基础模型辅助的深度强化学习用于RIS辅助无线通信
信号处理
2025-06-12 v1
摘要
可重构智能表面作为一种有前景的技术出现，通过动态控制环境中的信号传播来增强无线通信。然而，其高效部署依赖于准确的信道状态信息，由于其无源特性和大量反射元件，导致了高昂的信道估计开销。在本工作中，我们通过提出一个新颖框架来解决这一挑战，该框架利用一个预训练的开源基础模型——大无线模型来处理无线信道并生成多功能且上下文相关的信道嵌入。这些嵌入随后用于基站波束赋形和RIS配置的联合优化。具体而言，对于联合优化，我们设计了一个深度强化学习模型来自动选择基站波束赋形向量和RIS相移矩阵，旨在最大化频谱效率。本工作表明，用于无线电信号理解的预训练基础模型可以进行微调并与深度强化学习集成，以实现无线网络中的有效决策。它突显了模态特定基础模型在实际网络优化中的潜力。根据仿真结果，所提出的方法优于基于深度强化学习的方法和基于波束扫描的方法，分别实现了9.89%和43.66%的频谱效率提升。
引用
@article{arxiv.2506.09855,
title = {Foundation Model-Aided Deep Reinforcement Learning for RIS-Assisted Wireless Communication},
author = {Mohammad Ghassemi and Sara Farrag Mobarak and Han Zhang and Ali Afana and Akram Bin Sediq and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2506.09855},
year = {2025}
}
备注
6 pages, 5 figures, PIMRC conference