本文献题为《RSMA-Assisted Edge Collaborative Inference for Internet of Vehicles》，发表于IEEE Transactions on Mobile Computing（第25卷，第10期，2026年10月）。该研究由福州大学先进制造学院的Zhijian Lin（林志坚）担任第一作者，Shaowei Yang、华南理工大学未来技术学院的Xiaopei Chen、北京航空航天大学交通科学与工程学院的Daxin Tian、大湾区大学计算与信息技术学院的Jiguang He、广东工业大学信息工程学院的Yi Fang（方毅，通讯作者）以及福州大学物理与信息工程学院的Wenhao Wu共同完成。研究获得了国家自然科学基金（62471140、62322106、T2588101等）及福建省自然科学基金、广东省国际科技合作项目等多项资助。
随着人工智能技术在车联网（Internet of Vehicles, IoV）中的广泛部署，深度神经网络（Deep Neural Network, DNN）推理任务对实时性和服务质量提出了极高要求。然而，车载系统受限于本地计算能力、能量供应和热约束，难以独立完成大规模DNN推理任务。云端推理虽具备更强算力，但存在端到端时延高、长距离回程通信不可靠等缺陷。移动边缘计算（Mobile Edge Computing, MEC）的兴起为上述困境提供了新思路，但高动态车载环境下如何实现最优DNN分区与高效资源利用仍是挑战。
速率分割多址接入（Rate-Splitting Multiple Access, RSMA）作为6G网络的关键使能技术，通过将消息分割为公共流和私有流，实现了灵活的干扰管理和动态用户适配，相比正交多址和非正交多址技术具有更高的频谱效率与传输性能。然而，现有研究多聚焦于静态物联网场景，RSMA与车联网协同推理的结合鲜有探索。
基于此，本文提出了首个RSMA辅助的车联网边缘协同推理框架，旨在通过联合优化DNN分区与卸载策略、RSMA功率分配以及路侧单元（Roadside Unit, RSU）计算资源分配，最小化所有车辆的总任务完成时间。该问题因通信、计算和模型分区变量之间的强耦合而具有内在非凸性。
研究考虑一个由单个RSU覆盖的道路场景，RSU与车辆均配备MEC服务器。车辆沿道路分布采用一维泊松点过程（Poisson Point Process, PPP）建模，并引入第二类Matérn硬核点过程（Type-II Matérn Hard-Core Point Process, MHCPP）约束车辆间最小距离，以模拟真实交通场景中车辆的安全间距要求。
通信模型采用非对称设计：车辆到RSU（V2R）上行链路使用正交频分多址（OFDMA），以降低车辆侧的复杂度和信令开销；RSU到车辆（R2V）下行链路使用RSMA，以提升多用户传输效率。在RSMA框架下，每两辆车被分为一个簇，RSU将每簇内车辆的信息流分割为公共流和私有流，分别进行预编码和叠加传输，接收端通过串行干扰消除（Successive Interference Cancellation, SIC）解码。
DNN推理任务被建模为具有链式拓扑的有向无环图（Directed Acyclic Graph, DAG），以LeNet-5网络为例展示了从原始网络结构到链式拓扑的转换过程。每个网络层被视为一个子任务，可在车辆本地计算或卸载至RSU执行。卸载策略矩阵G中的元素gu,b取值为0或1，分别指示子任务b在本地或RSU执行。
原优化问题P1为一个混合整数非线性规划（Mixed-Integer Nonlinear Programming, MINLP），因包含0-1整数变量而难以直接求解。作者将其分解为三个协调子问题，并提出了三重迭代联合优化算法（Triple-Iteration Joint Optimization Algorithm, TIJOA）。
第一子问题：RSMA功率优化。 在给定卸载策略G和计算资源分配q的前提下，引入多个辅助变量（lm,i、αm,i、βm,i、χm,i等）将原始非凸约束逐步转化为凸形式。针对非凸约束（33b）和（34c），采用连续凸近似（Successive Convex Approximation, SCA）方法，利用一阶泰勒展开构造凸下界近似，最终将P2转化为可用CVX工具箱求解的凸问题P2.2。算法1展示了SCA迭代求解流程。
第二子问题：计算卸载策略优化。 基于已获得的传输速率，将DNN推理任务的关系表示为带权重的DAG图。作者采用遗传算法（Genetic Algorithm, GA）求解最优分区方案。染色体编码为二进制串，表示各子任务的计算位置选择。适应度函数定义为系统总完成时间的函数，采用精英保留策略和锦标赛选择机制，并设置交叉和变异操作以探索解空间。
第三子问题：计算资源分配优化。 在给定分区策略和功率分配的前提下，采用拉格朗日乘子法结合Karush-Kuhn-Tucker（KKT）条件求解RSU计算资源的最优分配。构建拉格朗日函数并对其求偏导，结合KKT约束条件迭代求解最优资源分配向量。
算法4展示了TIJOA的整体流程：以预设的卸载方案和资源分配为初始输入，依次执行SCA功率优化、GA卸载策略优化和LM-KKT资源分配优化，通过外层迭代循环不断更新变量，直至目标函数收敛。算法复杂度为O(t(2μ + ngaubps + log(ε⁻¹)·(m)^3.5))。
仿真实验以300米长直道为场景，初始车辆密度为200辆/公里，采用VGG-16、AlexNet和LeNet-5三种DNN模型。结果表明，在三种模型上，本文提出的RSMA方案均实现了最低的总完成时间。以VGG-16为例，NOMA、OFDMA和组播（Multicast）方案的总完成时间相比本文方案分别增加13.4%、31.0%和16.3%。在推理精度方面，本文方案在VGG-16上达到89.4%，分别高出NOMA、OFDMA和组播方案若干个百分点，体现了RSMA在延迟敏感场景下的优势。
实验分别在完美信道状态信息（Channel State Information, CSI）和不完美CSI条件下考察了不同RSU发射功率（35 dBm、45 dBm、55 dBm）和车辆数量对总完成时间的影响。结果显示，即使在信道估计误差存在的情况下，本文方案仍保持最低的总完成时间。随着RSU发射功率的增加，各方案的完成时间均有所下降，但改善幅度逐渐减小并趋于饱和，表明系统时延不仅受限于通信条件，还受到计算资源调度的制约。
在与随机卸载（Random Offloading, RO）、边缘计算（Edge Computing, EC）、本地计算（Local Computing, LC）和双分区算法（Bi-Partitioning Algorithm, BPA）以及多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic Policy Gradient, MADDPG）的对比中，本文方案在所有模型上均获得最低的总完成时间。以VGG-16为例，RO方案的完成时间高达本文方案的160%，LC和EC方案也分别比本文方案高出3%至15%。MADDPG方案虽具备一定的优化能力，但其性能始终低于本文方法，说明其在高维度联合优化问题上的探索能力有限。
当RSU计算能力从4 TFLOPS增至8 TFLOPS时，各方案的总完成时间均呈下降趋势，但本文方案始终保持最佳性能。与BPA相比，本文方案的总完成时间减少了2.5%至22.7%，具体幅度取决于RSU的计算资源水平。当计算资源超过5 TFLOPS时，本文算法的性能优势进一步扩大，验证了其在高计算资源条件下的资源利用效率。
在车辆数量从低到高变化的实验中，本文方案在所有密度条件下均满足时延约束并保持最低完成时间。在低密度场景下，本文方案与BPA性能相近，因为此时倾向于将全部子任务卸载至RSU。随着车辆数量增加，本文方案的优势愈发显著，MADDPG的完成时间增长趋势高于本文方案，表明本文算法在高密度车联网环境中具有更强的鲁棒性和可扩展性。
本文成功提出了一个RSMA辅助的车联网边缘协同推理框架，利用RSMA的灵活干扰管理和高频谱效率特性，实现了DNN推理任务在车辆和RSU之间的协同划分与执行。通过TIJOA算法，系统延迟较基准方案最高降低了20%。该研究不仅验证了RSMA在车联网边缘计算中的优越性，还为高动态、高密度车载环境下的联合通信与计算资源优化提供了系统性的解决思路。
本研究的创新性体现在以下三个方面：其一，首次将RSMA与协同推理相结合应用于车联网场景，探索了消息分割与DNN特征分层之间的内在契合关系，即公共流承载关键语义信息、私有流传输细化信息，从而提升协同推理的鲁棒性；其二，TIJOA算法通过SCA、GA和LM-KKT三种方法的有机整合，有效处理了具有强耦合特征的混合整数非线性规划问题；其三，采用MHCPP对道路车辆空间分布建模，兼顾了理论可处理性与实际场景的合理性。
此外，研究还揭示了RSMA在非完美CSI条件下的性能保持能力，以及系统时延由通信和计算资源共同约束的非线性特征，为后续车联网边缘智能系统的设计提供了有价值的参考。未来工作将聚焦于基于USRP的软件无线电平台和NVIDIA Jetson模块的硬件在环验证，以及存储受限车辆场景的拓展研究。