用于车载网络的双动态ISAC预编码：一种约束深度强化学习方法

集成感知与通信（ISAC）技术对于支持车载网络至关重要。然而，该场景中的通信信道表现出时间变化，潜在目标可能快速移动，导致双动态。这种性质对实时预编码器设计提出了挑战。虽然基于优化的解决方案被广泛研究，但它们复杂且严重依赖于完美的信道相关信息，这在双动态中是不切实际的。为了应对这一挑战，我们提出使用约束深度强化学习来促进ISAC预编码器的动态更新。此外，我们定制了原始对偶深度确定性策略梯度和Wolpertinger架构，以在复杂约束和不同用户数量下高效训练算法。所提出的方案不仅基于观测适应动态，还利用环境信息来增强性能并降低复杂性。实验验证了其相对于现有候选方案的优越性。