针对即使在 eMBB 资源分配存在的情况下降低 URLLC 通信延迟的需求，本文研究了对 5G 系统进行联合 eMBB 和 URLLC 调度的最优方法。结果表明，通过迭代梯度算法进行 eMBB 调度，采用 URLLC 需求调度器，可以同时实现对 eMBB 流量的最大利用和对 URLLC 要求的直接满足。

Dec, 2017

本文研究了两个不同的 5G 服务，即 Ultra-Reliable Low Latency Communications（URLLC）和 enhanced Mobile BroadBand（eMBB）在动态多路复用场景下的资源切片问题。通过优化问题的形式化，提出了一种基于深度强化学习的资源分配算法，以最大化 eMBB 数据速率并满足 URLLC 可靠性约束，避免 URLLC 流量对 eMBB 可靠性造成的瞬时影响。模拟结果显示，该方法能够满足严格的 URLLC 可靠性要求，同时使 eMBB 的可靠性保持在 90％以上。

Mar, 2020

本文探讨了在多元背景下不同多址方式使用于增强移动宽带 (eMBB) 和超可靠低延迟通信 (URLLC) 上行链路中的性能表现，并研究了使用中央化解码的干扰管理能力与使用边缘节点解码的低延迟要求之间的性能权衡。同时，文章还包括不同解码结构和干扰管理方法 (NOMA) 的讨论，如中断和连续干扰消除 (SIC)，以及在干扰、信噪比水平和前端容量限制的情况下进行的有效设计选择。

Apr, 2018

通过机器学习技术在 5G 无线网络中实现非计划 URLLC 流量传输的研究，提出了一种分布式风险感知机器学习解决方案，从而可以实现计划或非计划 URLLC 流量的同时满足其严格的延迟和可靠性要求。

Dec, 2018

本文研究了 5G 移动通信网络中 uRLLC 和 eMBB 服务之间的共享资源调度问题，通过使用 PSUM 算法和优化技术，提出了一种优化问题，以最大化 eMBB UEs 的 MEAR 并满足 uRLLC traffic 的相关规定，结果表明该方法明显优于基线方法，可显著提高 eMBB 用户体验和公平得分。

Mar, 2020

本研究提出了 xURLLC 新理念，通过机器学习技术、RF 与 non-RF 模式融合以及通信与控制协同设计三种核心技术支撑，打破了 5G URLLC 中的通信中心化思维，提出新的研究方向。同时，针对关键应用场景提出一套完整的解决方案与技术支持，致力于推动一次超越 5G/6G 的革新。

Jan, 2020

为了支持超可靠低延迟通信（URLLC），我们首先提出了适用于 URLLC 的分组传递机制，然后联合优化上下行带宽配置和延迟成分，以最小化保证总数据包丢失和端到端延迟所需的总带宽。

Jan, 2018

提出了一种基于深度神经网络的 UE 接入控制方法，以实现接近最优的性能，提高小区级的服务可靠性和资源利用效率。

Jan, 2024

本研究论文探讨了确保 5G 以上的无线网络具备超高可靠性和超低延迟通信（URLLC）的策略，包括延迟，可靠性，数据包大小等多种不同考虑因素，最终提供了关于设计低延迟和高可靠性无线网络的有价值洞见和技术治理方法。

Jan, 2018

这篇文章讲述了通过学习统计学模型以实现可靠传输，通过三个关键组成部分：信道模型选择、从样本中学习模型以及选择适当的传输率来满足要求的可靠性。

Sep, 2018