Feb, 2020

6G 网络中用于超高可靠性和低延迟通信的深度学习

PDF
TL;DR本研究论文探讨了如何将数据驱动的深度学习和深度强化学习应用于未来 6G 网络中的 URLLC，构建了一种多层次架构，并采用迁移学习和联合学习等方法来提高网络延迟和可靠性
ultra-reliable communicationslow-latency communicationsmission-critical applicationsdeep learningedge intelligence
发现论文，激发创造
  • 极端低时延低误码率通信：愿景、挑战和关键要素

    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

  • 超可靠低延迟无线通信：尾数、风险和规模

    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

  • 基于分层强化学习的低时延高可靠通信编排

    应用多智能体分层强化学习框架，优化无线资源分配，在 5G 的超可靠低延迟通信服务中实现更好的性能并减少信号传输和延迟开销，特别适用于工厂自动化场景。

    Jul, 2023

  • 超可靠低时延通信中的无线接入（URLLC）

    本文介绍了 5G 无线系统中的 Ultra-Reliable Low Latency Communication（URLLC）及其在 massive MIMO 和多连接接口多样性方面的应用，以及在设计和评估极高可靠性水平方面的适当统计方法

    Oct, 2018

  • 利用接口多样性的超可靠低延迟通信（URLLC）

    本文提出了一种基于编码分配权重并通过多种通信技术传输的通信系统，其可以在满足特定时延目标的情况下实现最大的可靠性，通过结合可靠性模型和技术特定的时延概率分布的分析框架，该模型可以针对不同情境优化其策略并在实验中进行验证。

    Nov, 2017

  • 一种统计学习方法用于实现超高可靠低延迟通信

    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

  • 基于机器学习的低延迟高可靠通信风险感知资源分配的挑战与策略

    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

  • 基于人工智能的低信息延迟无线网络

    本文提出了对于 uRLLC 具有更强相关性的信息延迟的新视角，并介绍了一种智能辅助的、适用于无线网络控制系统的情境感知多智能体强化学习框架（SMART），该框架可以在自主驾驶等典型应用中优化信息延迟，从而在交通效率等 AD 性能方面明显优于传统 uRLLC 系统。

    Dec, 2019

  • 5G 及其后续版本中 eMBB 和 URLLC 共存的智能资源分配：基于深度强化学习的方法

    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

  • 超可靠低时延通信联合上下行资源配置

    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