체현형 강화학습(RL)은 환경 시뮬레이션, 행동 생성, 모델 업데이트로 이루어진 파이프라인을 통해 모델 역량을 향상시킨다. 이러한 단계들은 서로 다른 CPU·GPU 수요를 보여 효율적인 자원 활용을 어렵게 한다. 최근 시스템은 효율을 위해 롤아웃(시뮬레이션 및 생성)과 학습을 겹치지만, 롤아웃에서 GPU를 독점 할당하고 동기화 배리어를 두는 방식은 여전히 하드웨어 자원 낭비가 크다. 본 논문에서는 두 가지 핵심 기법을 갖춘 비동기 체현형 RL 학습 시스템 EBRL을 제안한다. 비동기 파이프라인 스케줄러는 롤아웃과 학습을 겹치고, 환경 그룹 간에 시뮬레이션과 생성을 파이프라인으로 연결하며, 각 환경을 독립적으로 실행해 동기화로 인한 정체를 없앤다. 세분화된 자원 관리자는 CPU 코어와 GPU 스트리밍 멀티프로세서(SM)를 풀로 묶고, 단계별 프로파일과 런타임 피드백으로 단계 간 변하는 수요에 맞춰 자원 할당량과 배치 크기를 조정한다. EBRL을 RLinf 위에 구현하고, 이질적 GPU 테스트베드에서 체현형 정책 네 종과 시뮬레이션 벤치마크 네 종으로 평가했다. 실험 결과 EBRL은 SOTA 체현형 RL 시스템 대비 end-to-end 롤아웃 처리량 1.30–3.47배, 학습 수렴 속도 2.5배를 달성했다.
V2X(Vehicle-to-Everything) 통신 시스템은 차량 궤적 데이터뿐만 아니라 현실적인 수준의 충실도를 갖춘 무선 네트워크 매개변수도 포함하는 데이터셋을 기반으로 하며, 이를 통해 예측 및 최적화 모델의 구축이 가능하다. 오늘날 매우 중요한 연구 인프라 공백이 존재하며, 공개적으로 이용 가능한 데이터셋은 이동성 또는 네트워크 매개변수 중 하나에 국한되는 경우가 많고, 두 가지를 결합한 단일의 통합적 시각을 제공하는 경우는 드물다. 본 논문은 SUMO 교통 역학과 OMNeT++/Simu5G 네트워크 시뮬레이션을 결합하여 생성된 포괄적 데이터셋인 MINT-V2X를 소개한다. 검증 프레임워크는 3GPP Release 14(C-V2X), ETSI 표준 및 Shannon 용량 이론을 기반으로 한 14개의 표준화된 테스트로 구성된다. 결과 데이터셋은 3시간의 도시 교통 시뮬레이션 동안 15개 RSU(roadside unit)로부터 1,386대 차량의 987만 개 동기화된 데이터 포인트를 포함한다. 네트워크 지표 상관관계(CQI-SINR: 0.993; SINR-PDR: 0.946)를 통해 엄격한 알고리즘적 일관성을 입증한다. 마지막으로 RSU 부하 예측 사례 연구를 수행하여 데이터셋의 가치를 입증하며, 궤적 데이터를 사용할 경우 네트워크 이력만을 사용하는 베이스라인보다 더 나은 예측 성능을 달성함을 보인다. 데이터셋, 실험, 및 전체 SUMO 구성 파일은 대체 시뮬레이션 스택에서의 재현을 용이하게 하기 위해 GitHub 저장소에서 제공된다.