在车联网技术快速发展的背景下，车载边缘计算（VEC）作为缓解中心服务器压力的新型计算范式，正面临动态拓扑结构、不稳定连接和车辆移动性带来的多重挑战。重庆邮电大学联合香港科技大学的研究团队，针对非基础设施型VEC场景提出了一种基于模仿学习的在线任务调度算法（IELTS），通过优化资源分配策略显著提升了系统能效。该成果已发表于IEEE Spectrum中文版《科技纵览》期刊。
研究团队将车载网络中的车辆划分为服务请求车辆（SDV）和服务提供车辆（SPV），前者通过路侧单元（RSU）接入网络并卸载计算任务，后者则利用闲置资源组成动态集群处理任务。针对传统深度强化学习算法在动态环境中存在的搜索效率低、收敛速度慢等问题，研究创新性地引入模仿学习框架，通过分支定界算法生成专家轨迹数据集，使智能体在少量样本训练后即可逼近最优策略。实验表明，该算法在任务时延约束下可使系统平均能耗降低超50%，较深度Q网络（DQN）、DATE-V等对比算法具有显著优势。
在系统设计层面，研究构建了分层式信息维护架构：RSU负责管理集群级状态信息，SPV自主维护个体资源状态，有效减少了车辆与基础设施间的通信开销。针对任务调度问题，团队将其分解为SPV聚类和服务能力评估两个子问题，通过聚类算法整合分散的空闲资源，并设计混合策略预测模型优化决策过程。当SPV无法满足时延要求时，系统自动将任务切换至云端处理，确保服务质量。
基于杭州市2018年9月的真实出租车轨迹数据，研究团队在虚拟部署的RSU网络中进行了仿真验证。实验设置覆盖单条主干道场景，通过调整任务生成周期和时延约束等参数，系统评估了算法性能。数据显示，在0.4秒任务生成周期下，IELTS算法较其他方法节省能耗达65%，同时保持92%以上的任务本地处理率。随着训练轮次增加，该算法在能耗稳定性、时延控制和资源利用率方面均展现出持续优势。
该研究突破了传统VEC框架对固定基础设施的依赖，通过智能资源调度机制实现了动态环境下的能效优化。目前，团队正将相关技术拓展至无人机集群组网领域，探索跨场景的通用化解决方案。这项成果为车联网边缘计算提供了新的理论支撑，对推动智能交通系统发展具有重要意义。
