使用风险敏感度和马尔可夫不等式，将资源分配给严格低延迟通信（URLLC）的新射频应用，同时保护当前增强型移动宽带用户的数据速率，从而有效地分配资源并满足 URLLC 和 eMBB 的可靠性。

Feb, 2019

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

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

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

Feb, 2020

本研究针对多用户多信道无线网络中 URLLC 流动态信道分配问题，利用有穷时间马尔科夫决策过程框架，提出了一种新的基于风险加权的目标函数，利用值迭代算法和 Q-learning 算法分别求解了完美控制和不知晓 CSI 和信道参数时的最优策略，实验验证了算法的有效性。

Nov, 2018

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

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

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

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

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