动态 MU-mMIMO IoT 系统中 UAV 辅助的覆盖与容量增强：一种深度强化学习方法
信号处理
2024-04-11 v1
摘要
本研究关注多用户大规模多输入多输出（MU-mMIMO）系统，通过在基站（BS）与多个物联网设备之间引入无人机（UAV）作为解码转发（DF）中继。我们的主要目标是通过引入一个联合混合波束成形（HBF）与 UAV 定位的新框架，来最大化动态 MU-mMIMO IoT 系统中的总可达速率。具体而言，BS 和 UAV 的 HBF 阶段利用慢时变角度信息进行设计，同时开发了一种具有连续动作空间的深度强化学习（RL）算法，即深度确定性策略梯度（DDPG），以训练 UAV 进行部署。通过使用定制的奖励函数，RL 智能体学习到了一种能够适应静态和动态环境的最佳 UAV 部署策略。结果表明，所提出的基于 DDPG 的 UAV 部署（DDPG-UD）可以达到基于粒子群优化（PSO）的 UAV 部署（PSO-UD）所实现的和速率容量的约 99.5%，而所需运行时间仅为 PSO-UD 的约 68.50%，在动态 MU-mMIMO 环境中提供了一种高效的解决方案。
引用
@article{arxiv.2404.06726,
title = {UAV-Assisted Enhanced Coverage and Capacity in Dynamic MU-mMIMO IoT Systems: A Deep Reinforcement Learning Approach},
author = {MohammadMahdi Ghadaksaz and Mobeen Mahmood and Tho Le-Ngoc},
journal= {arXiv preprint arXiv:2404.06726},
year = {2024}
}
备注
This paper has been accepted for presentation in 2024 EuCNC and 6G Summit