EARL：基于强化学习的 O-RAN 细胞无穷大 MIMO 网络中能感知自适应天线控制框架
信息论
2026-02-16 v1 系统与控制
信号处理
系统与控制
math.IT
摘要
细胞无穷大多输入多输出 (MIMO) 承诺提供网络中均匀的高性能，但也由于来自分布式无线单元 (RU) 的联合发射以及云端的集中处理，带来了高能耗成本。利用开放式无线接入网络 (O-RAN) 的资源共享能力，我们提出了 EARL，一个基于强化学习的能感知自适应天线控制框架。EARL 动态配置 RU 中的天线元件，以最小化无线电、光学前传和云端处理功耗，同时满足用户的频谱效率需求。数值结果表明，EARL 在完全开启和启发式基准方法下分别实现了最高可达 81% 和 50% 的能耗节省。该基于强化学习的方法在 220 毫秒内即可完成工作，满足 O-RAN 的准实时限制，进一步的贪心优化在 2 秒运行时间下可将能耗再减半。
引用
@article{arxiv.2602.12841,
title = {EARL: Energy-Aware Adaptive Antenna Control with Reinforcement Learning in O-RAN Cell-Free Massive MIMO Networks},
author = {Zilin Ge and Ozan Alp Topal and Irshad Ahmad Meer and Pei Xiao and Cicek Cavdar},
journal= {arXiv preprint arXiv:2602.12841},
year = {2026}
}
备注
will be presented in IEEE International Conference of Communications (ICC) 2026