目标挂载STARS辅助车载网络中的感知与通信联合优化:一种MADRL方法
信号处理
2023-11-20 v1
摘要
利用集成感知与通信(ISAC)技术,可通过主动感知目标车辆提升路边单元(RSU)的通信性能。此外,在目标车辆上安装同时透射反射面(STARS)可额外增强回波信号反射,从而改善车载用户的通信质量。然而,该目标挂载STARS系统的设计面临显著挑战,如信息共享有限与分布式STARS控制。本文提出一种端到端多智能体深度强化学习(MADRL)框架,以应对所述目标挂载STARS辅助车载网络中感知与通信联合优化的挑战。通过在RSU与车辆上部署智能体,MADRL框架使RSU与车辆能利用各自本地信息进行波束预测与STARS预配置。为保障连续决策的高效稳定学习,我们在所提MADRL框架上采用多智能体软 actor-critic(MASAC)算法与多智能体近端策略优化(MAPPO)算法。大量实验结果证实了所提MADRL框架在利用目标挂载STARS提升感知与通信性能方面的有效性。最后,我们在多种环境条件下对两种算法进行了对比分析。
引用
@article{arxiv.2311.10352,
title = {Joint Sensing and Communication Optimization in Target-Mounted STARS-Assisted Vehicular Networks: A MADRL Approach},
author = {Haocheng Zhang and Rang Liu and Ming Li and Wei Wang and Qian Liu},
journal= {arXiv preprint arXiv:2311.10352},
year = {2023}
}