Hybrid Deep Reinforcement Learning for Enhancing Localization and Communication Efficiency in RIS-Aided Cooperative ISAC Systems
Notice bibliographique
Résumé
In this article, we propose a novel framework that combines simultaneous localization and communication (SLAC) using a reconfigurable intelligent surface (RIS) aided integrated sensing and communication (ISAC) systems. Our primary focus is on enhancing resource efficiency in such systems. We introduce Cloud Radio Access Networks (C-RAN) that facilitate collaboration between multiple base stations (BSs), enhancing cooperation benefits for both communication and sensing capabilities. To evaluate localization performance, we formulate an optimization problem to minimize the squared position error bound (SPEB) that reflects the system functional performance by optimizing the transmit beamformer, phase shift and subcarrier assignment under certain constraints. Moreover, in order to adjust the phase shift of the RIS, we propose a RIS-aided cooperative ISAC SLAC protocol. This approach utilizes the measurements collected to refine the location and velocity estimates of the agent, as well as to reconstruct the environmental map with enhanced accuracy. However, the high dimensionality of the decision space makes the problem computationally intensive and challenging to navigate using gradient-based or exhaustive search methods. To efficiently tackle these issues, we construct a framework based on Markov decision processes (MDPs) and address it by introducing a novel algorithm called hybrid deep reinforcement learning (HDRL) algorithm. We validate our proposed algorithm through various simulations, demonstrating its effectiveness in improving system performance by comparing with the baseline schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».