基于链路异构图神经网络的协作定位与通信束流设计学习
信号处理
2025-04-15 v1
摘要
集成感知与通信 (ISAC) 已成为下一代无线网络的关键使能者，支持高精度定位和环境重建等高级应用。协作 ISAC (CoISAC) 通过使多个基站 (BS) 联合优化通信和感知性能来进一步提升这些能力。然而，CoISAC 束流设计面临显著挑战，包括系统异构性、大规模问题复杂度以及对参数估计误差的敏感性。传统的深度学习技术未能利用 CoISAC 系统的独特结构特征，从而限制了其提升系统性能的能力。为解决这些挑战，我们提出了一种用于 CoISAC 系统联合束流的 Link-Heterogeneous Graph Neural Network (LHGNN)。与常规方法不同，LHGNN 将通信和感知链路建模为异构节点及其相互作用作为边缘，从而捕获 CoISAC 系统的异构性质和复杂相互作用。此外，融入了图注意力机制以动态调整节点和链路的重要性，提高了对信道和位置估计误差的鲁棒性。数值结果表明，所提出的注意力增强型 LHGNN 在功率约束下实现了卓越的通信速率，同时保持感知精度。该方法对通信信道和位置估计误差也表现出强大的鲁棒性。
引用
@article{arxiv.2504.10060,
title = {Learning to Beamform for Cooperative Localization and Communication: A Link Heterogeneous GNN-Based Approach},
author = {Lixiang Lian and Chuanqi Bai and Yihan Xu and Huanyu Dong and Rui Cheng and Shunqing Zhang},
journal= {arXiv preprint arXiv:2504.10060},
year = {2025}
}