⚡ electrical engineering

RL based Beamforming Optimization for 3D Pinching Antenna assisted ISAC Systems

Dieses Paper schlägt ein 3D-Pinching-Antennen-Bereitstellungsschema für ISAC-Systeme vor und entwickelt einen auf einem heterogenen Graph-Neuronalen-Netzwerk basierenden Reinforcement-Learning-Algorithmus zur gemeinsamen Optimierung der Antennenpositionierung, Zeitallokation und Sendeleistung, wobei eine überlegene Leistung gegenüber 1D/2D-Gegenstücken und anderen Baselines bei der Maximierung der Summen-Kommunikationsraten unter Sensorik- und Energiebeschränkungen nachgewiesen wird.

Ursprüngliche Autoren: Qian Gao, Ruikang Zhong, Yue Liu, Hyundong Shin, Yuanwei Liu

Veröffentlicht 2026-01-29

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC0 1.0

Ursprüngliche Autoren: Qian Gao, Ruikang Zhong, Yue Liu, Hyundong Shin, Yuanwei Liu

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen eine Party zu veranstalten, bei der Sie zwei Dinge gleichzeitig tun müssen: mit Ihren Gästen sprechen (Kommunikation) und den Raum im Auge behalten, um sicherzustellen, dass alle sicher sind (Sensorik). In der Welt der drahtlosen Technologie wird dies als ISAC (Integrated Sensing and Communication) bezeichnet.

Normalerweise sind die „Lautsprecher“ (Antennen), die diese Aufgabe erfüllen, in einer geraden Linie oder einem flachen Gitter festgeschrieben, wie Soldaten in einer Reihe. Dieses Paper schlägt eine neue Art der Anordnung vor: 3D-Pinching-Antennen.

Hier ist die Aufschlüsselung der Ideen des Papers unter Verwendung einfacher Analogien:

1. Das Problem: Die „flache“ Einschränkung

Denken Sie an herkömmliche Antennen wie an eine Reihe von Menschen, die Taschenlampen halten, die in einer einzigen geraden Linie stehen. Sie können Licht nach vorne strahlen, aber sie können nicht einfach nach oben, unten oder zur Seite schauen, ohne ihren ganzen Körper zu bewegen. Wenn ein Gast auf einem Balkon steht oder ein Ziel hoch in der Luft ist, hat eine flache Linie von Antennen Schwierigkeiten, sie effizient zu erreichen. Sie verschwenden Energie, indem sie versuchen, ein Ziel zu treffen, das „außerhalb ihrer Bahn“ liegt.

2. Die Lösung: Die „Pinching“-Antenne

Die Autoren führen eine spezielle Technologie namens Pinching-Antennen ein.

Die Metapher: Stellen Sie sich einen langen, flexiblen Gartenschlauch (einen Wellenleiter) vor, durch den Wasser fließt. Normalerweise fließt das Wasser einfach am Ende heraus. Aber mit diesem speziellen Schlauch können Sie ihn an jeder beliebigen Stelle entlang seiner Länge „zusammendrücken“ (pinch), und das Wasser spritzt genau dort heraus.
Der Vorteil: Anstatt fester Lautsprecher haben Sie einen flexiblen Schlauch, bei dem Sie überall, wo Sie es möchten, einen „Lautsprecher“ (eine Antenne) aktivieren können. Das ist kostengünstig und sehr flexibel.

3. Die große Idee: Die 3D-„Seestern“-Form

Bisherige Studien verwendeten diese Schläuche nur in einer geraden Linie (1D) oder in einem flachen Gitter (2D). Dieses Paper schlägt vor, drei Schläuche so anzuordnen, dass sie eine 3D-Ecke bilden, wie die Ecke eines Raumes, in dem der Boden auf zwei Wände trifft (die X-, Y- und Z-Achse).

Warum das besser ist: Es ist, als würde man eine flache Taschenlampe in einen 3D-Seestern verwandeln. Jetzt kann das System Gäste auf dem Boden, auf einem Balkon oder sogar in der Luft erreichen. Es verleiht dem System „räumliche Freiheit“, um seine Strahlen genau dorthin zu richten, wo sie benötigt werden, ohne Energie zu verschwenden.

4. Die Herausforderung: Das „Zu viele Auswahlmöglichkeiten“-Problem

Da sich die Antennen überall im 3D-Raum bewegen können und Sie zudem entscheiden müssen, wann Sie mit jedem Gast sprechen und wie laut Sie sprechen, gibt es Millionen von möglichen Kombinationen.

Die Analogie: Es ist, als versuche man, einen Rubik's Cube zu lösen, der ständig die Form verändert, während man gleichzeitig jongliert. Ein Mensch (oder ein Standard-Computerprogramm) wäre überfordert damit, jede Sekunde die perfekte Bewegung zu berechnen.

5. Das Gehirn: HGRL (Der „smarte Coach“)

Um dies zu lösen, haben die Autoren einen neuen KI-Coach namens HGRL (Heterogeneous Graph Neural Network Reinforcement Learning) entwickelt.

Wie es funktioniert: Stellen Sie sich einen Coach vor, der die Spieler (Nutzer) und den Ball (Ziele) nicht einfach als ungeordneten Haufen sieht. Stattdessen sieht er sie als eine spezielle Karte (einen Graphen), bei der jede Verbindung beschriftet ist.
- „Diese Antenne spricht mit diesem Nutzer.“
- „Diese Antenne beobachtet jenes Ziel.“
- „Diese beiden Antennen stören sich gegenseitig.“
Der „heterogene“ Teil: Dies ist der entscheidende Punkt. Der Coach weiß den Unterschied zwischen einem „Nutzer“ und einem „Ziel“. Er behandelt sie nicht alle gleich. Dies ermöglicht es der KI, viel schneller zu lernen und intelligentere Entscheidungen zu treffen als ältere KI-Methoden, die alles als generischen Klumpen behandeln.

6. Die Ergebnisse: Der Siegerkreis

Die Autoren führten Simulationen (Computertests) durch, um zu sehen, wie dieses neue 3D-Setup im Vergleich zu den alten 1D- und 2D-Setups abschneidet.

Das Ergebnis: Das 3D-Pinching-Antennen-Setup hat jedes Mal gewonnen.
- Kommunikation: Es lieferte mehr Daten (sprach schneller) an die Nutzer.
- Sensorik: Es hielt die Ziele genauso gut im Blick, verbrauchte dafür aber weniger Energie.
- Effizienz: Die alten 1D- und 2D-Setups verschwendeten viel Energie, nur um die Ziele zu erreichen. Das 3D-Setup war so präzise, dass es die Sicherheitsanforderungen mit sehr wenig überschüssiger Energie erfüllen konnte, wodurch es die eingesparte Energie auf das Sprechen mit den Nutzern konzentrieren konnte.

Zusammenfassung

Kurz gesagt sagt dieses Paper: Hören Sie auf, Ihre Antennen in flachen Linien anzuordnen. Indem Sie sie unter Verwendung der flexiblen „Pinching“-Technologie in einer 3D-Ecke anordnen und einen smarten KI-Coach trainieren, der den Unterschied zwischen Menschen und Objekten versteht, können Sie drahtlose Systeme erschaffen, die schneller, intelligenter und energieeffizienter sind. Die KI lernte, die Antennen im 3D-Raum so zu bewegen, dass sie das Sprechen und Beobachten perfekt ausbalancieren, und schlug damit alle älteren, flacheren Methoden.

Technische Zusammenfassung: RL-basiertes Beamforming-Optimierung für 3D-Pinching-Antennen-assistierte ISAC-Systeme

Problemstellung
Integrierte Sensorik und Kommunikation (ISAC)-Systeme zielen darauf ab, die Nutzung von Spektrum und Hardware zu vereinheitlichen, um die spektrale Effizienz und das Situationsbewusstsein zu verbessern. Während Pinching-Antennen (PAs) – kostengünstige, rekonfigurierbare, auf dielektrischen Wellenleitern basierende Leaky-Antennen – aufgrund ihrer Mobilität und der Fähigkeit, bedarfsgerechte Sichtverbindungen (Line-of-Sight, LoS) zu bilden, ein erhebliches Potenzial für ISAC bieten, beschränkt sich die bisherige Forschung weitgehend auf 1D- (einzelne Wellenleiter) oder 2D-Konfigurationen (parallele Wellenleiter in einer Ebene). Diese niederdimensionalen Layouts begrenzen die Winkelabdeckung und die Höhenvielfalt, was die Fähigkeit des Systems einschränkt, luftgestützte oder erhöhte Nutzer und Ziele effektiv zu bedienen.

Darüber hinaus stellt die Optimierung eines 3D-PA-assistierten ISAC-Systems eine komplexe Herausforderung dar. Das Problem umfasst die gemeinsame Optimierung kontinuierlicher Variablen: 3D-Antennenpositionierung, Zeitmultiplexverfahren (TDMA)-Zeitzuweisung und Übertragungsleistungsverteilung. Dies erzeugt ein hochdimensionales, nicht-konvexes und nicht-lineares Optimierungsproblem (aufgrund fraktionaler SNR-Ausdrücke und exponentieller Phasenbegriffe), das mit herkömmlichen handgefertigten Optimierungsverfahren oder Standard-Reinforcement-Learning-Methoden (RL) schwer zu lösen ist.

Methodik
Um diese Herausforderungen zu bewältigen, schlagen die Autoren einen neuartigen Rahmen vor, der ein 3D-Bereitstellungsschema mit einem auf heterogenen Graph-Neuronalen Netzen basierenden Reinforcement-Learning-Algorithmus (HGRL) kombiniert.

Systemmodell: Die Autoren modellieren ein Downlink-ISAC-System, bei dem eine Basisstation (BS) drei orthogonale Wellenleiter (ausgerichtet entlang der x-, y- und z-Achsen) verwendet, die mit Pinching-Antennen ausgestattet sind. Das System bedient $K$ Nutzer und detektiert $L$ Ziele in der x-y-Ebene. Das Optimierungsziel ist die Maximierung der Summenkommunikationsrate unter Einhaltung von Beschränkungen bezüglich der Zielsensorikraten (SNR), des Gesamtenergiebudgets und des minimalen Antennenabstands.
MDP-Formulierung: Das Optimierungsproblem wird als Markov-Entscheidungsprozess (MDP) formuliert.
- Zustandsraum: Repräsentiert die Systemtopologie als zeitvariablen heterogenen Graphen, der Knoten für Antennen, Nutzer und Ziele sowie Kanten enthält, die Kommunikations-, Sensorik- und Interferenzbeziehungen darstellen.
- Aktionsraum: Ein kontinuierlicher Vektor, bestehend aus Antennenverschiebungen, TDMA-Gewichten und Leistungsallokation.
- Belohnungsfunktion: Darauf ausgelegt, die Summenkommunikationsrate zu maximieren, während Verstöße gegen Schwellenwerte der Sensorik-SNR und physikalische Beschränkungen (z. B. Antennenabstand) bestraft werden.
HGRL-Algorithmus: Der Kern der Lösung ist ein HGRL-Framework, das den Advantage Actor-Critic (A2C)-Algorithmus nutzt.
- Heterogene Graphrepräsentation: Im Gegensatz zu homogenen Graphansätzen kodiert die vorgeschlagene Methode explizit unterschiedliche Knotentypen (Antenne, Nutzer, Ziel) und Relationstypen (kommuniziert, sensorisch erfasst, Interferenz) mithilfe eines heterogenen HGNN-Encoders. Dies ermöglicht eine präzise Modellierung der ISAC-spezifischen Interaktionen.
- Policy- und Value-Netzwerke: Die kodierten Graph-Embeddings werden in ein Actor-Netzwerk (für die Aktionsauswahl) und ein Critic-Netzwerk (für die Wertschätzung) eingespeist, um die optimale Policy für Beamforming und Ressourcenallokation gemeinsam zu erlernen.

Wesentliche Beiträge

3D-Bereitstellungsschema: Das Paper schlägt eine 3D-Pinching-Antennenkonfiguration unter Verwendung von drei orthogonalen Wellenleitern vor und analysiert diese. Dies erweitert bestehende ISAC-Studien über 1D/2D-Layouts hinaus und bietet vollräumliche Strahlsteuerung sowie zusätzliche räumliche Freiheitsgrade zur Entkopplung von Kommunikations- und Sensorik-Beams.
HGRL-Framework: Die Autoren entwickeln das erste heterogene GNN-basierte RL-Framework speziell für 3D-Pinching-Antennen-assistiertes ISAC. Dieser Ansatz ermöglicht eine skalierbare Optimierung über graphstrukturierte Zustände und gemischte kontinuierliche Aktionsräume, wodurch die Einschränkungen konventioneller RL-Methoden beim Umgang mit komplexen topologischen Beziehungen adressiert werden.
Gemeinsame Optimierungsformulierung: Die Studie formuliert ein umfassendes gemeinsames Optimierungsproblem für Antennenpositionierung, Zeitzuweisung und Leistungssteuerung, das eine feingliedrige Ressourcensteuerung unter realistischen Beschränkungen erfasst.

Simulationsergebnisse
Numerische Experimente wurden in einer simulierten Umgebung mit 6 Nutzern und 1 Ziel durchgeführt, wobei 1D-, 2D- und 3D-Bereitstellungsstrategien unter verschiedenen Leistungsbeschränkungen ( $p=0,1$ W und $p=0,02$ W) verglichen wurden.

Algorithmenleistung: Der vorgeschlagene HGRL-Algorithmus zeigte eine überlegene Leistung im Vergleich zu den Baselines (Standard-A2C, homogener GRL und Zufallskonfiguration). Obwohl HGRL aufgrund seiner komplexen hierarchischen Argumentation eine etwas langsamere Konvergenz aufwies, erreichte es die höchste Endbelohnung und Stabilität, was die Wirksamkeit der heterogenen relationalen Modellierung validiert.
Vergleich der Bereitstellung: Die 3D-Bereitstellung übertraf die 1D- und 2D-Gegenstücke konsistent in Bezug auf die Summenkommunikationsrate.
- Unter hoher Leistung ($0,1$ W) erreichte die 3D-Bereitstellung eine durchschnittliche Rate von 7,13 bps/Hz, verglichen mit 6,37 bps/Hz (2D) und 6,21 bps/Hz (1D).
- Unter strengen Leistungsbeschränkungen ($0,02$ W) wurde der Vorteil der 3D-Bereitstellung noch deutlicher. Das 3D-Schema erreichte 4,70 bps/Hz, während 1D und 2D jeweils 3,80 und 4,50 bps/Hz erreichten.
Ressourceneffizienz: Die Ergebnisse zeigen, dass die 3D-Bereitstellung es dem System ermöglicht, näher am Schwellenwert der Sensorik-SNR-Beschränkung zu arbeiten (z. B. 5,41 dB gegenüber den erforderlichen 5 dB), wodurch unnötigen Energieverbrauch für die Sensorik reduziert und mehr Leistung für die Kommunikation umverteilt werden kann. Im Gegensatz dazu führten 1D- und 2D-Bereitstellungen zu signifikant höheren Sensorik-SNRs, was auf eine ineffiziente Leistungsnutzung hindeutet, die den Kommunikationsdurchsatz einschränkte.

Bedeutung
Das Paper behauptet, dass die vorgeschlagene 3D-Pinching-Antennenkonfiguration, optimiert durch HGRL, ein überlegenes Gleichgewicht zwischen Sensorik- und Kommunikationsleistung bietet, insbesondere in leistungsgelimiterten Szenarien. Durch die Nutzung der räumlichen Diversität triaxialer Wellenleiter erreicht das System eine flexible Strahlsteuerung und eine effiziente Strahlseparation. Die Studie kommt zu dem Schluss, dass die 3D-Struktur die Kommunikationsraten maximiert, während die Sensorikfähigkeit nahe am erforderlichen Schwellenwert gehalten wird, was ihr Potenzial für die nächste Generation ressourcenbeschränkter ISAC-Anwendungen hervorhebt.