【摘 要】5G技术的不断发展，带来了网络中数据量的爆发式升高与越来越多的涉及图像视频的语义理解任务，无疑对通信、计算和缓存资源造成了极大的压力。为更好地满足视频语义理解任务的资源需求，缓解资源紧缺现象，研究了语义通信中基于深度双Q网络的多维资源联合分配算法。首先，基于车联网场景，改进了现有的联合资源分配算法，引入缓存资源构建了新的面向语义的多维资源联合分配模型；其次，针对其动态时变的特性，搭建了深度双Q网络求解最优资源分配策略；最后，仿真验证了所提多维资源联合分配算法的性能优势。
【关键词】资源分配；语义通信；车联网；深度强化学习
0 引言
随着5G技术与物联网（IoT, Internet of Things）的高速发展，各类新型的智能任务，如虚拟和增强现实、人脸和手势识别、交通流量预测等不断涌现。这些智能任务通常涉及到不同智能体对于图像视频的内容理解，并伴随着庞大的数据量与计算量，无疑对网络中边缘侧的各种资源造成了巨大的压力。在当前阶段，基于香农信息论并追求传输效率最大化的传统通信技术难以满足上述智能体的需求。但考虑到此类任务中本质上仅需要让通信双方交互，使接收方理解发送方的信息所表示的内容，即“语义”[1]，因此，可将语义通信作为此类任务中视频传输的基础，更加关注图像视频中的内容及其承载的语义。
以智能交通系统车联网（ITS, Intelligent Transportation Systems）为例，为保障安全驾驶，车辆端将配备摄像头采集大量视频数据，并通过智能算法，对视频的内容进行理解和分析&#