动态无线接入网中 gNB 移动性控制的强化学习框架
网络与互联网体系结构
2025-08-06 v1
摘要
无线环境日益增加的复杂性（表现为用户移动性和动态遮挡）对视距连接的维持构成了挑战。移动基站通过物理重定位来恢复或维持视距，从而成为一种有前景的解决方案，这也 necessitates 开发用于自主移动控制的智能算法。作为 CONVERGE 研究项目的一部分，该项目正在开发一个实验舱以将计算机视觉集成到移动网络中并增强动态无线环境下的服务质量，本文提出了两项关键贡献。首先，我们介绍了 CONVERGE 实验舱模拟器，这是一个用于开发、训练和验证移动 gNB 移动性控制算法的 3D 仿真环境。CC-SIM 对用户和障碍物的移动性、视觉遮挡以及射频传播行为进行建模。它通过与独立的 5G 系统的 OpenAirInterface (OAI) 射频模拟器紧密集成，支持离线强化学习和实时测试，从而能够在真实的网络条件下进行验证。其次，利用 CC-SIM，我们开发了一个深度 Q 网络 代理，该代理学习根据动态环境变化主动重新定位 gNB。在三个代表性用例中的实验表明，与静态部署相比，训练有素的代理显著减少了视距阻塞时间——最高可达 42%。这些结果突显了基于学习的移动性控制在自适应下一代无线网络中的有效性。
引用
@article{arxiv.2508.02960,
title = {A Reinforcement Learning Framework for Mobility Control of gNBs in Dynamic Radio Access Networks},
author = {Pedro Duarte and André Coelho and Manuel Ricardo},
journal= {arXiv preprint arXiv:2508.02960},
year = {2025}
}