面向 RIS 辅助室内多机器人通信系统的联邦深度强化学习
机器人学
2022-07-19 v1 信息论
信号处理
math.IT
摘要
室内多机器人通信面临两个关键挑战：一是墙体等遮挡造成的严重信号强度衰减，二是机器人移动性导致的动态环境。为解决这些问题，我们引入可重构智能表面(RIS)以克服信号遮挡并辅助多机器人间的轨迹设计。同时，采用非正交多址(NOMA)应对频谱稀缺并增强机器人连接性。考虑到机器人电池容量有限，我们通过联合优化接入点(AP)的发射功率、RIS 的相移以及机器人轨迹，旨在最大化能效。提出了一种新颖的联邦深度强化学习(F-DRL)方法来求解这一具有单一动态长期目标的难题。通过各机器人规划自身路径与下行功率，AP 仅需确定 RIS 相移，因训练维度降低可显著节省计算开销。仿真结果揭示如下发现：I) 所提 F-DRL 相比集中式 DRL 可减少至少 86% 的收敛时间；II) 所设计算法可适应机器人数量增加；III) 相比传统基于 OMA 的基准，NOMA 增强方案可实现更高能效。
引用
@article{arxiv.2207.08056,
title = {Federated Deep Reinforcement Learning for RIS-Assisted Indoor Multi-Robot Communication Systems},
author = {Ruyu Luo and Wanli Ni and Hui Tian and Julian Cheng},
journal= {arXiv preprint arXiv:2207.08056},
year = {2022}
}
备注
The paper has been accepted for publication in the IEEE Transactions on Vehicular Technology