VariSAC: 基于 GNN 增强强化学习的 RIS 辅助 ISAC 中 V2X 可靠连接
网络与互联网体系结构
2025-09-10 v2
摘要
可重构智能表面（RIS）与通感一体化（ISAC）在车辆网络中的集成，实现了动态空间资源管理以及对环境变化的实时适应。然而，不同的车对基础设施（V2I）和车对车（V2V）连接要求共存，加上高度动态和异构的网络拓扑，给统一可靠性建模和资源优化带来了重大挑战。为了解决这些问题，我们提出了 VariSAC，一个由图神经网络（GNN）增强的深度强化学习框架，用于在 RIS 辅助、ISAC 使能的车联网（V2X）系统中实现可靠的、时间连续的连接。具体而言，我们引入了连续连接比率（CCR），这是一个统一指标，表征了 V2I 连接的持续时间可靠性和 V2V 链路的概率投递保证，从而统一了它们的连续可靠性语义。接下来，我们采用带有残差适配器的 GNN 来编码复杂的高维系统状态，捕获车辆、基站（BS）和 RIS 节点之间的空间依赖关系。这些表示随后由 Soft Actor-Critic（SAC）智能体处理，该智能体联合优化信道分配、功率控制和 RIS 配置，以最大化 CCR 驱动的长期奖励。在真实世界城市数据集上的大量实验表明，VariSAC 在连续 V2I ISAC 连接性和 V2V 投递可靠性方面始终优于现有基线，在高度动态的车辆环境中实现了持久连接。
引用
@article{arxiv.2509.06763,
title = {VariSAC: V2X Assured Connectivity in RIS-Aided ISAC via GNN-Augmented Reinforcement Learning},
author = {Huijun Tang and Wang Zeng and Ming Du and Pinlong Zhao and Pengfei Jiao and Huaming Wu and Hongjian Sun},
journal= {arXiv preprint arXiv:2509.06763},
year = {2025}
}