5G毫米波网络中基于深度强化学习的位置不确定性下无线资源分配与波束管理
系统与控制
2022-04-26 v1 系统与控制
摘要
毫米波（mmWave）是 5G 新空口（NR）的重要组成部分，其中基于 UE 位置采用高方向性波束以补偿显著传播损耗。然而，位置信息可能存在诸如 GPS 误差等某些错误。无论如何，在大多数环境中某种不确定性与定位误差不可避免。将这些失真位置用于聚类会增加波束管理的误差。同时，无线环境中的业务需求可能动态变化。因此，需要一种能同时处理定位不确定性与动态无线资源分配的 scheme。在本文中，我们提出一种基于 UK-means 的聚类与基于深度强化学习的资源分配算法（UK-DRL），用于 5G mmWave 网络中的无线资源分配与波束管理。我们首先应用 UK-means 作为聚类算法以缓解定位不确定性，随后采用深度强化学习（DRL）动态分配无线资源。最后，我们将 UK-DRL 与基于 K-means 的聚类和基于 DRL 的资源分配算法（K-DRL）比较，仿真表明当业务负载为 4Mbps 时，我们所提基于 UK-DRL 的方法相比 K-DRL 实现了高 150% 的吞吐量与低 61.5% 的时延。
引用
@article{arxiv.2204.10984,
title = {Deep Reinforcement Learning-based Radio Resource Allocation and Beam Management under Location Uncertainty in 5G mmWave Networks},
author = {Yujie Yao and Hao Zhou and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2204.10984},
year = {2022}
}
备注
Accepted to 2022 IEEE Symposium on Computers and Communications)