面向V2X系统的可扩展多模态束对齐：反不平衡图学习方法
信号处理
2026-04-24 v1
摘要
高效束对齐是实现Vehicle-to-Everything(V2X)系统高吞吐量和可靠连接的关键。然而，传统的动态车联网拓扑下的束管理会导致巨大的对齐开销，且在快速移动场景下难以维持稳健的链路。为此，本文提出一种分布式多模态图束对齐(GBA)框架。核心创新在于利用 onboard 多模态感知数据预测隐式反馈，并采用图神经网络协调多用户对齐，从而在提升可扩展性和大幅降低开销方面实现双重优化。该架构采用GAA-RSU和GAA-Vehicle单元，通过集中式学习和联邦学习(FL)的混合策略进行优化，以平衡全局性能与本地隐私。此外，本文引入专门的数据增强(DA)方案，以解决车联网中多模态数据不平衡问题。负性增强通过主导模态dropout来增强鲁棒性，而正性增强生成不足样本以缓解标签不平衡。数值结果表明，GBA在保持与高分辨率码本反馈相当的总速率的同时，将束对齐开销降低超过90%，且在移动场景下具有良好的可扩展性。尤其值得注意的是，集成DA后，GBA在持续超越基于联邦学习的SOTA束对齐基准方面表现突出，在严重标签和模态不平衡情形下优势尤为显著，为V2X束管理提供了实用解决方案。
引用
@article{arxiv.2604.21585,
title = {Scalable Multimodal Beam Alignment in V2X: An Anti-Imbalance Graph Learning Approach},
author = {Jiahui Liang and Shuoyao Wang and Shijian Gao},
journal= {arXiv preprint arXiv:2604.21585},
year = {2026}
}