🔢 mathematics

Resource Allocation for STAR-RIS-enhanced Metaverse Systems with Augmented Reality

本文提出了一种面向增强现实元宇宙的 STAR-RIS 辅助资源管理框架，通过联合优化基站计算资源、STAR-RIS 系数矩阵、用户 CPU 频率及发射功率，有效解决了网络资源受限和无线信道不可预测带来的瓶颈，显著降低了系统服务时延。

原作者： Sun Mao, Lei Liu, Kun Yang, F. Richard Yu, Duist Niyato, Chau Yuen

发布于 2026-02-20

📖 1 分钟阅读🧠 深度阅读

原作者： Sun Mao, Lei Liu, Kun Yang, F. Richard Yu, Duist Niyato, Chau Yuen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**“元宇宙（Metaverse）”、“增强现实（AR）”和“智能交通”的聪明解决方案。为了让你更容易理解，我们可以把整个系统想象成一个繁忙的“虚拟交通指挥中心”**。

1. 故事背景：为什么我们需要这个系统？

想象一下，你开着一辆自动驾驶汽车，或者戴着 AR 眼镜在街上走。你的设备（AR 用户）需要实时识别路上的行人、红绿灯和车辆（这叫“物体检测”）。

痛点： 你的设备（比如手机或车载电脑）算力不够强，算不过来这么复杂的任务。如果全靠本地算，反应太慢，可能会导致车祸或者让你感到晕眩（就像坐过山车一样难受）。
传统方案： 把数据发给远处的“超级大脑”（基站/服务器）去算，算完再发回来。
新问题： 但是，无线信号就像天气一样 unpredictable（不可预测）。有时候有高楼挡住，有时候信号不好，导致数据传得慢，或者根本传不过去。这就好比你在打电话，信号不好，对方听不清，你只能重复说，浪费时间。

2. 核心黑科技：STAR-RIS（全能的“智能镜子”）

为了解决信号问题，论文提出了一种叫 STAR-RIS 的东西。

普通 RIS（反射智能表面）： 就像一面普通的镜子。它只能把信号“反射”到它面对的那一侧。如果用户站在镜子的背面，它就帮不上忙了（只能覆盖 180 度）。
STAR-RIS（同时透射和反射智能表面）： 这是一面神奇的“魔法玻璃”。
- 它不仅能像镜子一样反射信号给背面的用户。
- 还能像透明玻璃一样透射信号给正面的用户。
- 比喻： 想象你在一个房间里，这面墙既能把声音反射给左边的人，也能让声音穿透过去传给右边的人。无论用户站在哪一边，它都能把信号“变魔术”一样引导到基站，确保信号畅通无阻。

3. 我们要解决什么问题？（资源分配）

在这个系统中，有三个主要角色在合作：

AR 用户（你）： 负责拍照、初步处理，然后发数据。
STAR-RIS（魔法玻璃）： 负责调整信号的方向和强度。
基站服务器（超级大脑）： 负责接收数据，进行复杂的物体检测，然后把结果发回给你。

目标： 让整个过程（从拍照到看到结果）的时间（延迟）最短。

挑战： 这是一个极其复杂的“平衡木”游戏。

如果你的设备太用力（发射功率大），电耗得快。
如果基站算得太快，可能占用了太多资源，别人就没得用了。
如果“魔法玻璃”的角度没调好，信号就浪费了。
大家还要争抢带宽（就像高速公路的车道）。

论文就是要找到最优的“舞蹈编排”：谁该用多少电？谁该用多少算力？“魔法玻璃”的角度该怎么调？才能让最慢的那个人也能尽快完成任务（因为只要有一个慢，整个体验就差了）。

4. 作者是怎么解决的？（聪明的算法）

这个问题太难了，就像要在一个迷宫里同时控制几百个变量，直接算算不出来。作者想出了一个**“分步走”**的策略（交替优化）：

先定功率： 假设其他都不变，先算出大家该用多大的力气发信号。
再调镜子： 假设功率不变，调整“魔法玻璃”的角度，让信号传得最顺。
再调算力： 假设前两步好了，调整大家本地处理的速度和基站分配的计算资源。
循环往复： 像磨刀一样，一遍一遍地微调，直到找到那个“完美平衡点”。

作者还发明了一种**“惩罚函数”**的方法，专门用来解决“魔法玻璃”角度调整中那些数学上很难处理的“死胡同”问题，确保算法能顺利收敛（找到答案）。

5. 结果怎么样？（模拟实验）

作者做了很多模拟实验，结果非常棒：

对比普通镜子： 使用 STAR-RIS（魔法玻璃）比只用普通反射镜（只能照一面）或者随机乱调角度的镜子，延迟大大降低。
人多时更有效： 当用户很多、网络很拥挤的时候，这个方案的优势特别明显。它就像在拥堵的早高峰，通过智能调度让所有车都能顺畅通行，而不是让某几辆车堵死。
两种模式：
- SDMA（大家挤在一起说话）： 适合大家电量不足或者带宽很宽的时候。
- FDMA（大家分车道说话）： 适合大家电量很足，或者网络特别拥挤的时候，能避免互相干扰。

总结

这篇论文的核心思想就是：
在元宇宙和自动驾驶这种对速度要求极高的场景下，我们不能只靠蛮力（增加发射功率），也不能只靠单一手段（普通反射镜）。我们需要一个全能的“信号指挥官”（STAR-RIS），配合聪明的资源调度算法，让信号像水流一样，无论用户在哪，都能最快地流到“超级大脑”那里，再最快流回来。

一句话概括： 这是一套让 AR 眼镜和自动驾驶汽车在信号不好的环境下，也能像在家里一样秒回的“智能交通指挥系统”。

这是一份关于论文《Resource Allocation for STAR-RIS-enhanced Metaverse Systems with Augmented Reality》（面向增强现实元宇宙系统的 STAR-RIS 增强资源分配）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
增强现实（AR）赋能的元宇宙（Metaverse）旨在为用户提供沉浸式体验，其中实时物体检测是关键功能，用于提升用户体验（如自动驾驶中的路况感知）。由于移动设备计算能力有限，通常采用移动边缘计算（MEC）架构，将图像/视频上传至基站（BS）集成的边缘服务器进行处理。然而，无线信道的随机性和用户移动性导致通信效率不稳定，难以满足低时延要求。

核心问题：
现有的可重构智能表面（RIS）仅能反射信号，覆盖范围受限（180 度）。**同时反射和透射 RIS（STAR-RIS）**虽然能实现 360 度覆盖，但在 AR 元宇宙系统中，如何联合优化多维资源以降低服务时延仍面临挑战：

耦合性强： 通信资源（功率、波束成形）与计算资源（CPU 频率、边缘算力）高度耦合。
非凸性： 优化目标（最小化最大服务时延）受限于复杂的信道模型、干扰项及 STAR-RIS 的幅度/相位约束，导致问题是非凸的。
公平性需求： 需要确保所有 AR 用户（无论位于反射区还是透射区）的服务时延尽可能均衡，避免个别用户时延过高导致体验下降（如晕动症）或安全事故。

优化目标：
在满足用户能量约束、基站计算能力约束及 STAR-RIS 物理约束的前提下，最小化所有 AR 用户中的最大服务时延（Min-Max Service Latency）。

2. 系统模型与方法论 (Methodology)

系统模型：

架构： 包含一个集成边缘元宇宙服务器的基站（BS）、一个配备 $N$ 个元素的 STAR-RIS，以及 $K$ 个 AR 用户。
用户分类： 根据位置分为反射区用户（Reflection Users）和透射区用户（Transmission Users）。
工作流程：
1. 本地处理： AR 用户将采集的图像进行格式转换（YUV 转 RGB），消耗本地 CPU 能量。
2. 数据传输： 利用 STAR-RIS 辅助，通过 SDMA（空分多址）或 FDMA（频分多址）将数据上传至 BS。
3. 边缘计算： BS 进行物体检测，并将结果返回（假设返回时延可忽略）。
时延构成： 总时延 = 本地处理时延 + 传输时延 + 边缘处理时延。

求解方法：
由于原问题是非凸且变量高度耦合的，作者提出了一种交替优化（Alternating Optimization, AO）算法，将问题分解为四个子问题循环求解：

传输功率控制 (Transmit Power Control)：
- 利用 Fenchel 共轭（Fenchel conjugate）将非凸的速率表达式转化为凹函数形式。
- 在固定其他变量下，将问题转化为凸优化问题，使用 CVX 工具箱求解。
STAR-RIS 系数矩阵优化 (Coefficient Matrix Optimization)：
- 针对 STAR-RIS 的反射/透射系数矩阵（包含幅度 $\gamma$ 和相位 $\theta$ ）及秩一约束（Rank-one constraint）。
- 提出了一种基于惩罚函数的方法（Penalty Function-based Method）。通过引入惩罚项将秩一约束松弛，并利用逐次凸近似（SCA）处理非凸的最大特征值项，迭代求解直至满足秩一条件。
AR 用户 CPU 频率优化 (CPU-cycle Frequency Optimization)：
- 推导出了闭式解（Closed-form solution）。
- 结论表明：在能量约束下，为了最小化时延，应尽可能提高本地 CPU 频率，直到达到能量上限或硬件上限。
基站计算资源分配 (Computation Resource Allocation)：
- 利用拉格朗日对偶法（Lagrange Duality）和 KKT 条件求解。
- 理论发现： 最优策略下，所有 AR 用户的服务时延将相等（即实现时延公平），且基站会向计算需求大或传输/本地处理时延长的用户分配更多算力。

扩展：
论文还讨论了基于 FDMA 的系统，通过引入带宽分配变量 $b_k$ ，同样采用交替优化框架求解，证明了其凸性。

3. 主要贡献 (Key Contributions)

首创框架： 首次提出了 STAR-RIS 辅助的 AR 赋能元宇宙系统资源管理框架，填补了该领域在联合通信与计算优化方面的空白。
联合优化模型： 建立了包含本地计算、无线传输、边缘计算及 STAR-RIS 波束成形的联合优化模型，以最小化最大服务时延为目标。
高效算法设计：
- 设计了交替优化算法，将复杂的非凸问题分解为可处理的子问题。
- 创新性地提出了基于惩罚函数的方法解决 STAR-RIS 系数矩阵的秩一约束问题，并证明了收敛性。
- 推导了 CPU 频率的闭式解和基站资源分配的均衡特性，降低了计算复杂度。
理论洞察： 证明了在最优资源分配下，所有用户的服务时延趋于一致，且 STAR-RIS 的部署能显著改善受限资源场景下的系统性能。

4. 仿真结果 (Results)

通过大量数值模拟，将提出的方法与以下基准方案对比：

仅反射 RIS (Reflecting RIS)
仅透射 RIS (Transmitting RIS)
随机相位的 STAR-RIS (STAR-RIS with random phase)

关键发现：

时延降低显著： 提出的方法在所有场景下均显著降低了最大服务时延。特别是在带宽受限或传输需求大时，性能提升尤为明显（相比基准方案降低 18%-17% 以上）。
STAR-RIS 优势： 相比仅反射或仅透射 RIS，STAR-RIS 能同时服务两侧用户，有效消除了覆盖盲区，显著降低了最坏情况下的时延。
SDMA vs. FDMA：
- 在功率受限或带宽充足场景下，SDMA 表现较好。
- 在带宽受限或用户发射功率较高场景下，FDMA 因消除了同频干扰，表现优于 SDMA。
元素数量影响： 随着 STAR-RIS 元素数量 $N$ 的增加，系统时延显著下降，且 FDMA 方案的性能优势随 $N$ 增加而扩大。
用户数量影响： 随着用户数量增加，提出的方法相比基准方案的时延优势更加明显，证明了其在高负载下的鲁棒性。
收敛性： 算法在少数几次迭代内即可收敛到稳定点。

5. 意义与价值 (Significance)

技术突破： 解决了 STAR-RIS 在复杂元宇宙场景下的资源分配难题，证明了其在解决无线覆盖盲区和提升通信效率方面的巨大潜力。
用户体验保障： 通过最小化最大时延（Min-Max）策略，确保了所有用户（包括边缘用户）都能获得公平且低时延的服务，对于防止 AR 应用中的晕动症和保障自动驾驶安全至关重要。
指导实践： 为未来 6G 网络中元宇宙、物联网（IoV）等低时延高可靠（URLLC）场景的部署提供了理论依据和算法参考，特别是在如何配置 STAR-RIS 以平衡通信与计算资源方面。
未来方向： 论文指出了未来可研究多基站/多 STAR-RIS 协作、非完美信道状态信息（CSI）下的鲁棒优化以及用户移动性管理等方向。

总结：
该论文提出了一种创新的资源管理框架，通过联合优化 STAR-RIS 配置与多维网络资源，有效解决了 AR 元宇宙系统中因无线环境不确定性和计算资源受限导致的时延瓶颈问题。其提出的算法不仅具有理论上的严谨性（收敛性证明、闭式解），在实际仿真中也展现了优于现有技术的性能，为下一代沉浸式网络的设计提供了重要参考。