Enhancing Battlefield Awareness: An Aerial RIS-assisted ISAC System with Deep Reinforcement Learning

📄 arXiv: 2405.20168v1 📥 PDF

作者: Hyunsang Cho, Seonghoon Yoo, Bang Chul Jung, Joonhyuk Kang

分类: eess.SY

发布日期: 2024-05-30

DOI: 10.1109/MILCOM61039.2024.10774028

💡 一句话要点

提出基于空中RIS辅助的ISAC系统，利用深度强化学习增强战场感知能力

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 空中RIS 集成感知与通信 深度强化学习 波束成形优化 战场态势感知

📋 核心要点

  1. 现有战场态势感知系统在复杂环境下存在通信质量差、感知精度低等问题，难以满足实际需求。
  2. 论文提出利用空中RIS辅助ISAC系统，通过联合优化通信和感知资源，提升战场环境下的态势感知能力。
  3. 实验结果表明，该方法能够有效抑制干扰，优化信号传输，显著提升系统性能，优于传统方案。

📝 摘要（中文）

本文提出了一种联合通信与感知技术，旨在增强实际战场场景中的态势感知能力。具体而言，我们设计了一个基于空中可重构智能表面（ARIS）辅助的集成感知与通信（ISAC）系统，该系统由单个接入点（AP）、一个ARIS、多个用户和一个感知目标组成。借助深度强化学习（DRL），我们联合优化AP的发射波束成形、RIS的相移以及ARIS的轨迹，同时满足信号干扰噪声比（SINR）约束。数值结果表明，所提出的技术通过抑制自干扰和杂波回波信号或优化RIS相移，优于传统的基准方案。

🔬 方法详解

问题定义：论文旨在解决战场环境下态势感知能力不足的问题。传统的战场感知系统在复杂环境中面临诸多挑战，例如多径衰落、干扰以及遮蔽效应等，导致通信质量下降和感知精度降低。现有的解决方案通常侧重于通信或感知的独立优化，忽略了两者之间的潜在协同增益。

核心思路：论文的核心思路是利用空中可重构智能表面（ARIS）辅助集成感知与通信（ISAC）系统，通过联合优化通信和感知资源，提升战场环境下的态势感知能力。ARIS能够灵活地调整无线信号的传播路径，增强信号强度，抑制干扰，从而改善通信质量和感知性能。

技术框架：该系统由一个接入点（AP）、一个ARIS、多个用户和一个感知目标组成。AP负责向用户传输数据，并向感知目标发射探测信号。ARIS通过调整其表面的反射系数，改变无线信号的传播方向和幅度，从而优化通信和感知性能。整体流程包括：1) AP发射信号；2) ARIS反射信号；3) 用户接收信号，AP接收感知目标反射的信号；4) 基于接收信号，利用深度强化学习算法联合优化AP的发射波束成形、RIS的相移以及ARIS的轨迹。

关键创新：论文的关键创新在于将ARIS引入ISAC系统，并利用深度强化学习算法实现通信和感知资源的联合优化。与传统的独立优化方法相比，该方法能够充分利用通信和感知之间的协同增益，提升系统整体性能。此外，通过优化ARIS的轨迹，可以进一步提高系统的灵活性和适应性。

关键设计：论文采用深度强化学习算法来优化AP的发射波束成形、RIS的相移以及ARIS的轨迹。具体而言，使用深度Q网络（DQN）作为强化学习算法，状态空间包括用户和感知目标的信道状态信息，动作空间包括AP的发射波束成形向量、RIS的相移矩阵以及ARIS的移动方向和速度。奖励函数的设计目标是最大化用户的SINR和感知目标的检测概率，同时满足功率约束和SINR约束。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

数值结果表明，所提出的ARIS辅助ISAC系统在战场环境下能够有效提升通信和感知性能。与传统的基准方案相比，该方法能够显著抑制自干扰和杂波回波信号，优化信号传输路径，从而提高用户的SINR和感知目标的检测概率。具体性能提升幅度未知，原文未给出具体数值。

🎯 应用场景

该研究成果可应用于军事通信、战场侦察、目标跟踪等领域，为提高战场态势感知能力提供了一种新的解决方案。此外，该技术也可推广到其他无线通信和感知场景，例如智能交通、智慧城市等，具有广阔的应用前景和实际价值。

📄 摘要（原文）

This paper considers a joint communication and sensing technique for enhancing situational awareness in practical battlefield scenarios. In particular, we propose an aerial reconfigurable intelligent surface (ARIS)-assisted integrated sensing and communication (ISAC) system consisting of a single access point (AP), an ARIS, multiple users, and a sensing target. With deep reinforcement learning (DRL), we jointly optimize the transmit beamforming of the AP, the RIS phase shifts, and the trajectory of the ARIS under signal-to-interference-noise ratio (SINR) constraints. Numerical results demonstrate that the proposed technique outperforms the conventional benchmark schemes by suppressing the self-interference and clutter echo signals or optimizing the RIS phase shifts.