ネットワーク断片化の橋渡し: UAV支援VANET向けのセマンティック拡張DRLフレームワーク

概要: Vehicular Ad-hoc Networks (VANETs) は自動運転のデジタル基盤の要として機能するが、物理的な障害物のために都市部環境で深刻なネットワークの断片化に苦しんでいる。無人航空機（UAVs）は高い機動性を活かし、これらの接続ギャップを埋める重要な解決策として浮上してきた。しかし、従来の Deep Reinforcement Learning (DRL) に基づく UAV 展開戦略は道路トポロジーの意味理解を欠き、盲目的な探索とサンプルの非効率性を招くことが多い。対照的に、Large Language Models (LLMs) はトポロジーの重要性を識別できる強力な推論能力を有するが、それを制御タスクへ適用することは依然として困難である。これに対処するため、Semantic-Augmented DRL (SA-DRL) フレームワークを提案する。まず、Road Topology Graphs (RTG) と Dual Connected Graphs (DCG) に基づく断片化の定量化手法を提案する。次に、汎用の LLM をドメイン特化のトポロジー専門家へと変換する4段階のパイプラインを設計する。最後に、Semantic-Augmented PPO (SA-PPO) アルゴリズムを提案する。これは Logit Fusion メカニズムを用いて、LLM の意味的推論を方策へ直接前提として組み込み、重要な交差点へエージェントを効果的に導く。大規模な高忠実度シミュレーションは、SA-PPOが最先端の性能を著しく高い効率で達成し、訓練エピソードのわずか26.6% を用いるだけでベースラインの性能レベルに到達することを示している。結局、SA-PPO は競合手法より2つの主要な接続性指標をそれぞれ13.2%、23.5%改善し、エネルギー消費をベースラインのわずか28.2%に削減する。