面向超可靠6G in-X子网络：基于深度强化学习的动态链路适配
系统与控制
2025-07-17 v1 系统与控制
摘要
6G网络由子网络组成，旨在满足面向工业控制和自动化等任务关键应用的超可靠低时延通信(URLLC)要求。URLLC中常被忽视的一个方面是连续数据包中断，这些中断可能导致控制回路不稳定并危及面向工厂环境的安全性。因此，当前工作提出一种链路适配框架，以基于soft actor-critic(SAC)的深度强化学习(DRL)算法实现极端可靠性要求下的能效和可靠性联合优化。在动态信道和干扰条件下，本方法明确针对减少突发/连续中断，通过自适应控制传输功率和块长度来实现，仅基于观察到的信噪比(SINR)。该联合优化问题在有限块长度和服务质量约束下进行建模，在可靠性和能效之间进行权衡。仿真结果表明，所提方法在评估场景下显著优于基线算法，既减少了中断突发，又仅使用基线算法所需传输成本的18%。该框架还支持通过调整奖励权重灵活调整能效和可靠性之间的权衡，适应多样化的工业需求。
引用
@article{arxiv.2507.12031,
title = {Towards Ultra-Reliable 6G in-X Subnetworks: Dynamic Link Adaptation by Deep Reinforcement Learning},
author = {Fateme Salehi and Aamir Mahmood and Sarder Fakhrul Abedin and Kyi Thar and Mikael Gidlund},
journal= {arXiv preprint arXiv:2507.12031},
year = {2025}
}