基于深度强化学习的毫米波车载通信联合中继选择与波束管理
信号处理
2022-12-21 v1
摘要
协作中继通过提供多条数据传输路径来提高无线网络的可靠性和覆盖范围。在更高频段的车载网络中，移动性和频繁的信号遮挡会导致链路中断，中继将发挥至关重要的作用。为确保中继辅助车载网络的连通性，应设计中继选择策略以高效发现未遮挡的中继。受移动毫米波（mmWave）网络波束管理近期进展的启发，本文探讨如下问题：如何以最小的波束管理开销选择最佳中继？为此，我们构建一个序贯决策问题，以联合优化中继选择与波束管理。我们提出一种基于深度强化学习（DRL）的联合中继选择与波束管理策略，利用波束索引与波束测量的马尔可夫性质。所提出的基于DRL的算法学习随时间变化的阈值，以适应动态信道条件和业务模式。数值实验表明，该算法优于无先验信道知识的基线方法。此外，该基于DRL的算法能在快变信道下保持高频谱效率。
引用
@article{arxiv.2212.09862,
title = {Joint Relay Selection and Beam Management Based on Deep Reinforcement Learning for Millimeter Wave Vehicular Communication},
author = {Dohyun Kim and Miguel R. Castellanos and Robert W. Heath},
journal= {arXiv preprint arXiv:2212.09862},
year = {2022}
}