案以领导者的最优决策为基础，达到全局优化，根据stackelberg博弈的策略做出最有利的选择。
62、进一步地，本发明通过最优化自动驾驶(ad)车辆的卸载决策来优化决策过程，并通过松弛离散变量和线性关系可以简化问题的复杂性，有助于优化资源分配和提高系统效率。
63、进一步地，本发明通过对车辆卸载决策的判断，动态调整计算资源单价，最大化空中基站对自动驾驶车辆卸载利润求解。
64、进一步地，本发明通过资源初始化和动态更新，并考虑不同场景下的计算资源单价调整，设定最大值最小值避免了资源单价出现较大的波动。
65、进一步地，本发明自动驾驶车辆、空中基站和地面基站在不同阶段有不同的角色，不同角色在stackelberg博弈阶段具有不同的策略，其因此具有灵活的目标，交互性强。
