无蜂窝大规模MIMO中基于深度强化学习的无人机辅助通信与资源调度

无蜂窝大规模多入多出(MIMO)网络中分布式接入点(AP)同时服务多个用户,可以实现较大区域内虚拟MIMO的大容量传输;而无人机辅助通信能够为该目标区域热点或边缘用户提供覆盖增强。为了降低反馈链路负载,并有效提升无人机辅助通信的频谱利用率,该文研究了基于AP功率分配、无人机服务区选择和接入用户选择的联合调度;首先将AP功率分配和无人机服务区选择问题联合建模为双动作马尔可夫决策过程(DAMDP),提出了基于Q-learning和卷积神经网络(CNN)的深度强化学习(DRL)算法;然后将用户调度构造为一个0-1优化问题,并分解成子问题来求解。仿真结果表明,该文提出的基于DRL的资源调度方案与现有方案相比,可以有效提升无蜂窝大规模MIMO网络中频谱利用率。

无人机辅助无蜂窝大规模MIMO中的空地协同调度

无蜂窝大规模多输入多输出(multiple-input multiple-output,MIMO)技术采用大量接入点(access point,AP)为地面用户提供高效的通信服务,但在有高速移动用户的场景中,会加剧对信道状态信息的依赖。为了减少导频资源的消耗,提出了一种综合无人机(unmanned aerial vehicle,UAV)辅助通信和无蜂窝大规模MIMO通信的双系统架构,该架构能够预测高速移动用户的轨迹,利用无人机为其提供可靠通信;进一步提出了基于深度强化学习(deep reinforcement learning,DRL)的无人机轨迹设计和地面用户调度方案,在满足各类约束的前提下实现系统总和速率最大化。仿真结果表明,与现有方案相比,所提方案能够有效提升系统容量。