近年来,城市人口上升致使车辆数目急剧增加,导致城市交通事故频发、交通效率下降,给各个国家带来了巨大的生命和财产损失。为了提高交通效率并减少交通事故,研究者提出智能网联汽车的概念:基于车联网网络,实现车与车、人、路间的感知信息共享,使车辆具备复杂环境感知和决策的能力。然而,由于车联网环境的高复杂性、网络拓扑的高动态性等因素,现有车联网无线通信技术无法有效满足车联网业务的多样性和差异性的需求。因此,如何保障车联网业务的需求,尤其是车辆行驶安全相关的需求,已经成为亟需解决的问题。所以,本文着眼于研究高效可靠的车联网无线传输及协作通信机制。首先,结合网络切片和深度学习技术,本文提出了面向车联网业务的智能网络架构,然后,着手研究实现该架构所需的关键技术。在微观层面,为了提升车辆行驶的安全性,本文从无线资源管理这个角度入手,研究保证时延和可靠性要求的无线资源分配算法,设计无人驾驶车队协作控制机制,其次,在宏观层面,利用深度强化学习对车联网网络进行无线资源配置,以满足各类车联网业务的需求。本文主要研究内容和创新点可归纳为:1.车联网智能网络架构设计现有车联网的统一架构无法有效地支持车联网业务的差异化需求。在对车联网典型业务详细分析的基础上,本论文提出了面向车联网业务的智能网络架构,该架构在逻辑上建立网络切片以满足业务的服务质量(Quality of Service,QoS)要求。另一方面,为了高效配置和管理网络内的各类资源,本部分内容设计了分级资源管理方案,即,在大时间尺度上,控制层根据车联网的历史信息,运用深度强化学习技术挖掘网络的内在特征并调整网络切片的资源配置;在小时间尺度上,网络切片根据业务当前的QoS,实时地将资源分配给切片内的车辆用户,使得业务的QoS得到保障,该方案在资源管理的时效性与有效性间达到平衡。最后,本部分内容分析了该架构在实现过程中所需解决的技术挑战,为本文的后续内容提供了研究方向。2.面向强时延要求业务的无线资源分配算法研究车辆间的安全信息传递对车联网系统提出了高可靠和低时延的需求,但现有的通信系统还无法严格保证时延要求。同时,基于LTE-V协议的车车(Vehicle-to-Vehicle,V2V)通信会存在与蜂窝通信共享无线频谱资源的场景,需要解决干扰共存问题。针对这些问题,首先,基于网络演算理论,本研究点量化了无线资源分配对通信时延的影响,并推导出保障时延要求所需满足的条件。基于该方法,本研究点提出了一种低复杂度的无线资源调度算法,该算法通过分配时频资源,调整车辆发射功率以及选择相应的调制编码方式,从而保证交通安业务的可靠性和实时性要求,并降低V2V通信对于蜂窝通信的干扰。3.无人驾驶车队的协作通信与控制机制研究无人驾驶车队(Vehcile Platoon)通过最小化每辆车与前车的追踪误差来维持预定的运动模式。无人驾驶车队可以看作一个网络控制过程,车队的姿态控制依赖于车辆之间周期性地交换感知信息。然而,传统方案将车辆控制与车辆间通信过程割裂开来,分别进行处理。为了解决这一不足,本部分研究内容提出将车队内通信与车辆控制过程进行联合优化:优化车队内部的无线资源分配和车辆控制器参数,以最小化车辆间的追踪误差为目标,同时保证V2V通信的可靠性,并保证车队队列的稳定性以提升行驶的安全性。仿真结果表明,与传统方案相比,该方案可以在保证通信可靠性与车队行驶安全性的同时,减少车辆间的追踪误差,进一步提高交通行车效率。4.基于深度强化学习的切片无线资源配置算法研究在智能网络架构中,控制层需要优化网络切片的资源配置策略,用以适应车联网的动态变化所带来的影响。然而,由于车联网网络环境的未知性和高复杂性,传统优化理论难以取得较好的效果。针对该问题,本部分提出了基于深度强化学习的网络切片无线资源配置算法,考虑了网络切片内车辆移动性、车联网业务的QoS,在大时间尺度上调整切片的无线资源配置和参数设置,达到提升车联网业务Qos及系统长期收益的目标。提出的算法将长短期记忆神经网络(Long short term memory,LSTM)纳入深度学习网络中,使用LSTM可以挖掘车联网观察状态在时间维度上的相关性,分析车联网历史信息的内在特征,并给出切片无线资源配置策略。最后通过仿真结果表明,相比于常规的深度强化学习算法,该方案在性能上有较为明显的提升。