Energy Efficient RSMA-Based LEO Satellite Communications Assisted by UAV-Mounted BD-Active RIS: A DRL Approach
作者: Rahman Saadat Yeganeh, Hamid Behroozi
分类: eess.SP, eess.SY
发布日期: 2025-05-07
💡 一句话要点
提出基于无人机载BD-ARIS辅助的RSMA LEO卫星通信，采用DRL优化能量效率。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: LEO卫星通信 无人机辅助 BD-ARIS RSMA 深度强化学习 能量效率优化 非地面网络
📋 核心要点
- 现有RIS辅助的非地面通信在能量效率和用户接入方面存在挑战，尤其是在复杂信道环境下。
- 利用无人机搭载BD-ARIS，结合RSMA技术，通过联合优化波束成形、无人机位置、功率分配等参数提升能量效率。
- 实验结果表明，TRPO算法在能量效率和总速率方面表现最佳，尤其在高功率和复杂场景下，优于传统RIS方案。
📝 摘要（中文）
本文提出了一种先进的非地面通信架构，该架构集成了速率分割多址接入（RSMA）和安装在无人机上的超对角有源可重构智能表面（BD-ARIS），该无人机位于低地球轨道（LEO）卫星的覆盖范围内。BD-ARIS采用组连接结构，以增强信号放大和适应性，而RSMA通过将消息分成公共和私有分量来实现高效的多用户接入。该系统联合优化卫星波束成形、无人机定位、功率分配和速率分割比，以最大化整体能量效率（EE）。为了解决由此产生的非凸和高维问题，我们采用了三种最先进的深度强化学习（DRL）算法：信赖域策略优化（TRPO）、双延迟深度确定性策略梯度（TD3）和异步优势演员-评论家（A3C）。此外，还考虑了无人机和BD-ARIS的实际功耗模型。仿真结果表明，TRPO在能量效率和总速率方面始终表现出最佳性能，尤其是在高发射功率和具有挑战性的部署场景下。TD3收敛速度更快，在中等设置下表现出竞争优势，而A3C由于其高方差而存在不稳定性。此外，还评估了每种算法在信道状态信息（CSI）不确定性下的鲁棒性，证实了TRPO对不完善观测的弹性。总的来说，所提出的RSMA-BD-ARIS框架明显优于传统的RIS辅助设计，并为非地面网络中的6G和大规模物联网应用提供了一种可扩展的、节能的解决方案。
🔬 方法详解
问题定义：论文旨在解决LEO卫星通信中，如何提高能量效率和支持大规模用户接入的问题。传统RIS辅助方案在复杂信道环境下性能受限，且难以适应动态变化的网络拓扑。
核心思路：论文的核心思路是将RSMA与无人机搭载的BD-ARIS相结合。RSMA通过分割消息实现多用户高效接入，BD-ARIS增强信号覆盖和放大能力，无人机提供灵活的部署位置。通过联合优化这些资源，最大化系统能量效率。
技术框架：整体框架包括LEO卫星、无人机搭载的BD-ARIS以及地面用户。卫星负责信号传输，无人机作为中继增强信号，BD-ARIS进一步优化信号质量。系统通过DRL算法联合优化以下参数：卫星波束成形、无人机位置、功率分配和速率分割比。
关键创新：主要创新在于BD-ARIS的引入和RSMA的结合。BD-ARIS采用组连接结构，增强了信号放大和适应性。RSMA通过分割消息，实现了更灵活的资源分配和干扰管理，提升了多用户接入效率。此外，使用DRL算法进行联合优化，能够自适应地调整系统参数，应对复杂的信道环境。
关键设计：论文采用了三种DRL算法：TRPO、TD3和A3C。针对无人机和BD-ARIS的功耗建立了实际模型。状态空间包括信道状态信息、用户位置等，动作空间包括波束成形向量、无人机位置、功率分配等。奖励函数设计为系统能量效率，目标是最大化该奖励函数。针对CSI不确定性，评估了各算法的鲁棒性。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，TRPO算法在能量效率和总速率方面表现最佳，尤其在高发射功率和复杂部署场景下。相比传统RIS辅助设计，所提出的RSMA-BD-ARIS框架显著提升了系统性能。在CSI不确定性下，TRPO算法表现出较强的鲁棒性。TD3算法收敛速度更快，在中等设置下性能具有竞争力，而A3C算法由于高方差而表现不稳定。
🎯 应用场景
该研究成果可应用于未来的6G非地面网络，为大规模物联网设备提供高效、节能的通信服务。尤其适用于偏远地区、灾害救援等场景，能够快速部署和提供可靠的通信保障。此外，该方案也可扩展到其他无线通信系统，例如车载通信、智能家居等。
📄 摘要（原文）
This paper proposes an advanced non-terrestrial communication architecture that integrates Rate-Splitting Multiple Access (RSMA) with a Beyond-Diagonal Active Reconfigurable Intelligent Surface (BD-ARIS) mounted on a UAV under the coverage of a Low Earth Orbit (LEO) satellite. The BD-ARIS adopts a group-connected structure to enhance signal amplification and adaptability, while RSMA enables efficient multi-user access by dividing messages into common and private components. The system jointly optimizes satellite beamforming, UAV positioning, power allocation, and rate-splitting ratios to maximize the overall energy efficiency (EE). To solve the resulting non-convex and high-dimensional problem, we employ three state-of-the-art deep reinforcement learning (DRL) algorithms: Trust Region Policy Optimization (TRPO), Twin Delayed Deep Deterministic Policy Gradient (TD3), and Asynchronous Advantage Actor-Critic (A3C). Moreover, realistic models for the power consumption of both the UAV and the BD-ARIS are considered. Simulation results reveal that TRPO consistently achieves the best performance in terms of EE and sum rate, especially under high transmit powers and challenging deployment scenarios. TD3 converges faster and performs competitively in moderate settings, while A3C suffers from instability due to its high variance. Additionally, the robustness of each algorithm under channel state information (CSI) uncertainty is evaluated, confirming TRPO resilience to imperfect observations. Overall, the proposed RSMA-BD-ARIS framework significantly outperforms conventional RIS-assisted designs and provides a scalable, energy-efficient solution for 6G and massive IoT applications in non-terrestrial networks.