使用深度强化学习提高集成感知与通信中信道抽样模式
信号处理
2024-12-05 v1
摘要
在集成感知与通信（ISAC）系统中，估计目标的微动 Doppler（mD）频谱图需要结合来自通信的信道估计与自律感知数据包，这些数据包应对通信流量的稀疏性。因此，mD 质量取决于感知数据包的传输策略，而这仍是一个具有挑战性且尚无已知解决方案的问题。本文中，我们设计了一个深度强化学习（RL）框架，将此问题分解为一系列更简单的决策，并利用 mD 时间演化来最大化重建性能。我们的方法是首个学习抽样模式以直接优化 mD 质量的方法，使 ISAC 系统能够适应可变通信流量。我们在真实信道测量数据集上验证了所提方法，达到了比最先进方法高达 40% 的 mD 重建精度，并且计算复杂度低几个数量级。
关键词
引用
@article{arxiv.2412.03157,
title = {Using Deep Reinforcement Learning to Enhance Channel Sampling Patterns in Integrated Sensing and Communication},
author = {Federico Mason and Jacopo Pegoraro},
journal= {arXiv preprint arXiv:2412.03157},
year = {2024}
}
备注
6 pages, 3 figures, 1 table