水下声学网络中移动性下免测距信道接入的延迟鲁棒深度强化学习
网络与互联网体系结构
2026-05-08 v1
摘要
水下声学网络（UWANs）中长传播延迟引起时空不确定性，限制了介质访问控制（MAC）协议中的信道利用率。自主水下航行器场景中的节点移动性通过引入动态传播延迟和变化的空间拓扑加剧了这些挑战。我们提出了MobiU-MAC，一种用于UWANs中移动节点接入的基于深度强化学习（DRL）的MAC协议，通过自主学习最大化吞吐量。MobiU-MAC集成了CHILL-STER，一种针对UWANs优化的新型DRL算法，兼具免测距和延迟鲁棒性。CHILL-STER采用信用视界受限的-回报（CHILL-Return）机制，在异步延迟奖励下实现稳定学习，同时伴随的时空经验回放（STER）机制处理节点移动性引起的拓扑变化。这项工作还在理论上证明了，在长传播延迟下，DRL无需测距即可获得等同于标准马尔可夫决策过程的最优策略学习。性能评估表明，MobiU-MAC利用最大系统延迟边界且无测距开销，优于现有的基于DRL的UWANs MAC协议，支持了所提出的理论和算法在复杂水下动态环境中的有效性。
引用
@article{arxiv.2605.06536,
title = {Delay-Robust Deep Reinforcement Learning for Ranging-Free Channel Access under Mobility in Underwater Acoustic Networks},
author = {Huaisheng Ye and Xiaowen Ye and Liqun Fu},
journal= {arXiv preprint arXiv:2605.06536},
year = {2026}
}
备注
6 pages, 7 figures, submitted to Globecom 2026