[论文解读] Reconfigurable Intelligent Surface-Assisted Aerial-Terrestrial Communications via Multi-Task Learning

Xuelin Cao, Bo Yang+5 more|arXiv (Cornell University)|Apr 14, 2021

Advanced Wireless Communication Technologies参考文献 57被引用 4

一句话总结

本文提出了一种基于多任务学习（MTL）的可重构智能表面（RIS）辅助空中-地面通信传输协议，用于优化RIS相位偏移和用户配对，显著提升了系统吞吐量，并将计算时间相比传统方法降低了四个数量级。

ABSTRACT

The aerial-terrestrial communication system constitutes an efficient paradigm for supporting and complementing terrestrial communications. However, the benefits of such a system cannot be fully exploited, especially when the line-of-sight (LoS) transmissions are prone to severe deterioration due to complex propagation environments in urban areas. The emerging technology of reconfigurable intelligent surfaces (RISs) has recently become a potential solution to mitigate propagation-induced impairments and improve wireless network coverage. Motivated by these considerations, in this paper, we address the coverage and link performance problems of the aerial-terrestrial communication system by proposing an RIS-assisted transmission strategy. In particular, we design an adaptive RIS-assisted transmission protocol, in which the channel estimation, transmission strategy, and data transmission are independently implemented in a frame. On this basis, we formulate an RIS-assisted transmission strategy optimization problem as a mixed-integer non-linear program (MINLP) to maximize the overall system throughput. We then employ multi-task learning to speed up the solution to the problem. Benefiting from multi-task learning, the computation time is reduced by about four orders of magnitude. Numerical results show that the proposed RIS-assisted transmission protocol significantly improves the system throughput and reduces the transmit power.

研究动机与目标

• 解决城市环境中因遮挡和路径损耗导致的空中-地面网络覆盖和链路性能下降问题。
• 克服复杂传播环境中视 Line-of-Sight（LoS）链路阻塞和无人机（UAV）高移动性带来的限制。
• 优化RIS配置和用户配对，以在多用户下行链路场景中最大化系统吞吐量。
• 降低求解RIS优化的混合整数非线性规划（MINLP）问题所带来的计算负担。

提出的方法

• 设计一种基于帧的RIS辅助传输协议，将信道估计、传输策略和数据传输解耦。
• 将RIS优化问题建模为混合整数非线性规划（MINLP）问题，以最大化系统吞吐量。
• 在RIS控制器上训练多任务学习（MTL）模型，联合预测用户配对和RIS相位偏移配置。
• 利用MTL加速推理，替代传统数学优化方法，使计算时间降低四个数量级。
• 采用交替算法和空间分支定界法（sBB）作为基准，评估MTL性能。
• 利用端到端MTL实现联合分类（用户配对）与回归（相位偏移优化），共享特征表示。

实验结果

研究问题

• RQ1 如何联合优化RIS配置和用户配对，以在RIS辅助的空中-地面网络中最大化吞吐量？
• RQ2 多任务学习在多大程度上降低了求解RIS部署MINLP优化问题的计算延迟？
• RQ3 MTL-based RIS优化的性能如何随无人机-用户对数量的增加而扩展？
• RQ4 在使用RIS辅助传输时，系统吞吐量与发射功率之间的权衡关系如何？
• RQ5 训练样本数量如何影响MTL模型的推理精度和鲁棒性？

主要发现

• 所提出的RIS辅助传输协议相比无RIS系统，系统吞吐量最高可提升数百倍。
• 与传统方法相比，多任务学习将求解MINLP问题的计算时间降低了约四个数量级。
• MTL模型保持了高推理精度，随着无人机-用户对数量增加，分类准确率仅略有下降，优于sBB和交替算法。
• MTL在相位偏移回归预测中的均方误差（MSE）显著低于sBB和交替算法，尤其在用户对数量较多时表现更优。
• 当处理两组无人机-用户对时，单样本推理时间从sBB的3.2 ms降至MTL的0.0145 ms，展现出巨大的加速效果。
• 在训练数据有限时性能增益最为显著，数据量从10%增至90%时，分类准确率显著提升，尤其在八组无人机-用户对情况下表现突出。