面向毫米波通信的物理信息参数型多臂老腰
机器学习
2026-03-03 v2
摘要
在毫米波（mmWave）通信中，束对齐和跟踪对于抵御显著的路径损耗至关重要。由于扫描整个方向空间效率低下，设计一种高效且稳健的方法来识别最优束方向是必不可少的。由于传统的多臂老腰算法需要较长的时间范围才能在大束空间下收敛，许多现有工作提出了通过依赖奖励函数结构的单调性或多模性假设来实现高效的多臂老腰算法。然而，这些假设在实际中往往不成立（或无法严格满足），导致此类算法收敛到亚最优束。本文提出了两个物理信息驱动的多臂老腰算法pretc和prgreedy，利用 mmWave 信道稀疏多径特性——一种通用但真实的假设——与 Phase Retrieval Bandit problem 相关联。我们的算法将每条路径的参数视为黑箱，并基于采样历史奖励保持最优估计。pretc以随机探索阶段开始，然后在估计的奖励函数下提交最优束。prgreedy以在线方式进行此类估计，并在当前估计下选择最佳束。我们的算法也可以轻易适应移动环境下的束跟踪。通过使用合成 DeepMIMO 数据集和真实世界 DeepSense6G 数据集的实验，我们展示了两种算法在各种场景下都优于现有方法，显示其通用性和稳健性。
引用
@article{arxiv.2510.18299,
title = {Physics-Informed Parametric Bandits for Beam Alignment in mmWave Communications},
author = {Hao Qin and Thang Duong and Ming F. Li and Chicheng Zhang},
journal= {arXiv preprint arXiv:2510.18299},
year = {2026}
}