基于深度强化学习的STAR-RIS辅助V2X通信联合频谱分配与配置设计
网络与互联网体系结构
2023-08-17 v1
摘要
Vehicle-to-Everything (V2X，车联网)通信在保障现代交通系统的安全与高效中起着关键作用。然而，在有建筑物的场景中会出现信号遮挡与覆盖受限等挑战。为缓解这些挑战，可重构智能表面（RIS）因调节无源信号反射被视为提升通信性能的有效方案。RIS因其改善的频谱效率、简易部署与成本效益而在6G网络中崭露头角。尽管如此，传统RIS方案存在覆盖局限。因此，研究者开始关注同时透射与反射RIS（STAR-RIS）这一前景广阔的概念，其在利用RIS技术优势的同时提供360°覆盖。本文研究了一种STAR-RIS辅助的V2X通信系统。通过联合优化频谱分配、STAR-RIS单元的幅度与相移、V2I链路的数字波束赋形向量以及V2V对的发射功率，构建了一个在满足车辆到车辆（V2V）对的时延与可靠性需求的同时最大化车辆到基础设施（V2I）用户可达数据率的优化问题。由于该问题难以在多项式时间内求解，我们将其分解为两个子问题。对于第一个子问题，我们将控制变量建模为马尔可夫决策过程（MDP）并提出一种结合注意力机制的双深度Q网络（DDQN），使模型能潜在聚焦于相关输入。对于第二个子问题，采用基于标准优化的方法以提供实时解，降低计算成本。大量数值分析表明所提算法相较基准方案具有优越性。
引用
@article{arxiv.2308.08279,
title = {Deep Reinforcement Learning based Joint Spectrum Allocation and Configuration Design for STAR-RIS-Assisted V2X Communications},
author = {Pyae Sone Aung and Loc X. Nguyen and Yan Kyaw Tun and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2308.08279},
year = {2023}
}
备注
12 pages, 9 figures