PLUTO：基于不确定性感知任务卸载的车辆编队协同计算框架

《Future Generation Computer Systems》：PLUTO: Platooning through Uncertainty-aware Task Offloading

　　

随着联网与自动驾驶车辆的快速发展，动态交通、道路障碍、通信不稳定及恶劣天气等不确定条件给车辆编队系统的实时任务管理带来了显著挑战。尽管车辆编队能够提升燃油效率、改善交通流并提高道路安全性，但在资源受限的计算环境中仍需可靠的实时任务调度机制。现有研究多聚焦于延迟优化或资源分配，对动态编队条件下不确定性感知任务卸载的关注有限。为此，研究人员提出PLUTO（Platooning through Uncertainty-aware Task Offloading）混合框架，结合三层边缘–雾–云架构与自适应任务管理机制。该框架集成长短期记忆网络(Long Short-Term Memory, LSTM)进行工作负载预测，混合贝叶斯神经网络(Hybrid Bayesian Neural Networks, HBNN)实现不确定性估计，以及双深度Q网络(Double Deep Q-Networks, DDQN)完成自适应卸载决策。任务被划分为时延敏感型、存储关键型和计算密集型三类，以支持分布式服务器间的高效负载分配与资源利用。仿真与实际测试床实验结果表明，该框架在变化的工作负载条件下实现了97%的任务卸载效率与82%的真实场景任务成功率，并在不确定性环境下维持稳定的任务执行，同时提升了负载均衡、资源利用率与燃油效率。该研究证明PLUTO适用于资源受限的车辆编队实时任务管理。

研究背景与意义

在全球物联网(Internet of Things, IoT)与自动驾驶技术推动下，联网车辆数量预计将在2035年达到1万亿台，自动驾驶市场规模将从2023年的1583.1亿美元增长至2033年的27528.0亿美元。然而，环境不确定性、交通拥堵、服务器容量限制及地图精度不足等因素导致约56%的自动驾驶事故。车辆编队通过车对车(Vehicle-to-Vehicle, V2V)与车对基础设施(Vehicle-to-Infrastructure, V2I)通信形成协调行驶队列，可提升燃油效率、减少排放并缓解劳动力短缺。但真实场景中传感器误差、遮挡、网络波动、不可预测的驾驶行为及动态任务到达等不确定性会严重影响感知、决策与控制环节，传统静态任务卸载算法难以适应此类动态环境，导致资源利用不均、计算负担加重及系统稳定性下降。因此，研究人员开发了PLUTO框架，发表于《Future Generation Computer Systems》，旨在通过不确定性感知的智能任务卸载提升车辆编队系统的实时性与可靠性。

关键技术方法

PLUTO采用三层边缘–雾–云计算架构，其中边缘层由车载计算单元组成，雾层部署于路侧单元(Roadside Units, RSUs)，云层提供高算力支持。研究人员使用长短期记忆网络(LSTM)预测任务负载，混合贝叶斯神经网络(HBNN)量化环境与任务的不确定性，双深度Q网络(DDQN)生成最优卸载策略。任务按属性分为时延敏感型、存储关键型与计算密集型，以匹配不同层级的计算资源。实验数据来源于自定义的真实场景数据集，涵盖多种不确定条件，并通过Simpy-AD仿真平台与真实测试床验证性能。

研究结果

系统模型与问题定义

研究人员构建了多目标优化模型，目标是在不确定性条件下提高任务执行可靠性，降低能耗并保持资源利用平衡。模型综合考虑任务属性、服务器状态及不确定性因素，为卸载决策提供依据。

研究方法论

PLUTO将任务分类、负载预测、不确定性估计、DDQN卸载决策与优先级调度相结合。框架依据任务类型与资源可用性动态分配至最合适的计算节点，并通过反馈循环持续优化性能。

实验设置

仿真采用Simpy-AD平台模拟边缘、雾、云协同环境，包含100辆自动驾驶车辆，编队规模最高达10辆，以高密度高速公路场景进行测试。参数配置覆盖不同任务到达率与资源约束条件。

结果分析

实验结果显示，PLUTO在仿真与真实测试中分别实现了97%的卸载效率和82%的任务成功率。系统在负载波动与不确定条件下保持了稳定的执行性能，有效避免了局部资源过载，提高了整体资源利用率与燃油效率。

讨论与结论

研究人员指出，与传统依赖确定性假设的方法相比，PLUTO通过显式建模不确定性并引入学习驱动的决策机制，显著提升了动态环境下的适应性。该框架不仅优化了任务分配，还减少了由于通信延迟与计算瓶颈带来的安全隐患。研究证明，PLUTO能够在资源受限的车辆编队中实现高效、可靠且节能的任务管理，为未来自动驾驶货运与智能交通系统提供了可行的技术路径。