面向 Massive MIMO 空间通信的波束成形：一种鲁棒且可扩展的 DRL 方法
信号处理
2026-01-01 v1
摘要
本文提出了一种用于大规模多输入多输出 (MIMO) 非地面网络 (NTN) 中空中平台站 (APS) 星座的分布式波束成形框架，旨在不完美的局部信道状态信息 (CSI) 下实现下行链路和速率最大化。我们提出了一种新颖的基于熵的多智能体深度强化学习 (DRL) 方法，其中每个非地面基站 (NTBS) 使用傅里叶神经算子 (FNO) 独立计算其波束成形向量，以捕获频域中的长程依赖关系。为了确保可扩展性和鲁棒性，所提出的框架集成了基于共轭先验机制的迁移学习和低秩分解 (LRD) 技术，从而能够高效支持大规模用户部署和空中层。我们的仿真结果证明了所提出的方法在平均和速率、对 CSI 不完美的鲁棒性、用户移动性以及在不同网络规模和用户密度下的可扩展性方面，均优于包括 WMMSE、ZF、MRT、基于 CNN 的 DRL 和深度确定性策略梯度 (DDPG) 方法在内的基线方案。此外，我们表明，与基于 CNN 和 WMMSE 的方法相比，所提出的方法实现了显著的计算效率，同时与共享评论家 DRL 方法相比减少了通信开销。
引用
@article{arxiv.2512.23902,
title = {Beamforming for Massive MIMO Aerial Communications: A Robust and Scalable DRL Approach},
author = {Hesam Khoshkbari and Georges Kaddoum and Omid Abbasi and Bassant Selim and Halim Yanikomeroglu},
journal= {arXiv preprint arXiv:2512.23902},
year = {2026}
}