摘要:为实现通感算一体化车联网(integrated sensing, communication and computation based internet of vehicles,ISCC-IoV)系统中通信、感知与计算性能的联合优化,本文面向多路侧单元(roadside unit,RSU)覆盖场景下车辆感知请求驱动的端-边协作感知任务,提出一种通、感、算联合资源分配方案。该方案定义了一种综合考虑感知数据量、任务时延与能耗的系统效用函数,并联合优化了RSU选择及三类资源分配,旨在最大化系统效用。形成的问题为非凸且NP-hard的混合整数非线性规划问题。为此,提出了一种双Critic异构多智能体强化学习(dual-Critic heterogeneous multi-agent reinforcement learning,DCHMARL)算法。DCHMARL将车辆和RSU作为异构智能体,构建双价值(Critic)结构并联合设计分层策略(Actor)结构,提高了训练的稳定性和效率。仿真结果表明,所提资源分配方案在系统动态条件下能实现更优的通、感、算综合性能。此外,与传统强化学习算法对比,所提DCHMARL显著提高了系统效用,降低了任务失败率,且表现出更优的收敛性和稳定性。