学习是否有帮助？5G-NR V2X中面向完整性的自适应CRC-QC-LDPC选择

车对万物（V2X）通信对物理层完整性提出了严格要求，特别是在短数据包传输和 mobility 引起的信道变化条件下。本文研究了标准兼容的在线循环冗余校验（CRC）多项式和准循环低密度奇偶校验（QC-LDPC）编码速率的选择能否降低5G新空口（5G-NR）V2X链路中的静默（未检测）错误。联合配置问题被建模为一个具有小离散动作空间的轻量级上下文Bandit（CB），并使用折扣LinUCB策略与贪婪在线自适应和保守固定基线进行评估。一个符合5G-NR标准的物理层仿真使用Sionna开发，通过时间相关的Rayleigh衰落建模mobility，其中车速决定信道相关性，并通过两状态Markov过程建模非平稳干扰。学习智能体在粗粒度接收反馈上运行，包括含噪的信噪比（SNR）估计以及突发干扰和深度衰落的指示器，目标是最小化未检测错误概率（P_UE），同时考虑已检测错误概率（P_DE）。总体而言，我们的目标是阐明在哪些mobility区间内学习辅助的CRC-QC-LDPC配置能够改善5G-NR V2X系统的物理层完整性。结果表明，学习辅助的自适应在低到中等mobility下最为有效，在低信噪比区间（−5至5 dB）相对于贪婪选择将P_UE降低高达50–70%，并在较高E_b/N_0下接近最佳固定配置。在高mobility（≥180 km/h）下，快速信道去相关削弱了时间可预测性，限制了在线学习的有效性，并降低了各策略之间的性能差异。