用于车载网络中联合通信与感知优化的图神经网络
网络与互联网体系结构
2023-02-07 v1
摘要
本文在太赫兹（THz）车载网络背景下研究了联合通信与感知问题。在所研究的模型中，一组服务提供车辆（SPV）向目标车辆提供通信服务或感知服务，其中必须确定 1) 每辆 SPV 的服务模式（即提供通信或感知服务），以及 2) 每辆 SPV 将要服务的目标车辆子集。该问题被表述为一个优化问题，旨在通过确定每辆 SPV 的服务模式和目标车辆关联，在满足感知目标车辆的感知服务需求的同时，最大化通信目标车辆的数据速率之和。为了解决这个问题，提出了一种基于图神经网络（GNN）并采用异构图表示的算法。所提出的算法使中央控制器能够提取每辆车与其位置、连接和通信干扰相关的图信息。利用提取的图信息，随后确定联合服务模式选择和目标车辆关联策略，以适应具有各种车辆类型（例如，目标车辆和服务提供车辆）的动态车辆拓扑。仿真结果表明，所提出的基于 GNN 的方案可以达到最优解所实现的和速率的 93.66%，并且与基于同构 GNN 的算法和未使用 GNN 的传统优化算法相比，和速率分别提高了 3.16% 和 31.86%。
引用
@article{arxiv.2302.02878,
title = {Graph Neural Networks for Joint Communication and Sensing Optimization in Vehicular Networks},
author = {Xuefei Li and Mingzhe Chen and Yuchen Liu and Zhilong Zhang and Danpu Liu and Shiwen Mao},
journal= {arXiv preprint arXiv:2302.02878},
year = {2023}
}