在車聯網技術快速發展的背景下，車載邊緣計算（VEC）作為緩解中心服務器壓力的新型計算范式，正面臨動態拓撲結構、不穩定連接和車輛移動性帶來的多重挑戰。重慶郵電大學聯合香港科技大學的研究團隊，針對非基礎設施型VEC場景提出了一種基于模仿學習的在線任務調度算法（IELTS），通過優化資源分配策略顯著提升了系統能效。該成果已發表于IEEE Spectrum中文版《科技縱覽》期刊。
研究團隊將車載網絡中的車輛劃分為服務請求車輛（SDV）和服務提供車輛（SPV），前者通過路側單元（RSU）接入網絡并卸載計算任務，后者則利用閑置資源組成動態集群處理任務。針對傳統深度強化學習算法在動態環境中存在的搜索效率低、收斂速度慢等問題，研究創新性地引入模仿學習框架，通過分支定界算法生成專家軌跡數據集，使智能體在少量樣本訓練后即可逼近最優策略。實驗表明，該算法在任務時延約束下可使系統平均能耗降低超50%，較深度Q網絡（DQN）、DATE-V等對比算法具有顯著優勢。
在系統設計層面，研究構建了分層式信息維護架構：RSU負責管理集群級狀態信息，SPV自主維護個體資源狀態，有效減少了車輛與基礎設施間的通信開銷。針對任務調度問題，團隊將其分解為SPV聚類和服務能力評估兩個子問題，通過聚類算法整合分散的空閑資源，并設計混合策略預測模型優化決策過程。當SPV無法滿足時延要求時，系統自動將任務切換至云端處理，確保服務質量。
基于杭州市2018年9月的真實出租車軌跡數據，研究團隊在虛擬部署的RSU網絡中進行了仿真驗證。實驗設置覆蓋單條主干道場景，通過調整任務生成周期和時延約束等參數，系統評估了算法性能。數據顯示，在0.4秒任務生成周期下，IELTS算法較其他方法節省能耗達65%，同時保持92%以上的任務本地處理率。隨著訓練輪次增加，該算法在能耗穩定性、時延控制和資源利用率方面均展現出持續優勢。
該研究突破了傳統VEC框架對固定基礎設施的依賴，通過智能資源調度機制實現了動態環境下的能效優化。目前，團隊正將相關技術拓展至無人機集群組網領域，探索跨場景的通用化解決方案。這項成果為車聯網邊緣計算提供了新的理論支撐，對推動智能交通系統發展具有重要意義。
