面向6G基于深度强化学习的联合感知与通信波束管理
系统与控制
2022-08-04 v1 系统与控制
摘要
用户位置是网络管理与控制的关键信息。然而，在某些场景下定位不确定性不可避免，导致定位误差。本文考虑毫米波网络中的用户位置不确定性，并研究面向未来6G网络的基于深度强化学习的联合视觉辅助感知与通信波束管理。具体地，我们首先从卫星图像中提取基于像素特征的特征以提高定位精度。然后提出一种基于UK-medoids的具有位置不确定性的用户聚类方法，聚类结果随后用于波束管理。最后，我们应用DRL算法进行波束内无线资源分配。仿真首先表明，我们提出的视觉辅助方法可大幅降低定位误差。所提基于UK-medoids和DRL的方案（UKM-DRL）与另外两种方案对比：基于K-means聚类和DRL资源分配（K-DRL）以及基于UK-means聚类和DRL资源分配（UK-DRL）。所提方法相比UK-DRL吞吐量高17.2%、时延低7.7%，相比K-DRL吞吐量超两倍、时延低55.8%。
引用
@article{arxiv.2208.01880,
title = {Joint Sensing and Communications for Deep Reinforcement Learning-based Beam Management in 6G},
author = {Yujie Yao and Hao Zhou and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2208.01880},
year = {2022}
}