다중 드론 기반 IoV(Internet of Vehicles) 시스템의 경로 제어, 자원 할당 및 작업 오프로딩을 위한 통합 최적화

Joint Optimization of Trajectory Control, Resource Allocation, and Task Offloading for Multi-UAV-Assisted IoV

본 논문은 밀집된 도시 환경에서 다중 드론(UAV)을 활용하여 기지국 지원 IoV(Internet of Vehicles) 시스템의 작업 오프로딩 문제를 다룬다. 시스템 지연 및 에너지 소비를 최소화하고, 엄격한 제약 조건을 만족시키기 위해 복잡한 비선형 최적화 문제를 계층적 실행 프레임워크로 분리한다. 먼저, 제2차원 원뿔 계획법(SOCP) 기반의 순차적 분산 최적화 알고리즘을 제안하여 각 드론의 3차원 비행 경로를 최적화하고, 적응적인 네트워크 커버리지를 확보한다. 다음으로, 심층 강화 학습(DRL)과 대규모 언어 모델(LLM)을 융합한 새로운 하이브리드 자원 스케줄링 패러다임을 개발한다. 이 프레임워크 내에서, DRL 에이전트는 초기 자원 할당을 결정하고, LLM은 실패하거나 남는 작업의 불균형을 해소하는 의미론적 매크로 스케줄러 역할을 수행한다. 특히, DRL 학습과 외부 LLM 개입을 분리하기 위한 보상 분리 메커니즘을 도입하여 정책 수렴을 보장한다. 마지막으로, 선형 계획법(LP)을 사용하여 오프닝 최적화 루프 내에서 작업 오프로딩 비율을 정확하게 결정한다. 시뮬레이션 결과는 제안된 방법이 기존의 다중 에이전트 강화 학습 방법보다 작업 성공률 및 시스템 효율성 측면에서 상당한 성능 향상을 보임을 보여준다.

This paper investigates a multi-Unmanned Aerial Vehicle (UAV) joint base station-assisted Internet of Vehicles (IoV) task offloading system in dense urban environments. To minimize system delay and energy consumption under strict coupling constraints, the complex non-convex optimization problem is decoupled into a hierarchical execution framework. First, a sequential distributed optimization algorithm based on Second-Order Cone Programming (SOCP) is proposed to optimize the 3D flight trajectory of each UAV, ensuring adaptive network coverage. Second, a novel hybrid resource scheduling paradigm synergizing Deep Reinforcement Learning (DRL) and Large Language Models (LLMs) is developed. Within this framework, the DRL agent dictates the initial resource allocation, while the LLM acts as a semantic macro-scheduler to rectify long-tail allocation imbalances for failed and surplus tasks. Crucially, a reward decoupling mechanism is introduced to isolate DRL training from external LLM interventions, thereby ensuring policy convergence. Finally, the task offloading ratios are precisely determined via Linear Programming (LP) within an alternating optimization loop. Simulation results demonstrate that the proposed method significantly outperforms traditional multi-agent reinforcement learning baselines in terms of task success rate and system efficiency.