毫米波车联网中感知干扰的波束分配多智能体上下文学习策略
信号处理
2024-01-05 v1 机器学习
摘要
毫米波 (mmWave) 因其在增强信道带宽和网络容量方面的潜力，被公认为 5G 及未来网络的关键技术之一。毫米波在包括车联网在内的各种应用中的使用已被广泛讨论。然而，将毫米波应用于车联网面临着节点高移动性和毫米波波束覆盖范围狭窄的挑战。由于密集网络中的高移动性，重叠波束会导致强干扰，从而导致性能下降。作为补救措施，可以利用毫米波的波束切换能力。随后，频繁的波束切换和小区变更成为管理干扰的必然选择，这增加了计算和信令复杂度。为了应对干扰控制中的复杂性，我们开发了一种名为多智能体上下文学习 (MACOL) 的新策略，该策略利用上下文多臂老虎机 (Contextual Bandit) 在管理干扰的同时分配毫米波波束以服务网络中的车辆。我们的方法表明，通过利用邻近波束状态的知识，机器学习智能体可以识别并避免对其他正在进行的传输造成潜在干扰的传输。此外，我们证明即使在重交通负载下，我们提出的 MACOL 策略也能将干扰水平维持在 10% 左右。
引用
@article{arxiv.2401.02323,
title = {Multi-Agent Context Learning Strategy for Interference-Aware Beam Allocation in mmWave Vehicular Communications},
author = {Abdulkadir Kose and Haeyoung Lee and Chuan Heng Foh and Mohammad Shojafar},
journal= {arXiv preprint arXiv:2401.02323},
year = {2024}
}
备注
Accepted in IEEE Transactions on Intelligent Transportation Systems