适用于6G-IoV的可靠AI：一种保护隐私的分布式多智能体联邦强化学习算法，用于动态电动汽车充电和任务卸载

《IEEE Internet of Things Journal》：Trustworthy AI for 6G-IoV: A Privacy-Preserved Distributed Multiagent Federated DRL for Dynamic Electric Vehicle Charging and Task Offloading

基于6G物联网电动汽车动态无线充电与隐私保护多智能体联邦强化学习框架，提出电动道路无线充电系统与MA-FDRL协同架构，通过WPT实现移动充电保障电池续航，利用联邦学习与差分隐私保护数据安全，结合强化学习动态分配算力与通信资源，实验验证了低延迟、负载均衡及可扩展性优势。

　　

摘要：

随着电动汽车（EV）加入6G车联网（6G-IoV），它们必须在移动过程中充电并实时处理数据。传统的插电充电方式和车载CPU无法同时满足这些需求。因此，我们结合了两种技术。首先，通过电气化道路（eROAD）实现无线电力传输（WPT），确保电动汽车在整个行驶过程中电池始终保持充足电量。其次，采用一种保护隐私的多智能体联合深度强化学习（MA-FDRL）框架，根据每个时间槽决定任务是在车辆上、路边单元（RSU）还是基站（BS）上执行。联合学习将原始数据保留在本地；差分隐私技术保护模型更新；深度强化学习则实时为多个智能体分配无线资源、计算资源和能源。实验表明，该方案能够降低任务卸载延迟，平衡边缘服务器负载，并且能够随着网络规模的扩大而优雅地扩展。这一成果表明，这种注重能源效率的架构能够满足6G-IoV对低延迟和隐私保护的要求。

引言

电动汽车（EV）是未来智能交通系统（ITS）的关键推动者，正越来越多地融入车联网（IoV）中，从而奠定了基于6G的车联网（6G-IoV）概念的基础。随着车辆越来越多地依赖物联网传感器和人工智能驱动的连接功能，一个高效且可靠的充电系统对于确保无需人工干预的持续运行至关重要。在6G环境下，超低延迟、可扩展性和可靠性是基本要求，传统的充电方法需要人工连接和固定充电点，这已不再可行。因此，自动充电系统对于维持车辆的移动性和运营效率变得至关重要[1]、[2]。在这个阶段，嵌入负责任的AI原则也至关重要，因为6G网络必须处理海量数据流，同时确保隐私、可靠性和公平性。电气化道路（eROAD）系统提供了一种有前景的解决方案，它允许电动汽车在行驶过程中进行动态充电，有效解决了与6G电动汽车（IoV-EVs）相关的续航里程限制问题[3]。在电气化道路上采用动态充电技术提供了多种选择，每种技术都针对不同类型的车辆进行了定制。例如，类似有轨电车使用的架空导电系统通过架空电线和集电弓供电，但这种方案通常仅适用于卡车和公交车等较高型的车辆。另一种方法是道路嵌入式导电系统，通过在道路表面铺设导电轨道来实现电力传输，这种方法需要精确对齐，最适合行驶路径可预测的车辆[4]、[5]。更具适应性的解决方案是道路嵌入式感应系统或无线电力传输（WPT）[6]、[7]、[8]，它利用电磁场通过嵌入道路中的线圈无线传输电力。WPT无需物理连接器，减少了维护需求和对齐难度，便于与现有基础设施无缝集成，并通过消除裸露的导电部件提高了安全性。这使得WPT特别适合各种类型的车辆，包括乘用车和卡车[9]、[10]。此外，诸如共振磁耦合等先进技术确保了WPT的高效率[8]，即使在动态充电情况下也能实现有效的能量传输[11]。