STAR-RIS助力低空无线网络的协同波束赋形
计算机视觉与模式识别
2025-12-22 v2 人工智能
摘要
虽然基于无人机（UAVs）的低空无线网络（LAWNs）提供了高 mobility、灵活性和覆盖，但在密集环境中面临严重的信号衰落 due to obstructions。为此，我们考虑引入UAVs的协同波束赋形（CB）以及同时发射和反射的可重构智能表面（STAR-RIS）的全向可重构波束赋形（ORB），以增强信号质量和方向性。基于此，我们构建了一个联合速率和能源优化问题（JREOP），以最大化整个系统的传输速率，同时最小化UAV swarm的能源消耗。由于JREOP的非凸性和NP困难性，我们提出了一种异构多智能体协作动态（HMCD）优化框架，其中包含两个核心组件。第一个组件是一种基于模拟退火（SA）的STAR-RIS控制方法，动态优化反射和传输系数以增强信号传播。第二个组件是一种改进的多智能体深度强化学习（MADRL）控制方法，集成自注意力评估机制以捕捉UAVs之间的相互作用，并包含自适应速度转换机制以增强训练稳定性。仿真结果表明，HMCD在收敛速度、平均传输速率和能源消耗方面均优于各种基线方法。进一步分析表明，整个系统的平均传输速率随UAV数量和STAR-RIS元件数量呈正比例增长。
引用
@article{arxiv.2510.22107,
title = {Discovering Latent Graphs with GFlowNets for Diverse Conditional Image Generation},
author = {Bailey Trang and Parham Saremi and Alan Q. Wang and Fangrui Huang and Zahra TehraniNasab and Amar Kumar and Tal Arbel and Li Fei-Fei and Ehsan Adeli},
journal= {arXiv preprint arXiv:2510.22107},
year = {2025}
}