Адаптация скорости в XP-HARQ с поддержкой NOMA: децентрализованный взгляд через многоагентный глубокий РЛ

Почему важны более быстрые и надежные беспроводные каналы

По мере того как повседневные устройства — от заводских роботов до домашних датчиков — подключаются к сети, наши беспроводные сети должны передавать небольшие сообщения очень быстро и с минимальным числом ошибок. В этой статье исследуется новый подход, позволяющий проталкивать больше данных через загруженный радиоспектр при сохранении жестких требований к надежности и задержке — задача, лежащая в основе будущих 6G и продвинутых систем Интернета вещей (IoT).

Передача множества голосов по одному и тому же каналу

Традиционные беспроводные системы стараются избегать помех, выделяя каждому устройству собственный временной или частотный интервал, как звонящим, которые говорят по очереди на общей линии. Более новая идея — неортогональный множественный доступ — позволяет многим устройствам передавать одновременно на одних и тех же ресурсах, а базовая станция разъединяет их наложенные сигналы. Это увеличивает пропускную способность, но делает особенно важным аккуратное управление скоростью передачи и мощностью, особенно когда устройства должны соответствовать требованиям ультра-надежной связи с низкой задержкой, таким как задержки в один миллисекунд и чрезвычайно низкие уровни ошибок.

Делать повторы умнее, а не просто дольше

Чтобы сообщения дошли корректно, современные сети часто используют автоматические повторные запросы: если пакет искажен, его отправляют снова. Хотя это повышает надежность, простые повторы тратят драгоценный радиоресурс и могут вызывать очереди, когда активно много устройств. Более эффективный подход, называемый кросс-пакетным гибридным автоматическим повторным запросом (XP-HARQ), хитро комбинирует новую информацию со старой при каждой повторной передаче. Вместо того чтобы посылать те же биты, каждая ретрансляция несет смесь дополнительных деталей для неудавшихся данных и свежего контента — так в каждую попытку вкладывается больше полезной информации.

Дать устройствам возможность самостоятельно выучить хорошее поведение

Сочетание доступа по общему каналу и интеллектуальных ретрансляций создает мощную, но очень сложную систему. Базовая станция видит сигналы, зависящие от многих факторов: изменяющихся условий канала, наложения пользователей и многораундового смешивания пакетов. Классическая математическая оптимизация испытывает трудности в такой среде, особенно когда у устройств есть лишь устаревшая информация о качестве канала. Авторы вместо этого рассматривают каждое IoT-устройство как обучающегося агента, который со временем корректирует собственную скорость передачи. Используя направление искусственного интеллекта — многоагентное глубокое обучение с подкреплением, эти агенты исследуют различные варианты скорости, наблюдают, прошел ли их пакет, и постепенно обнаруживают стратегии, которые сохраняют сеть быстрой и надежной.

Конкурентное против кооперативного обучения

Исследование сравнивает два стиля обучения. В кооперативном стиле все устройства имеют общую цель: максимизировать суммарную полезную пропускную способность всей сети. В конкурентном стиле каждое устройство сосредоточено в первую очередь на собственной долгосрочной скорости передачи, при этом соблюдая правила надежности. Оба подхода используют продвинутый метод обучения, который работает с непрерывным выбором скоростей и предотвращает чрезмерный оптимизм оценок стоимости. Моделирование показывает, что в небольших сетях централизованное обучение — где единый контроллер решает за всех — может работать, но оно быстро становится нестабильным и неэффективным по мере роста числа устройств. Децентрализованный многоагентный подход масштабируется лучше, а конкурентная версия обеспечивает наиболее стабильную и высокую пропускную способность в широком диапазоне условий сигнала.

Что это значит для будущих подключенных устройств

Для широкого читателя ключевое сообщение таково: будущие сети IoT возможно будут управляться не фиксированными формулами, а роями небольших обучающихся агентов внутри самих устройств. Сочетая доступ по общему каналу, более умные ретрансляции и децентрализованное обучение, предложенная система передает больше данных с меньшими задержками, сохраняя при этом крайне низкую вероятность отказа. На практике это означает, что заводы, транспортные средства и медицинские датчики смогут полагаться на беспроводные соединения, которые реагируют на меняющиеся условия в реальном времени, оставаясь быстрыми и надежными без постоянной ручной настройки.

Цитирование: Wang, J., He, F., Shi, Z. et al. Rate adaption of XP-HARQ assisted NOMA: a decentralized multi-agent DRL perspective. npj Wirel. Technol. 2, 18 (2026). https://doi.org/10.1038/s44459-025-00024-9

Ключевые слова: ультра-надежная связь с низкой задержкой, Интернет вещей, неортогональный множественный доступ, гибридный автоматический повторный запрос, многоагентное обучение с подкреплением