基于信道知识图与元学习的 URLLC 快速传输控制自适应
信息论
2025-02-18 v1 math.IT
摘要
本文考虑了在具有未知信道分布的无线环境中，提供超可靠低延迟通信（URLLC）以实现关键任务物联网服务的方法。这些方法依赖于目标区域内少数位置的历史信道增益样本。我们在 URLLC 约束下，构建了目标区域内一个非平凡的传输控制自适应问题。然后我们提出两种解决方案来解决这个问题。第一种是结合深度强化学习（DRL）算法的功率缩放方案，在信道知识图（CKM）的帮助下无需重训即可实现，其中 CKM 利用来自历史信道增益样本的信道特征空间相关性。第二种解决方案是基于模型无关元学习（MAML）的元强化学习算法，该算法从遵循不同信道分布的已知信道增益样本中进行训练，并能在几步梯度更新内快速适应新环境。仿真结果表明，基于 DRL 的算法能够在各种服务质量约束下有效满足 URLLC 的可靠性要求。此外，功率缩放方案和元强化学习算法的自适应能力也得到了验证。
引用
@article{arxiv.2502.10777,
title = {Fast Transmission Control Adaptation for URLLC via Channel Knowledge Map and Meta-Learning},
author = {Hongsen Peng and Tobias Kallehauge and Meixia Tao and Petar Popovski},
journal= {arXiv preprint arXiv:2502.10777},
year = {2025}
}
备注
14 pages, 7 figures. This paper has been submitted to IEEE Internet of Things Journal for possible publication (Second revision completed)