基于多头注意力的状态估计的卫星辅助车联网中的连接性管理.pdfVIP

1

基于多头注意力的状态估计的卫星辅助车联

网中的连接性管理

IbrahimAlthamary,Chen-FuChou,andChih-WeiHuang,Member,IEEE

摘要—管理集成卫星-地面车联网的连接对于6G至关重复杂度。比拉布瓦等人[5]应用了遗传算法（GAs）进

要，但受到动态条件和部分可观察性的挑战。本文介绍了带有卫行ISTN资源分配；然而，他们的方法严重依赖全面的

星辅助多头自注意力（MAAC-SAM）的多智能体演员-评论家网络信息和迭代优化，这限制了其在动态V2X条件下

模型，这是一种新型的多智能体强化学习框架，使车辆能够自主

的实时适用性。因此，迫切需要更适应且高效的解决方

管理车辆到卫星（V2S）、车辆到基础设施（V2I）以及车辆到

本车辆（V2V）链接之间的连接。我们的关键创新在于集成了一案来处理快速变化的情况同时满足V2X性能约束。

译个多重注意力机制，即使在车辆之间信息共享波动且有限的情况多智能体强化学习（MARL）在V2X环境中的动

下，也能实现稳健的状态估计。该框架进一步利用自我模仿学习态频谱管理方面提供了有前景的解决方案。梁等人。[6]

中（SIL）和指纹识别技术来提高学习效率和实时决策能力。基于提出了深度Q网络（DQN），以增强地面车辆到基础设

1现实的SUMO交通模型和符合3GPP规范配置的仿真结果表

v明，MAAC-SAM在传输效用上比最先进的地面和卫星辅助基施（V2I）和车辆到车辆（V2V）链路中的频谱共享，但

0线高出14%，并且在不同的车辆密度和共享水平下保持了高精未考虑车辆到卫星（V2S）连接性。季等人。[7]使用了

6

0度估计。带有指纹识别的对战双DQN（D3QN-LS），以增强地

1

面车联网中的频谱选择和功率分配。陈等人。[8]引入

0IndexTerms—6G，V2X，多连接，卫星网络，多智能体

8.强化学习，多头注意力，侧链路通信，频谱管理。了一种具有简单状态估计技术的演员-评论家方法。然

0而，由于需要在部分可观测且动态变化的车辆场景中进

5

2I.介绍行分布式决策和鲁棒的状态估计，整合卫星连接性仍然

:

v是一项挑战。

integrated卫星-地面网络（ISTN），结合多连接和

x机器学习的进步，包括多头注意力（MHA）架构

rI侧链技术，对于提高未来6G车联网（V2X）系统的

a[9]、指纹识别[10]以及带有优先经验回放的自模仿学

频谱效率和覆盖范围至关重要[1]。有效的连接管理对

习（SIL）[7],[11]，为提升在复杂部分可观察环境中的

于优化资源分配并确保动态车辆环境中的无缝连接是

状态估计和代理性能提供了机会。这些技术显著增强了

必不可少的[2],[3]。

动态网络场景中个体和集体决策能力。

传统ISTN资源分配方法已得到广泛研究。邓等人

[4]引入了多组预编码以增强ISTN的容量和服