本文介绍了一篇关于自动驾驶车辆技术中路边单元（RSU）位置规划的学术研究论文。该研究由西北工业大学管理学院的Chenyi Fu、复旦大学管理学院的Minglong Zhou以及天津大学管理与经济学部的Ning Zhu共同完成，并于2024年2月17日发表。论文的主题是鲁棒路边单元位置问题，旨在解决在自动驾驶车辆技术发展过程中，如何优化RSU的部署位置以应对计算任务需求的不确定性和任务处理与传输的随机延迟问题。
自动驾驶车辆（AV）技术的普及有望彻底改变现有的交通系统，从以人为基础的驾驶系统转变为半自动化或全自动化系统。自动驾驶技术的应用将使日常出行更加安全、经济且环保。然而，传统的自动驾驶技术主要集中在车辆本身的技术提升上，例如为车辆配备高计算能力的传感器和通信设备，但这会导致车辆成本高昂。近年来，一种替代方案是通过部署大量的路边单元（RSU）来增强智能道路系统，利用物联网和云计算技术来收集和处理交通信息。然而，现有的RSU位置规划模型大多忽略了模型参数的不确定性，尤其是在动态边缘计算调度中。因此，本文提出了一个鲁棒的RSU位置规划模型，考虑了计算任务需求的不确定性以及任务处理和传输的随机延迟。
本文的研究方法主要包括以下几个步骤：
问题描述与模型构建：首先，作者详细描述了车辆边缘计算调度问题，特别是任务从车辆到RSU的传输过程。接着，作者提出了一个鲁棒的RSU位置规划模型，该模型旨在最小化违反各种容量预算和任务延迟阈值的风险。模型通过引入不确定的任务需求和随机延迟，将问题转化为一个混合整数凸优化问题，并提出了几种定制的加速策略来提高求解效率。
模型求解与算法设计：为了求解该优化模型，作者采用了切割平面算法，并提出了几种加速策略来提高算法的计算效率。具体来说，作者通过引入额外的状态变量来记录任务的生成时间，从而能够更准确地计算任务的累积计算延迟。此外，作者还放松了现有P-queue模型中状态对之间延迟的假设，考虑了零延迟和多延迟的情况。
数值实验与结果分析：通过数值实验，作者验证了所提出的鲁棒模型在计算任务传输量、任务平均完成时间以及容量预算违反的概率和幅度等方面的优越性。实验结果表明，与确定性模型和排队模型相比，鲁棒模型在各种指标上均表现出色，尤其是在任务传输量和延迟控制方面。
本文的主要贡献可以总结为以下几点：
鲁棒满足模型：本文首次提出了一个结合动态边缘计算调度的鲁棒满足模型，考虑了随机计算任务、RSU之间的传输延迟以及CPU的处理速率。该模型能够有效应对任务需求和处理能力的不确定性。
方法扩展：本文扩展了现有的P-queue模型，提出了新的状态变量来记录任务的生成时间，从而能够更准确地计算任务的累积延迟。此外，作者还放松了现有模型中状态对之间延迟的假设，考虑了零延迟和多延迟的情况。
求解算法改进：本文提出的切割平面算法能够有效求解混合整数凸优化问题，并通过引入加速策略进一步提高了算法的计算效率。数值实验表明，该算法在计算时间和生成的切割数量上均有显著提升。
数值实验验证：通过数值实验，作者验证了所提出的鲁棒模型在任务传输量、任务完成时间以及容量预算违反概率等方面的优越性。与确定性模型相比，鲁棒模型在任务传输量上减少了91.65%，任务平均完成时间减少了26.74%，容量预算违反的幅度和概率分别减少了30.93%和53.92%。
本文的研究为自动驾驶车辆技术中的RSU位置规划问题提供了一个鲁棒的解决方案，能够有效应对任务需求和处理能力的不确定性。通过引入鲁棒优化模型和高效的求解算法，本文不仅提高了RSU部署的效率和可靠性，还为未来的智能交通系统设计提供了重要的理论支持。此外，本文提出的方法还可以应用于其他领域，如云计算、医疗资源调度等，具有广泛的应用前景。
总的来说，本文的研究为自动驾驶车辆技术中的RSU位置规划问题提供了一个鲁棒的解决方案，具有重要的理论和应用价值。