面向6G非地面网络下行链路的混合语义-比特通信:一种分层多智能体深度强化学习方法
《IEEE Open Journal of the Communications Society》:Hybrid Semantic-Bit Communications for NTN Downlinks: A Hierarchical Multi-Agent DRL Approach
【字体:
大
中
小
】
时间:2025年12月16日
来源:IEEE Open Journal of the Communications Society 6.1
编辑推荐:
本文针对6G非地面网络(NTN)中带宽受限、动态信道条件下面临的可靠性与效率挑战,提出了一种融合语义通信(SemCom)与比特通信(BitCom)的两跳下行链路框架。研究团队设计了基于深度学习的架构,引入混合通信有效性(HCE)指标,并开发了HMATD3-SBRA算法进行资源优化。结果表明,该方案能显著提升频谱效率18%、降低时延22%,为6G智能通信提供了新范式。
在第六代(6G)网络致力于实现智能、上下文感知通信的背景下,非地面网络(NTN)因其能够提供无处不在的全球覆盖而变得至关重要。然而,有限的带宽、严重的路径损耗、海量数据流量以及动态恶劣的信道条件,对通信的可靠性和效率都构成了严峻挑战。传统的基于香农信息论的比特级通信(BitCom)范式在资源受限的NTN环境中逐渐显现其局限性,尤其是在传输高容量图像数据时,面临着频谱资源紧张和传输延迟高的双重压力。与此同时,新兴的语义通信(SemCom)技术通过仅传输与任务相关的、有意义的信息,有望大幅减少数据传输量,但其性能在动态信道条件下可能不稳定。因此,单一地依赖BitCom或SemCom都无法在NTN复杂多变的环境下取得最优效果。
为了解决这一问题,来自日本大阪大学、广岛市立大学和孟加拉国库尔纳大学的研究团队在《IEEE Open Journal of the Communications Society》上发表了他们的最新研究成果。他们提出了一种创新的两跳NTN下行链路框架,该框架协同集成了SemCom和BitCom,用于实现从低地球轨道(LEO)卫星通过高空平台(HAP)向地面用户的高效图像传输。这项研究的核心在于探索如何在动态、资源受限的NTN环境中,自适应地选择通信模式并优化资源分配,从而兼顾语义传输的效率和比特传输的可靠性。
为了开展这项研究,研究人员首先设计了一个深度学习驱动的系统架构。该架构在LEO卫星端配备了语义感知编码器,用于从捕获的图像中提取高层次的特征;在HAP端则设置了混合语义-比特处理单元(HSBConv)。HAP利用完整的信道状态信息(CSI)、语义相关性和计算能力,动态地将地面用户分类为语义感知用户(SAU)和比特基础用户(BBU)。对于SAU,HAP直接转发从卫星接收到的语义特征;而对于BBU,HAP则先将语义特征解码重构为比特级数据,再进行传输。这种双路径架构确保了在动态NTN环境中高效、上下文感知且可扩展的数据交付。
为了全面评估这种混合系统的性能,研究团队引入了一个新颖的统一性能指标——混合语义与比特通信通用性能指标(UPM-HSBC),其核心是混合通信有效性(HCE)。HCE指标联合捕捉了语义相关性、频谱效率和信道动态特性。基于此指标,研究人员构建了一个长期HCE最大化问题,并设计了名为“面向语义-比特资源分配的混合通信有效性感知分层多智能体双延迟深度确定性策略梯度(HMATD3-SBRA)”算法。该算法能够跨LEO卫星-HAP-地面链路联合优化发射功率、带宽、计算资源和模式选择,同时显式地捕获智能体间的依赖关系。
研究过程中运用的几个关键技术方法包括:1) 基于Vision Transformer (ViT)的语义编码器-解码器设计,用于提取和重建图像语义特征;2) 混合语义-比特转换(HSBConv)机制,实现HAP处的动态模式选择;3) 分层多智能体深度强化学习(HMATD3)框架,用于解决复杂的资源分配优化问题;4) 针对非地面网络的信道建模,融合了3GPP TR 38.811和38.821标准中的路径损耗、阴影衰落和莱斯衰落模型;5) 链式加权语义准确度(CBWSA)模型,用于量化两跳语义通信中的语义保真度。
研究的系统模型是一个两层空间-空中-地面NTN架构。空间层的LEO卫星捕获高分辨率地球图像并生成其语义编码表示。空中层的多个HAP接收这些特征并进行混合处理,根据信道条件、设备能力和应用需求,选择向SAU转发语义特征或为BBU重构比特级数据。地面层的用户包括具备强大语义解码能力的SAU(如自动驾驶车辆、AI无人机)和仅能处理比特数据的BBU(如基本手机、IoT传感器)。信道模型考虑了自由空间路径损耗、大气衰减、阴影衰落以及莱斯衰落,以贴近真实的NTN环境。混合传输模型在LEO卫星-HAP链路采用正交频分多址(OFDMA),并在可能时使用语义组播以提高频谱效率。
HCE模型是本研究的一个核心贡献,它为异构NTN环境下的语义和比特通信提供了统一的评估框架。对于语义通信链路(LEO卫星-HAP-SAU),其效率通过语义效率质量(QoSEff)来衡量,该指标综合了语义保真度质量(SPQ)、有效语义速率、总语义延迟和资源使用成本。SPQ通过链式加权语义准确度(CBWSA)模型进行度量,该模型考虑了信道退化、语义特征匹配质量、符号正确接收概率以及用户知识库对齐程度。对于比特通信链路(HAP-BBU),其效率通过比特通信传输效率(BTE)来衡量,该指标综合了有效链路容量、比特错误率(BER)和端到端延迟。最终的HCE指标是SAU的QoSEff和BBU的BTE的加权和,权重动态调整以反映不同通信模式的优先级。
为了解决由此产生的混合整数、非凸、动态优化问题,研究提出了HMATD3-SBRA算法。该算法采用分层多智能体结构:LEO卫星作为高层智能体,负责跨HAP的全局资源分配;每个HAP作为低层智能体,负责其覆盖区域内用户的细粒度资源分配和模式选择。算法利用Twin Delayed Deep Deterministic Policy Gradient (TD3)方法来减少Q值高估并增强策略稳定性。对于离散的模式选择(SemCom或BitCom),算法采用了Gumbel-Softmax技巧使其可微分,从而便于学习。通过经验回放、目标网络平滑和延迟策略更新等技术,算法能够有效地学习在动态NTN条件下最大化长期HCE的策略。
广泛的仿真结果验证了所提出框架的有效性。在训练收敛性方面,HMATD3-SBRA表现出最快且最稳定的收敛速度,大约在250个训练周期后趋于稳定,并获得最高的奖励值,显著优于传统的TD3-SBRA、多智能体软演员-评论家(MASAC-SBRA)和分层多智能体DDPG (HMADDPG-SBRA)等基线算法。在性能上,随着用户密度从5增加到35,所有方案的平均HCE均呈现下降趋势,这是由于有限的资源需要在更多用户间共享。然而,HMATD3-SBRA始终保持着最高的HCE,这得益于其自适应混合模式选择能力。在资源效率方面,所提出的混合方案在不同水平的发射功率、带宽和计算资源下都实现了最优或接近最优的HCE。当资源稀缺时,系统倾向于使用SemCom以节省资源;当资源充足时,则更多地利用BitCom以实现高吞吐量。图像重建质量评估显示,在低信噪比(SNR)条件下(如-5 dB),SemCom比BitCom(采用JPEG/JPEG2000压缩)表现出更强的鲁棒性,能更好地保留图像的语义内容。而在高SNR条件下,BitCom能够实现更精细的重建。峰值信噪比(PSNR)和结构相似性指数(SSIM)的对比进一步证实了这一点。在延迟方面,HMATD3-SBRA的语义通信延迟随着输入数据大小的增加呈次线性增长,并能始终将延迟控制在50毫秒的阈值内,而BitCom的延迟则呈线性增长,并在数据量较大时超过80毫秒的阈值。模式切换分析表明,HMATD3-SBRA能够根据SNR变化和用户计算能力动态调整SemCom和BitCom的用户比例,在低SNR下优先使用SemCom,在高SNR下增加BitCom的使用。此外,研究还表明,增加HAP的数量有助于提升系统总体的HCE,因为更多的HAP带来了更丰富的带宽资源。最后,复杂度分析确认了HMATD3-SBRA在计算效率和执行时间上的优势,使其适合在动态NTN下行链路场景中实现实时资源优化。
本研究成功提出了一个统一的分层混合语义-比特通信框架,用于LEO卫星-HAP-地面用户的两跳NTN下行链路。通过引入HCE这一综合性能指标和HMATD3-SBRA这一高效的资源分配算法,研究实现了在动态NTN环境下语义通信的鲁棒性和比特通信的高精度之间的有效平衡。仿真结果充分表明,该混合方法在频谱效率、延迟、模式切换开销和整体通信有效性方面均优于单一模式的通信方案以及传统的启发式算法。这项工作为6G网络中智能、自适应和资源高效的通信系统设计指明了新的方向,特别是在全球覆盖、应急通信和远程感知等NTN关键应用场景中具有重要的潜在价值。未来的研究可以进一步探索动态用户计算能力建模、多模态语义传输、安全语义通信、智能超表面(RIS)增强技术以及实时跨层优化等方向,以持续推动NTN与语义通信的融合发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号