May, 2024
双动态 ISAC 预编码在车载网络中的应用：基于约束深度强化学习（CDRL）方法
Doubly-Dynamic ISAC Precoding for Vehicular Networks: A Constrained Deep Reinforcement Learning (CDRL) Approach
Zonghui Yang, Shijian Gao, Xiang Cheng
TL;DR综合感知与通信（ISAC）技术对于实现车载网络至关重要，然而该场景中的通信信道呈现时变特性，潜在目标也可能迅速移动，形成双倍动态现象，这是实时预编码器设计面临的挑战。针对这一挑战，我们提出了使用约束深度强化学习（CDRL）来促进 ISAC 预编码器设计的动态更新，此外，我们还采用了原始对偶深度确定性策略梯度（PD-DDPG）和 Wolpertinger 结构，以有效地训练算法以适应复杂约束和可变用户数量，所提出的方案不仅能基于观测适应动态，还能利用环境信息提高性能并减少复杂性，其优越性已通过实验验证。