一个深度强化学习集成的空中RIS系统,用于增强战斗情报

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 军事行动需要强大的沟通和情势意识,特别是当视线受到阻碍时.
• 综合传感和通信 (ISAC) 系统提供同时数据传输和目标检测,但在效率,可靠性和干扰方面面临挑战.
• 优化ISAC系统的复杂环境,如混乱的战场仍然是一个重要的研究问题.

研究的目的:

• 提出一种新的空中可重新配置智能表面 (A-RIS) 方法,用于增强综合传感和通信 (ISAC) 系统.
• 在严格的SINR约束下,优化系统性能,包括传输光束成形,RIS相位转移和A-RIS路径.
• 为了应对自我干扰和混乱的挑战,在军事通信和传感中产生了回声.

主要方法:

• 开发了一个新的空中可重新配置智能表面 (A-RIS),集成到一个ISAC系统中,具有中央基站,目标传感和用户.
• 采用深度增强学习 (DRL) 共同优化BS传输光束成形,RIS相位转移和A-RIS路径.
• 在严格的信号与干扰加噪声比 (SINR) 约束下确保优化.

主要成果:

• 在系统性能方面取得了显著的改进,包括尽量减少自我干扰和杂乱回声.
• 在应对动态战场条件时,展示了自适应的RIS相位转移能力.
• 与传统方法相比,在提高通信可靠性和目标识别方面表现出优异的性能.

结论:

• 拟议的A-RIS方法显著提高了ISAC系统在具有挑战性的军事环境中的可靠性和性能.
• 基于DRL的优化有效地管理干扰,并适应不断变化的条件,改善通信和传感.
• 这种方法为克服当前军事通信和情境意识技术的局限性提供了一个有希望的解决方案.