基于Lyapunov驱动的异构Mixture-of-Experts用于能源受限多模态ISAC跟踪精度优化
信号处理
2026-04-30 v1
摘要
多模态感知与毫米波( mmWave)通信的集成是高度移动车辆到基础设施(V2I)网络的关键使能器。然而，持续的高分辨率视觉感知会导致巨大的计算能耗，而延迟的感知信息则引发严重的波束错位。本文构建了基于物理的多模态集成感知与通信(M-ISAC)框架，通过语义信息年龄(AoI)建立网络层排队延迟与物理层空间不确定性之间的数学关系。基于此关系，我们旨在在跟踪后验Cramer-Rao下界(PCRB)与系统能源预算之间取得最优平衡，构建了随机混合整数非线性规划(MINLP)问题。针对时序计算拥堵和非凸常数幂约束的耦合挑战，我们提出了受Lyapunov驱动的异构Mixture-of-Experts(LD-H-MoE)强化学习框架。通过严格解耦时序调度和空间相位映射到专门的子网络，LD-H-MoE规避了单体多任务学习中常见的梯度冲突。仿真结果表明，所提出的LD-H-MoE实现了高效的事件触发感知策略，在保证边缘计算队列稳定和长期能源预算的前提下，实现了卓越的跟踪精度和射频(RF)韧性。
引用
@article{arxiv.2604.26330,
title = {Optimizing Tracking Accuracy in Energy-Constrained Multimodal ISAC via Lyapunov-Driven Heterogeneous Mixture-of-Experts},
author = {Wenqi Fan and Ning Wei and Ahmad Bazzi and Rongyan Xi and Zhixian Song and You Li and Zhihan Zeng and Yue Xiu and Chadi Assi},
journal= {arXiv preprint arXiv:2604.26330},
year = {2026}
}