本文档属于类型a：单篇原创研究的学术报告。以下是针对该研究的详细学术报告内容：

作者及机构

本研究由以下学者合作完成：
- Meiting Wu（西南交通大学计算机与人工智能学院，中国成都）
- Xiaowei Lei（重庆幼儿师范高等专科学校，中国重庆）
- Kangli Zhao*（阿坝师范学院计算机科学与技术学院，中国四川）
- Penglin Dai（西南交通大学计算机与人工智能学院，中国成都）
论文发表于2023年第三届IEEE国际数字社会与智能系统会议（DSInS），会议编号DOI: 10.1109/DSInS60115.2023.10455269。

学术背景

研究领域：本研究属于车联网（Internet of Vehicles, IoV）与实时视频流（Live Video Streaming, LVS）的交叉领域，涉及多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）、可伸缩视频编码（Scalable Video Coding, SVC）及无线资源分配技术。

研究动机：
车联网中，实时视频流服务面临频谱资源受限、车辆高移动性导致的性能下降问题。传统单播传输无法满足多用户同时观看的需求，而现有组播方案（如固定分组或仅基于信道条件分组）未考虑车辆地理分布与动态信道状态的协同影响。

研究目标：
通过结合组播技术与SVC编码，提出一种最大化用户体验质量（Quality of Experience, QoE）的解决方案，具体分解为三个子问题：
1. 车辆分组：基于地理分布与动态信道的协同优化；
2. 质量选择：动态调整SVC编码层级以平衡QoE因素；
3. 资源分配：在有限频谱资源下公平分配资源块（Resource Blocks, RBs）。

研究流程与方法

1. 车辆分组（Vehicle Grouping）

• 方法：提出基于K均值（K-means）的动态聚类算法（K-means-based Vehicle Grouping, KVG）。
  
  • 特征选择：以车辆地理位置与信道质量指数（Channel Quality Indicator, CQI）为特征，定义加权欧氏距离作为相似性度量。
    
  • 分组优化：通过评估分组收益（CQI总和与车辆数的比值）确定最优组数。
    
• 创新点：首次将地理分布与信道状态联合建模，提升组内稳定性。
  

2. 质量选择（Quality Selection）

• 方法：设计基于值分解网络（Value Decomposition Network, VDN）的多智能体强化学习算法（VDN-QS）。
  
  • 状态空间：代理（车辆组）的本地观测包括缓冲区长度（Buffer Length）和当前SVC层级。
    
  • 动作空间：选择下一视频块的SVC层级。
    
  • 奖励函数：综合视频质量、卡顿时间（Rebuffering Time）和码率切换（Quality Variation）的加权和。
    
• 训练流程：采用集中训练分散执行（Centralized Training with Decentralized Execution, CTDE）框架，通过全局值函数分解提升收敛速度。
  

3. 资源分配（Resource Allocation）

• 方法：提出基于次梯度（Sub-gradient）的迭代优化算法。
  
  • 约束转化：使用二次罚函数法将原问题转化为无约束优化问题。
    
  • 求解步骤：在固定分组与质量选择方案下，迭代调整RB分配直至收敛。
    

实验验证

• 数据集：基于NGSIM真实车辆轨迹数据构建仿真场景。
  
• 参数设置：视频块大小30个（每块1秒）、SVC层级6层（码率0.0689~6.2356 Mbps）、RB上限40个。
  
• 对比算法：VRcast（动态规划）、KGS（联盟博弈模型）、IDQN（独立深度Q网络）。
  

主要结果

1. 车辆分组效果：KVG算法在组内信道相似性与地理稳定性上优于基线方法，分组收益提升12%。
   
2. 质量选择性能：VDN-QS的QoE较KGS提升19%，收敛速度比IDQN快142%（图4）。
   
3. 资源分配效率：次梯度算法在10次迭代内达到最优，RB利用率提高23%。
   
4. 整体QoE：在RB数量（图2）、车辆数量（图3）及视频块大小（图5）的对比实验中，综合QoE均优于基线14%~17%。
   

结论与价值

科学价值：
- 提出首个联合车辆分组、质量选择与资源分配的LVS-IoV优化框架，为车联网实时视频流提供理论模型。
- 创新性将多智能体强化学习应用于动态QoE优化，验证了VDN在分布式决策中的有效性。

应用价值：
- 可部署于边缘服务器（Edge Server），支持高移动性场景下的低延迟视频传输。
- 开源算法代码（PyTorch实现）为后续研究提供基准。

研究亮点

1. 多学科融合：结合MARL、SVC与组播技术，解决车联网特有挑战。
   
2. 动态性建模：首次同时考虑地理分布与信道状态的动态变化。
   
3. 工程可行性：仿真基于真实轨迹数据，参数设置贴近实际（如NGSIM数据集）。
   

其他价值

• 致谢：研究得到重庆市教委科技项目（KJZD-K202202901）和中央高校基金（2682022JX007）支持。
  
• 局限性：未考虑车辆突发运动（如急刹车）对分组稳定性的影响，未来可引入预测模型。
  

（报告总字数：约1800字）