用于 UWB 物理层无线设置运行时自动适配的深度强化学习
网络与互联网体系结构
2022-10-28 v1 机器学习
信号处理
摘要
超宽带技术已日益流行于室内定位与基于位置的服务。这导致近期进展聚焦于降低测距误差，而聚焦于实现更可靠且节能通信的研究在很大程度上未被探索。IEEE 802.15.4 UWB 物理层允许选择若干影响能耗、范围和可靠性的设置。结合 UWB 设备所报告的可用链路状态诊断信息，存在根据环境动态选择 PHY 设置的契机。为此，我们提出一种深度 Q-learning 方法以实现可靠的 UWB 通信，最大化数据包接收率（PRR）并最小化能耗。深度 Q-learning 很适合该问题，因为它是一种对环境作出响应的固有自适应算法。在真实办公室环境中的验证表明，该算法优于传统 Q-learning、线性搜索和使用固定 PHY 层。我们发现，在动态办公室环境中，深度 Q-learning 实现了更高的平均 PRR，并在仅使用固定 PHY 设置 14% 能耗的同时降低了测距误差。
引用
@article{arxiv.2210.15498,
title = {Deep reinforcement learning for automatic run-time adaptation of UWB PHY radio settings},
author = {Dieter Coppens and Adnan Shahid and Eli De Poorter},
journal= {arXiv preprint arXiv:2210.15498},
year = {2022}
}
备注
13 pages, 9 figures, 9 tables and submitted to IEEE Transactions on Cognitive Communications and Networking