A Hybrid Wired/Wireless Deterministic Network for Smart Grid
随着智能电网、机器人、自动驾驶汽车和工业自动化等时间关键型应用的快速增长，对高可靠性、低延迟和严格限制抖动的需求急剧增加。高精度的时间同步通信，如时间触发以太网（TTE），已经成功地开发了有线网络。然而，部署额外设备和额外布线的高成本限制了这些网络的可扩展性。因此，本文提出了一种基于高速TTE和5G超可靠低延迟通信（URLLC）相结合的混合有线/无线高精度时间同步网络。其主要动机是满足时间关键型应用（如智能电网同步相量通信）的低延迟、低抖动和高可靠性要求。因此，在所提出的混合网络架构中，高速TTE被认为是主总线（即，骨干网），而精确时间协议（PTP）辅助的基于5G-URLLC的无线接入被用作子网络。主要的挑战是实现PTP辅助URLLC和TTE之间的互操作性，同时确保高精度的定时和同步。仿真结果表明，PTP辅助URLLC的影响，在保持网络的可靠性，延迟和抖动与TTE网络完全协调。
2021-05-13 cs.NI eess.SP
Towards Enabling Critical mMTC: A Review of URLLC within mMTC
大规模机器类型通信（mMTC）和超可靠低延迟通信（URLLC）是第五代（5G）通信系统中的两种关键服务类型，分别追求可扩展性和低延迟的可靠性。这两个极端服务被设想为在出现用例的情况下很快聚集在一起成为\emph{critical mMTC}（例如，广域灾难监控、无线工厂自动化），为设计5G以上的无线系统带来了新的挑战。虽然传统的网络切片在支持mMTC和URLLC的简单混合方面是有效的，但是难以同时保证关键mMTC（例如，<4 ms延迟，$10^6$设备/km $^2$用于工厂自动化），无线电资源有限。此外，最近提出的可扩展URLLC的解决方案（例如，用于无人驾驶车辆的机器学习辅助URLLC）不适合关键的mMTC，其机器类型用户具有最小的能量预算和计算能力，这些能量预算和计算能力应该针对给定任务（紧密）优化。为此，我们的论文旨在描述关键mMTC的有前途的用例，并寻找其可能的解决方案。为此，我们首先审查了国家的最先进的（SOTA）技术，单独的mMTC和URLLC服务，然后确定关键的挑战，从冲突的SOTA要求，其次是潜在的方法，在不同的层，以前瞻性的关键mMTC解决方案。
2020-07-17 cs.NI eess.SP
Integrated Millimeter Wave and Sub-6 GHz Wireless Networks: A Roadmap for Joint Mobile Broadband and Ultra-Reliable Low-Latency Communications
下一代无线网络必须通过跨越增强型移动宽带（eMBB）的广泛无线服务以及超可靠低延迟通信（URLLC）来实现增强现实和联网自动驾驶汽车等新兴技术。由于频谱稀缺，仅依赖于稀缺的低于6 GHz的微波（$μ$ W）频段的现有无线系统将不能满足未来无线服务的这种严格和混合的服务要求。同时，在高频毫米波（mmWave）频带下操作被视为有吸引力的解决方案，这主要是由于大规模多天线通信的带宽可用性和可能性。然而，毫米波通信由于其对阻塞、高路径损耗和信道不确定性的敏感性而固有地不可靠。因此，为了提供URLLC和高速无线接入，期望将$μ$ W网络的可靠性与毫米波网络的高容量无缝集成。为此，本文介绍了\emph{integrated mmWave-$μ$W}通信的第一个综合教程。这种设想的集成设计将使无线网络能够实现URLLC以及eMBB，这是通过利用两个世界中的最佳世界来实现的：$μ$ W波段的可靠远程通信和毫米波频率的定向高速通信。为了实现这一目标，讨论了关键的解决方案概念，包括无线电接口的新架构、URLLC感知帧结构和资源分配方法以及移动性管理，以实现集成毫米波- $μ$ W通信的潜力。讨论了每种方案的机遇和挑战，并给出了关键结果，以显示所开发的集成毫米波- $μ$ W框架的优点。
2018-10-30 cs.IT cs.NI eess.SP
Ultra-Reliable and Low-Latency Wireless Communication: Tail, Risk and Scale
确保5G无线网络及以后的超可靠和低延迟通信（URLLC）具有重要意义，目前正受到学术界和工业界的极大关注。在其核心，URLLC要求偏离预期的基于公用事业的网络设计方法，其中依赖于平均数量（例如，平均吞吐量、平均延迟和平均响应时间）不再是一种选择，而是必需的。相反，严重缺乏一个考虑延迟，可靠性，数据包大小，网络架构和拓扑（跨接入，边缘和核心）以及不确定性下决策的原则性和可扩展的框架。本文的首要目标是填补这一空白的第一步。为了实现这一愿景，在提供延迟和可靠性的定义之后，我们仔细研究了URLLC的各种推动因素及其固有的权衡。随后，我们将重点关注与超可靠和低延迟通信要求相关的大量技术和方法，以及它们在选定用例中的应用。这些结果为低延迟和高可靠性无线网络的设计提供了清晰的见解。
2018-08-23 cs.IT eess.SP math.IT
A Nonlinear Autoregressive Neural Network for Interference Prediction and Resource Allocation in URLLC Scenarios
超可靠低延迟通信（URLLC）是5G中引入的新服务类别，其特征在于严格的可靠性$(1-10^{-5})$和低延迟要求（1 ms）。为了满足这些需求，已经开发了几种策略，如过度配置资源和信道预测算法。本文介绍了应用非线性自回归神经网络（NARNN）作为一种新的方法来预测在无线系统中的干扰水平，有效的资源分配的目的。准确的干扰预测还授予满足URLLC场景中特定中断概率要求的可能性。NARNN预测精度和系统资源利用率的基础上，该建议的性能进行评估。我们提出的方法实现了一个有前途的平均绝对百分比误差为7.8%的干扰预测，也减少了高达15%的资源使用时，最近提出的干扰预测算法相比。
2021-11-28 eess.SP
Harnessing DRL for URLLC in Open RAN: A Trade-off Exploration
本文全面分析了在Open RAN架构下利用深度强化学习优化无线资源管理以增强URLLC性能的权衡策略，通过仿真比较验证了不同DRL模型的有效性，为未来通信系统提供了研究路线图。
2025-01-27 eess.SP
Over-the-Air Time Synchronization for URLLC: Requirements, Challenges and Possible Enablers
超可靠和低延迟通信（URLLC）是5G及以上无线系统中的一项新兴功能，旨在支持关键任务工业应用的严格延迟和可靠性要求。在许多潜在的应用中，多个传感器/致动器协作并且需要具有严格和有界抖动的等幅操作，例如，\SI{1}{\micro\second}。为此，网络时间同步对于控制器和传感器/执行器之间的实时和等容通信变得至关重要。在本文中，我们着眼于工厂自动化和智能电网中的不同应用，以揭示设备级时间同步的要求以及将高粒度定时信息扩展到设备的挑战。此外，我们还确定了5G无线电接口中潜在的空中同步机制，并讨论了满足时间敏感URLLC应用的抖动约束所需的增强功能。
2018-06-29 cs.NI eess.SP
Ultrareliable and Low-Latency Communication Techniques for Tactile Internet Services
本文提出了新的超可靠和低延迟通信（URLLC）技术的URLLC服务，如触觉互联网服务。URLLC服务的典型使用情况是远程操作、沉浸式虚拟现实、协作自动驾驶等。在这样的URLLC服务中，除了传统多媒体服务中的高质量视频和音频业务之外，还需要递送诸如包括动觉信息和触觉信息的触觉信息之类的新类型的业务。此外，这样的各种业务在分组大小和数据率方面具有各种特性，具有各种延迟和可靠性要求。此外，一些业务可能以零星的方式发生，但是需要在低延迟内可靠地递送中等到大尺寸的分组，这是当前最先进的无线通信系统所不支持的，并且对于未来的无线通信系统来说是非常具有挑战性的。因此，为了满足无线通信系统中的这种各种紧密的业务需求，需要设计从物理层到网络层的新颖技术。本文介绍了一些新的物理层技术，如波形复用，多址接入方案，信道编码设计，同步和全双工传输的频谱效率URLLC。此外，一种新的性能评估方法，它结合了光线跟踪工具和系统级仿真，建议用于评估所提出的方案的性能。仿真结果表明，所提出的方案提供现实的URLLC服务在现实的地理环境中的可行性，这鼓励进一步努力，以充实所提出的工作。
2019-07-10 cs.IT eess.SP math.IT
Study on MCS Selection and Spectrum Allocation for URLLC Traffic under Delay and Reliability Constraint in 5G Network
支持超可靠和低延迟通信（URLLC）是第五代（5G）通信系统的基本特征。与5G中定义的其他两种用例（例如，增强型移动宽带（eMBB）和大规模机器类型通信（mMTC））不同，URLLC业务具有严格的延迟和可靠性要求。本文提出了一种从URLLC业务产生到其在无线信道上传输的URLLC业务分析模型，该模型综合考虑了信道质量、有限编码长度的编码方案、调制方案和分配的频谱资源。然后，网络演算分析，推导出的延迟保证周期URLLC业务。在时延分析的基础上，在一定的时延和可靠性要求下，得到了系统的接纳域，给出了系统所需频谱资源的下界。给出了5G新无线电系统场景下的理论结果，其中讨论了用于自适应调制和编码方案选择的SNR阈值、传输速率和延迟以及不同配置下的接纳区域。此外，仿真结果和理论结果进行了比较，这验证了在这项工作中推导出的接纳区域提供了一个较低的频谱分配边界。
2021-01-06 cs.SY eess.SP eess.SY
Interplay between Distributed AI Workflow and URLLC
分布式人工智能（AI）最近在各种通信服务中取得了巨大突破，从容错工厂自动化到智能城市。当分布式学习在一组无线连接的设备上运行时，随机信道波动以及在同一网络上同时运行的现任服务会影响分布式学习的性能。在本文中，我们研究了分布式AI工作流和在网络上并发运行的超可靠低延迟通信（URLLC）服务之间的相互作用。在工厂自动化用例中使用符合3GPP的模拟，我们展示了各种分布式AI设置的影响（例如，模型大小和参与设备的数量）对分布式AI的收敛时间和URLLC的应用层性能的影响。除非我们利用现有的5G-NR服务质量处理机制将流量从两种服务中分离出来，否则我们的模拟结果表明，分布式AI对URLLC设备的可用性的影响是显著的。此外，通过适当设置分布式AI（例如，正确的用户选择），我们可以大大降低网络资源利用率，从而降低分布式AI的延迟，提高URLLC用户的可用性。我们的研究结果为未来的6 G和AI标准化提供了重要见解。
2022-08-02 cs.NI eess.SP
How Should I Orchestrate Resources of My Slices for Bursty URLLC Service Provision?
未来的无线网络被认为可以通过利用网络切片技术来提供灵活且具有成本效益的服务。然而，由于其对低分组阻塞概率和低码字错误解码概率的严格要求，配置用于突发超可靠和低延迟通信（URLLC）服务提供的网络切片系统具有挑战性。在本文中，我们建议编排网络资源的网络切片系统，以保证更可靠的突发URLLC服务提供。我们重新切割物理资源块（PRB），并推导出URLLC传输的带宽的最小上限与低分组阻塞概率。我们相关的协调多点（CoMP）波束形成与信道使用，并推导出最小上限的信道使用URLLC传输具有低码字错误解码概率。考虑到将不同服务融合到共享基础设施上的协议，我们进一步研究了URLLC和增强型移动宽带（eMBB）服务复用的网络切片。特别是，我们制定的服务复用作为一个优化问题，以最大限度地提高长期的总切片效用。由于未来信道信息的要求和解决两个时标问题，该问题的缓解是具有挑战性的。为了应对这些挑战，我们开发了一种基于样本平均近似（SAA）技术和可证明性能保证的分布式优化方法的联合资源优化算法。
2020-11-07 cs.NI eess.SP
Energy-Efficient URLLC Service Provision via a Near-Space Information Network
本文研究了部署 RIS 集成的 NSIN 以提供节能 URLLC 服务的问题，提出了一种联合资源分配算法，通过基于消息传递的精确信道估计和 RIS 相移优化来最大化吞吐量并最小化功耗，仿真验证了其优于基准算法的能效与估计性能。
2024-02-14 cs.IT eess.SP math.IT
Non-orthogonal HARQ for URLLC Design and Analysis
第五代（5G）移动标准预计将为各种应用和服务提供超可靠性和低延迟通信（URLLC），例如在线游戏、无线工业控制、增强现实和自动驾驶汽车。满足URLLC的矛盾要求，即，超可靠性和低延迟被认为是非常具有挑战性的，特别是在带宽有限的情况下。大多数通信策略依赖于混合自动重传请求（HARQ）来提高可靠性，但代价是由于失败分组的重传而增加分组延迟。为了同时保证高可靠性和非常低的延迟，我们增强了HARQ重传机制，以实现可靠性，同时保证分组级延迟和及时交付。所提出的非正交HARQ（N-HARQ）利用时隙的非正交共享来进行重传。在有限块长度（FBL）制度的建议N-HARQ的可靠性和延迟分析显示非常高的性能增益，在传统的HARQ在加性高斯白噪声（AWGN）和瑞利衰落信道的数据包传输延迟。我们还提出了一个优化框架，以进一步提高单重传和多重传情况下的N-HARQ的性能。
2021-05-19 cs.NI eess.SP
A Novel Pulse Radar Framework for ISAC-FD-enabled URLLC Systems
TU Berlin（柏林工业大学）；Friedrich-Alexander-University Erlangen–Nurnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）
针对6G URLLC系统，提出一种集成感知与通信的脉冲雷达框架，通过联合优化感知脉宽、波束成形和调度，在考虑残余自干扰下降低能耗并提升可靠性。
2026-09-15 eess.SP
Towards Industry 5.0: Intelligent Reflecting Surface (IRS) in Smart Manufacturing
工业5.0设想人类和机器之间的密切合作，需要超可靠和低延迟通信（URLLC）。智能反射表面（IRS）有可能在实现工业5.0的无线URLLC方面发挥关键作用。IRS预计将成为6G无线通信网络的关键推动者，因为它可以通过创建可控的无线电环境来显着提高无线网络性能。在本文中，我们首先概述了IRS技术，然后概念化IRS在未来智能制造环境中的实施潜力，以支持工业5.0的出现和一系列应用。最后，为了促进这一领域的未来研究，我们讨论了IRS技术在现代智能制造中的优势、面临的挑战和机遇。
2022-06-23 cs.NI eess.SP
Rate Splitting Multiple Access for RIS-aided URLLC MIMO Broadcast Channels
本文针对RIS辅助的MIMO URLLC广播信道，提出基于有限块长编码的RSMA方案，证明RSMA与RIS可显著提升频谱效率和能量效率，并在高用户负载下表现出协同增益。
2025-07-17 eess.SP
Network-ELAA Beamforming and Coverage Analysis for eMBB/URLLC in Spatially Non-Stationary Rician Channels
在车辆到基础设施（V2 I）网络中，多天线接入点（AP）的集群可以协作地进行发射机波束成形以提供数据服务（例如，eMBB或URLLC）。AP之间的协作有效地形成了具有超大孔径的联网线性天线阵列（即，网络-ELAA），其中无线信道表现出空间非平稳性。本文的主要贡献在于分析了网络-ELAA非平稳Rician信道在AP分簇情况下的波束形成增益和无线覆盖。假设：1）总发射功率是固定的并且均匀地分布在AP上; 2）波束仅基于视线（LoS）路径形成，发现波束形成增益凹于簇大小。AP集群的最佳大小根据用户的位置、信道不确定性以及数据服务而变化。距离ELAA较远的用户需要较大的群集大小。与eMBB相比，URLLC对信道不确定性更敏感，因此需要更大的簇大小来减轻信道衰落效应并扩展覆盖范围。最后，它表明，网络ELAA可以提供显着的覆盖范围扩展（50%以上，在大多数情况下）相比，单AP的情况下。
2022-01-19 eess.SP
Performance Evaluation for the Co-existence of eMBB and URLLC Networks: Synchronized versus Unsynchronized TDD
为了确保当今工业应用所需的高度自动化，下一代无线网络必须能够实现动态过程的实时控制和自动化，同时满足极低延迟和超可靠通信的要求。在本文中，我们提供了一个宏（eMBB）和本地工厂（URLLC）网络的共存的性能评估和评估的网络条件下，工厂自动化应用程序的延迟和可靠性的要求得到满足。特别地，我们评估了eMBB和URLLC网络在两种情况下的共存：（i）同步TDD，其中两个网络遵循相同的TDD模式，以及（ii）非同步TDD，其中eMBB和URLLC网络遵循不同的TDD模式。仿真结果表明，从宏基站到工厂的高下行链路干扰导致在同步TDD的情况下下行链路URLLC容量和服务可用性的降低以及在非同步TDD的情况下上行链路URLLC容量和服务可用性的降低。最后，它表明，一个有前途的情况下共存是相邻信道分配，同步和非同步TDD部署。这里，在工厂位于宏站点旁边的最坏情况下保护URLLC网络所需的隔离可以通过工厂墙壁穿透损耗（例如，考虑到高混凝土或金属涂覆的建筑物墙壁）以及其它解决方案，例如滤波器、更大的分离距离和频带配对。
2019-06-01 cs.IT eess.SP math.IT
Maximizing the Set Cardinality of Users Scheduled for Ultra-dense uRLLC Networks
在第五代和第六代无线通信系统中，超可靠性和低延迟通信一直是重要但具有挑战性的任务。调度尽可能多的用户在有限的时频资源上服务是一个关键的课题，服从每个用户的最大允许发射功率和最小速率要求。我们提出了一个混合整数规划模型来解决这个问题，其目标是最大化用户的集合基数，而不是最大化系统和率或能源效率。数学变换和逐次凸逼近相结合，解决复杂的优化问题。数值结果表明，该方法与穷举搜索方法相比，具有相当好的性能，但具有较低的计算复杂性。
2021-09-09 cs.IT eess.SP math.IT
5G Control Channel Design for Ultra-Reliable Low-Latency Communications
第五代（5G）无线系统有望支持具有不同通信要求的广泛服务。超可靠低延迟通信（URLLC）是一种通用服务，可实现关键任务应用，如工业自动化、增强现实和车载通信。URLLC对传送数据和控制信息的可靠性和延迟有严格的要求。为了满足这些要求，第三代合作伙伴计划（3GPP）已经将新特征引入蜂窝系统标准的即将到来的版本，即版本15及以后。本文将回顾其中的一些功能，并介绍设计控制信道以有效支持URLLC的新增强功能。特别地，提出了灵活的时隙结构作为在早期阶段检测传送控制信息的失败的解决方案，从而允许控制信息的及时重传。最后，讨论了将5G新无线电（NR）塑造为支持不同服务的统一无线接入技术的一些剩余挑战和设想的研究方向。
2018-03-12 cs.NI eess.SP
Non-Orthogonal eMBB-URLLC Radio Access for Cloud Radio Access Networks with Analog Fronthauling
本文考虑了基于模拟前传链路上的无线电信号中继的云无线接入网（C-RAN）架构的上行链路中超可靠低延迟通信（URLLC）和增强型移动宽带（eMBB）服务的共存。虽然对无线电资源的正交多址接入（OMA）实现了不同5G服务的隔离和单独设计，但非正交多址接入（NOMA）可以通过共享无线和前传资源来增强系统性能。本文提供了一个信息理论的角度在OMA和NOMA下的URLLC和eMBB流量的性能。分析集中在具有加性高斯噪声链路和有限小区间干扰跨度的标准蜂窝模型上，并且它考虑了不同的解码策略，例如打孔、将干扰视为噪声（TIN）和连续干扰消除（SIC）。数值结果表明，对于所考虑的模拟前传C-RAN架构，NOMA相对于OMA实现了更高的eMBB速率，同时保证了具有最小接入延迟的可靠的低速率URLLC通信。此外，SIC下的NOMA被认为是实现最佳性能，而与数字容量受限的前传链路的情况不同，TIN总是优于打孔。
2019-12-22 cs.IT eess.SP math.IT
Joint Pilot and Payload Power Allocation for Massive-MIMO-enabled URLLC IIoT Networks
第四次工业革命（工业4.0）即将到来，这场革命将从根本上提升工厂生产产品的方式。无线通信网络以其低维护成本和高部署灵活性将取代传统的有线线路连接中央控制器和机器人或执行器。然而，一些关键的工业应用需要超高可靠性和低延迟通信（URLLC）。在本文中，我们提倡采用大规模的多输入多输出（MIMO），以支持工业应用的无线传输，因为它可以提供类似于有线线路的确定性通信由于其信道硬化效应。为了减少延迟，用于分组传输的信道块长度是有限的，并且遭受传输速率降级和解码错误概率。因此，假设无限信道块长度，基于香农容量的用于大规模多输入多输出传输的传统资源分配不再是最优的。首先推导了在信道状态信息（CSI）不完全的情况下，最大比合并（MRC）和迫零（ZF）接收机的大规模多输入多输出系统上行链路可达速率下限（LB）的封闭表达式。然后，我们提出了新的低复杂度的算法来解决可实现的数据速率最大化的问题，通过联合优化MRC和ZF的导频和有效载荷传输功率。仿真结果证实了快速收敛速度和性能优于现有的基准算法。
2019-12-28 cs.IT eess.SP math.IT
An overview of physical layer design for Ultra-Reliable Low-Latency Communications in 3GPP Release 15 and Release 16
对于第五代（5G）无线网络技术，最重要的设计目标是改进可靠性和延迟指标，以及网络弹性和灵活性，以便最好地适应新应用的网络操作，如增强虚拟现实，工业自动化和自动驾驶汽车。这导致了在超可靠低延迟通信（URLLC）主题下进行的设计工作。2017年12月完成的第三代合作伙伴计划（3GPP）第15版中集成的技术为URLLC的物理层设计提供了基础。诸如参数集、具有子时隙间隔的新传输方案、配置的授权资源等的新特征，标准化主要是为了改善延迟方面。Release 16中的5G演进，PHY版本于2019年12月完成，通过标准化许多新功能，可以实现延迟和可靠性的改进指标。本文详细概述了5G Release 15和Release 16的URLLC功能，描述了这些功能如何允许URLLC在5G网络中运行。
2020-02-10 eess.SP
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks
School of Electrical and Information Engineering, the University of Sydney（悉尼大学电气与信息工程学院）；School of Electronics and Information Engineering, Beihang University（北京航空航天大学电子信息工程学院）；School of Electrical Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院）
在未来的第六代网络中，超可靠和低延迟通信（URLLC）将为新兴的关键任务应用奠定基础，这些应用对端到端延迟和可靠性有严格的要求。现有的URLLC的工作主要是基于理论模型和假设。基于模型的解决方案提供了有用的见解，但不能直接在实践中实施。在本文中，我们首先总结了如何在URLLC中应用数据驱动的监督深度学习和深度强化学习，并讨论了这些方法的一些开放问题。为了解决这些问题，我们开发了一个多层次的架构，为URLLC提供设备智能，边缘智能和云智能。其基本思想是将理论模型和真实世界的数据融合在一起，分析延迟和可靠性，并训练深度神经网络（DNN）。该架构采用深度迁移学习来微调非平稳网络中预先训练的DNN。进一步考虑到每个用户和每个移动边缘计算服务器的计算能力有限，应用联邦学习来提高学习效率。最后，我们提供了一些实验和模拟结果，并讨论了一些未来的发展方向。
2020-02-22 cs.LG cs.NI eess.SP
Optimization of the Downlink Spectral- and Energy-Efficiency of RIS-aided Multi-user URLLC MIMO Systems
本文研究RIS辅助的多用户URLLC MIMO系统，提出优化有限块长度速率以提升频谱和能量效率，并证明RIS在短包和低误码率下增益更大。
2024-10-11 cs.IT eess.SP math.IT
Resource Allocation for Secure URLLC in Mission-Critical IoT Scenario
超可靠低延迟通信（URLLC）是第五代（5G）网络中的三个主要用例之一，由于其在极高可靠性和低延迟方面的严格和冲突的要求，其研究仍处于起步阶段。为了减少延迟，用于分组传输的信道块长度是有限的，这导致传输速率下降和更高的解码错误概率。在这种情况下，基于无限块长码实现的香农容量的传统资源分配并不是最佳的。安全性是关键任务物联网（IoT）通信中的另一个关键问题，物理层安全性是一种有前途的技术，可以确保无线通信的机密性，因为不需要像传统的上层加密方法那样使用额外的信道进行密钥交换。本文首次研究了基于URLLC的安全关键任务物联网通信系统的资源分配问题。具体来说，我们采用有限块长下的安全容量公式，考虑两个优化问题：加权吞吐量最大化问题和总发射功率最小化问题。每个优化问题都是非凸的，解决起来很有挑战性，我们开发了有效的方法来解决每个优化问题。仿真结果证实了我们提出的算法的快速收敛速度，并证明了现有的基准算法的性能优势。
2020-02-12 cs.IT eess.SP math.IT
Symbol-Level Noise-Guessing Decoding with Antenna Sorting for URLLC Massive MIMO
本文针对URLLC场景，将符号级GRAND推广到mMIMO空间复用，并利用信道状态信息进行天线排序，在保持可靠性的同时将解码复杂度降低80%以上。
2023-07-11 cs.IT eess.SP math.IT
Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource Allocation
University of Oulu（奥卢大学）；Nokia Bell Labs（诺基亚贝尔实验室）
多输入多输出（MIMO）由于更高的频谱效率、空间增益和能量效率而成为第五代（5G）及以后无线通信系统的关键。如果信道状态信息（CSI）在发射机侧可用，则可以充分利用MIMO传输的益处。然而，发射机侧CSI的获取需要许多挑战。在本文中，我们提出了一种深度学习辅助CSI估计技术在高度移动的车辆网络中，基于传播环境（散射体，反射体）几乎相同的事实，从而允许数据驱动的深度神经网络（DNN）以可忽略的开销学习非线性CSI关系。此外，我们制定和解决动态网络切片的基础上资源分配问题的车辆用户设备（VUE）请求增强型移动宽带（eMBB）和超可靠低延迟（URLLC）业务切片。该公式考虑eMBB切片的阈值速率违反概率最小化，同时满足URLLC切片的概率阈值速率标准。仿真结果表明，与具有完美CSI知识的理想情况相比，在阈值违反增加12%的情况下，可以实现50%的开销减少。
2020-03-12 cs.LG cs.NI eess.SP
Deep Mixture of Experts Network for Resource Optimization in Aerial-Terrestrial CF-mMIMO Systems under URLLC
Chongqing University（重庆大学）；University of Surrey（萨里大学）；Southwest Jiaotong University（西南交通大学）；Nanyang Technological University（南洋理工大学）；University of Houston（休斯顿大学）；Kyung Hee University（庆熙大学）
本文提出一种混合空天地cell-free massive MIMO网络及深度混合专家网络，通过预测通道状态和优化功率分配，提升低时延高可靠通信的性能和效率。
2026-05-14 cs.IT eess.SP math.IT
Optimized Age of Information Tail for Ultra-Reliable Low-Latency Communications in Vehicular Networks
虽然最近提出了信息时代（AoI）的概念来分析超可靠低延迟通信（URLLC），但大多数现有的工作都集中在平均AoI测量上。基于平均AoI设计无线网络将无法表征URLLC系统的性能，因为它不能解释以非常低的概率发生的极端AoI事件。相比之下，本文超越了平均AoI，以改善URLLC在车载通信网络的特征和控制的AoI尾部分布。特别是，传输功率最小化问题进行了研究，严格的URLLC的约束条件下的概率AoI确定性和马尔可夫交通到达。因此，提出了一种有效的新的映射之间的AoI和与时间相关的分布。随后，极值理论（EVT）和李雅普诺夫优化技术制定和解决的问题，同时考虑长和短的数据包传输。仿真结果表明，在缩短AoI分布尾部方面，除了到达率和AoI之间的权衡之外，与模拟最大队列长度分布的基线相比，有了两倍的改进。
2019-12-17 cs.NI eess.SP
Dealing with CSI Compression to Reduce Losses and Overhead: An Artificial Intelligence Approach
由于反馈/处理延迟和压缩问题导致基站（BS）处的信道状态信息（CSI）不准确，本文提出了一种采用人工智能（AI）辅助CSI获取的可扩展思想。所提出的方案增强了CSI压缩，这是在移动终端（MT），随着准确的恢复估计的CSI在BS。仿真结果证实了该方案的有效性。在数值上，观察到估计的CSI的接近100%的恢复，具有比基准方案相对较低的开销。所提出的思想可以在无线通信环境中带来潜在的益处，例如，超可靠和低延迟通信（URLLC），其中不完美的CSI和开销是不可容忍的。
2021-04-01 eess.SP
Deep Learning-empowered Predictive Precoder Design for OTFS Transmission in URLLC
针对OTFS-URLLC中ICSIT不可得的问题，提出DDCL-Net利用延迟-多普勒域历史信道预测下一帧预编码器，并以闭式FER指导设计，性能接近理想ICSI方案。
2023-04-21 cs.IT eess.SP math.IT
A Hierarchical Optimization Framework Using Deep Reinforcement Learning for Task-Driven Bandwidth Allocation in 5G Teleoperation
针对5G遥操作中eMBB与URLLC业务的资源分配需求，提出基于DRL的两层分层优化框架，兼顾通信资源高效利用与机器人控制的稳定响应。
2025-05-21 cs.NI eess.SP
Ten Years of Deep Learning for Wireless Communications: From Learned Blocks to Deployable Wireless Intelligence
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Imperial College London（伦敦帝国学院）；Georgia Institute of Technology（佐治亚理工学院）
本文梳理了十年间深度学习在无线通信领域从替代孤立模块到开发无线智能的三次转变，指出未来无线AI发展需结合物理基础、智能体能力与标准化机制。
2026-08-04 eess.SP
An Integrated Sensing and Communication System for Time-Sensitive Targets with Random Arrivals
针对6G中时间敏感目标的随机到达，提出双静态MIMO ISAC系统，利用DPC编码和感知触发URLLC传输，在FBL机制下实现速率-可靠性-检测权衡优化，性能优于传统方案。
2025-06-18 cs.IT eess.SP math.IT
Reliability-Optimized User Admission Control for URLLC Traffic: A Neural Contextual Bandit Approach
Intel Labs（英特尔实验室）
本文针对 URLLC 流量提出一种基于神经上下文赌博机的 QoS 感知用户准入控制方法，通过将控制器建模为赌博机智能体，基于网络上下文主动预测 QoS 并仅准许不导致基站过载的 UE，仿真证明其能实现接近最优的服务可靠性与资源利用率。
2024-01-05 cs.AI cs.IT cs.LG
On the Performance of Co-existence between Public eMBB and Non-public URLLC Networks
为了确保当今工业应用所需的高度自动化，下一代无线网络必须能够实现动态过程的实时控制和自动化，同时满足极低延迟和超可靠通信的要求。在本文中，我们提供了一个公共增强型移动宽带（eMBB）和本地非公共工厂（URLLC）网络的共存的性能评估和评估的网络条件下，严格的延迟和可靠性要求的工厂自动化应用程序得到满足。评估考虑了网络之间的非同步和同步时分双工（TDD）部署，以及在工厂内具有和不具有任何宏eMBB业务的情况。结果表明，一个不同步的部署是可能的，如果网络之间的隔离是足够高的，无论是作为一个分离的距离，墙壁损失或使用单独的频率的网络。同步部署将避免交叉链路干扰，但它不会解决与封闭接入和远近干扰相关的问题。如果工厂包含由覆盖的宏小区服务的eMBB业务，则两个网络的性能将由于高水平的交叉链路和远近干扰而受损。与交叉链路干扰相关的问题可以通过同步网络来解决，而远近干扰的水平可以通过允许eMBB用户连接到位于工厂内部的基站来降低。最后，如果需要非同步部署，则应在隔离频率上部署工厂。
2022-03-30 cs.NI eess.SP
Artificial Intelligence for 5G Wireless Systems: Opportunities, Challenges, and Future Research Directions
无线通信系统的出现预示着新的尖端技术，包括自动驾驶车辆、无人驾驶航空系统、自主机器人、物联网和虚拟现实。这些技术需要高数据速率、超低延迟和高可靠性，所有这些都是第五代无线通信系统（5G）所承诺的。许多研究小组表示，如果没有人工智能（AI）集成，5G就无法满足其需求，因为5G无线网络预计将产生前所未有的流量，使无线研究设计人员能够访问大数据，这些数据可以帮助预测需求并调整小区设计以满足用户需求。随后，许多研究人员将人工智能应用于5G无线通信设计的许多方面，包括无线电资源分配，网络管理和网络安全。在本文中，我们对5G无线通信系统的AI进行了深入的回顾。在这方面，本文的目的是通过讨论许多案例研究和相关挑战来调查5G无线通信系统中的人工智能，并为在5G无线通信中利用人工智能的未来研究方向提供新的思路。
2020-09-10 eess.SP
AI-assisted PHY technologies for 6G and beyond wireless networks
机器学习（ML）和人工智能（AI）已经成为无线网络中除了传统方法（例如基于模型的解决方案概念）之外的替代方法。传统的设计概念包括对底层过程的行为进行建模，而基于AI的方法允许通过从输入数据中学习来设计网络功能，这些输入数据应该被映射到特定的输出（训练）。此外，可以在功能的部署阶段（在线学习）学习新的输入/输出关系，并使基于AI的解决方案变得灵活，以便对新情况做出反应。特别是，新引入的用例，如5G中的超可靠低延迟通信（URLLC）和大规模机器类型通信（MMTC），使得这种方法成为必要，因为与主要为人为驱动的流量（4G，5G xMBB）设计的网络相比，网络复杂性进一步增强。本文的重点是说明人工智能技术在未来无线系统的物理层（PHY）的典型应用，因此它们可以被视为例如6 G系统的候选技术。
2019-08-26 eess.SP
Refracting Reconfigurable Intelligent Surface Assisted URLLC for Millimeter Wave High-Speed Train Communication Coverage Enhancement
针对毫米波高速列车通信中信号穿厢路径损耗大的问题，研究折射型RIS辅助的多用户MISO URLLC系统，提出基于交替优化的联合优化算法求解和速率最大化问题，仿真验证了算法收敛快且能有效提升系统和速率。
2024-09-11 cs.IT eess.SP math.IT
Wireless Context Engineering for Efficient Mobile Agentic AI and Edge General Intelligence
Nanyang Technological University（南洋理工大学）；Xidian University（西安电子科技大学）；University of Sydney（悉尼大学）；Tohoku University（东北大学）；Sungkyunkwan University（成均馆大学）
本文提出无线上下文工程，通过优化无线边缘智能的上下文管理，提升移动群体AI和边缘通用智能的效率。
2026-09-17 eess.SP
Physical Layer Security for NOMA: Requirements, Merits, Challenges, and Recommendations
非正交多址接入（NOMA）由于其卓越的频谱效率、为超可靠低延迟通信（URLLC）提供额外自由度的能力以及准许自由随机接入而被认为是未来无线系统的最重要的使能技术之一。同时，物理层安全（PLS）由于其不依赖于传统的基于密码的算法而能够提供安全性的能力，在未来的无线通信系统中得到了广泛的关注。在这篇文章中，NOMA的安全设计要求和PLS提供的解决方案，以满足这些要求进行了讨论。采用PLS NOMA的优点和挑战。最后，还提出了未来的建议和前瞻性的解决方案。
2020-07-13 eess.SP
Adaptive Hybrid Optical RF Transmission Based on Deep Reinforcement Learning for Ultra-Reliable Low Latency Communication
Enugu State University of Sci. & Tech.（埃努古州科学技术大学）；University of Greenwich（格林威治大学）
提出基于深度强化学习的混合光射频传输框架，自适应选择模式，实现URLLC下延迟降低35%、吞吐量提升25-30%，并保持可靠性超99.999%。
2026-10-06 eess.SP
Wireless 2.0: Towards an Intelligent Radio Environment Empowered by Reconfigurable Meta-Surfaces and Artificial Intelligence
我们介绍“无线2.0”：下一代无线通信网络，通过利用可重构元表面和人工智能（AI）等新兴技术，无线电环境变得可控、可编程和智能。本文特别强调了基于人工智能的计算方法，并从可重构元表面的智能无线电环境的概念概述开始。稍后，我们将详细介绍数据管理方面，通过示例进行监督学习的要求，以及通过行为进行学习的强化学习（RL）范式。最后，我们强调了许多开放的挑战和研究方向。
2020-02-23 cs.NI eess.SP
Smart Home Wireless Sensor Nodes Addressing the Challenges using Smart Objects and Artificial Intelligence
灵巧家庭是智能建筑和家庭自动化的进一步发展，其中增加了上下文感知和自主行为。它们基于互联网和无线传感器节点等新兴技术的结合。这些无线传感器节点具有挑战性，因为它们消耗电池功率，使用网络带宽，并且产生无线干扰。目前，存在不同的方法来应对这些挑战。然而，这些方法是基于调整发射机频率并结合睡眠方式方法使用占空比。本文介绍了一种方法，大大降低了无线传感器节点的功耗和传感器事件的传输量。它使用包括人工智能的智能对象来有效地处理位置上的传感器事件，从而节省了这些事件的昂贵的无线传输。在本文中，它已被证明，这种方法提供了巨大的节省功耗和网络负载，这反过来又降低了干扰水平
2019-03-08 cs.NI eess.SP
Leveraging Linear Quadratic Regulator Cost and Energy Consumption for Ultra-Reliable and Low-Latency IoT Control Systems
为了有效地支持实时控制应用，以超可靠和低延迟通信（URLLC）运行的网络控制系统成为未来物联网（IoT）的基础技术。然而，目前控制、传感和通信的设计一般是孤立的。针对集中式无线网络控制系统，提出了控制成本和能耗的联合优化问题。具体来说，与“感测然后控制”协议，我们首先开发一个优化框架，共同考虑控制，传感和通信。在这个框架中，我们推导出频谱效率，线性二次调节器的成本和能量消耗。然后，提出了一种新的性能指标称为\textit{energy-to-control efficiency}的物联网控制系统。此外，我们优化的能量控制效率，同时保证URLLC的要求，因此，一个通用的和复杂的最大-最小联合优化问题的物联网控制系统制定。为了以合理的复杂度最优地解决该问题，我们提出了两种无线电资源分配算法。最后，仿真结果表明，我们提出的算法可以显着提高能源控制效率的物联网控制系统与URLLC。
2020-02-18 cs.IT eess.SP math.IT
Envision of mmWave Wireless Communication with Artificial Intelligence
未来无线通信系统面临传统频谱资源短缺和无线业务需求爆炸式增长的瓶颈。利用频谱资源的毫米波通信已成为下一代无线宽带蜂窝通信的有效选择。然而，传输路径损耗大以及氧气和水分子吸收严重等特性给毫米波通信带来了巨大挑战，需要寻求一种不同于低频无线通信的技术途径。在分析了毫米波的传输特性之后，全面分析了毫米波通信技术和射频前端的研究进展，深入分析了毫米波通信技术面临的技术挑战，并提出了相应的研究方向。最后，人工智能和机器学习的发展也被应用到了毫米波通信中，所以本文也涵盖了这些部分。
2023-01-12 cs.NI eess.SP
Collaborative Spectrum Sensing in Cognitive and Intelligent Wireless Networks: An Artificial Intelligence Perspective
University of Electronic Science and Technology of China（电子科技大学）
本文从人工智能视角探讨认知与智能无线网络中的协作频谱感知，分析其核心方法与贡献，包括经典检测器设计、融合策略及AI驱动的深度学习模型分类。
2026-04-30 eess.SP
A Measurement-Based Spatially Consistent Channel Model for Distributed MIMO in Industrial Environments
Lund University（隆德大学）
本文提出一种用于工业环境的分布式MIMO信道模型，通过测量实验分析了多径效应和大尺度衰减特性，建立了空间一致的仿真模型以提高可靠性。
2026-07-07 eess.SP
Wireless Intelligence Needs a Cerebellum: Score-Based Foundation Models Toward Real-Time Physical-Layer Inference
The University of Hong Kong（香港大学）；The Chinese University of Hong Kong（香港中文大学）
研究针对无线智能中物理层快速精确推理需求，提出轻量级ScoreFM基础模型。它学习可重复使用分数函数，推理时嵌入特定任务算法作去噪器，支持多样下游任务，案例研究验证其灵活性与有效性。
2026-07-28 eess.SP
Artificial Intelligence Driven UAV-NOMA-MEC in Next Generation Wireless Networks
在下一代无线网络前所未有的高吞吐量和低延迟需求的驱动下，本文介绍了一种支持人工智能（AI）的框架，其中无人机（UAV）使用非正交多址接入（NOMA）和移动边缘计算（MEC）技术为地面移动用户（MU）提供服务。所提出的框架使地面MU能够同时、智能和灵活地卸载其计算任务，从而增强其连接性并降低其传输延迟和能耗。为此，首先介绍了该框架的基本原理。然后，提出了一些通信和人工智能技术，以提高地面MU的经验的质量。为此，联邦学习和强化学习引入智能任务卸载和计算资源分配。对于每一种学习技术，动机，挑战和代表性的结果进行了介绍。最后，总结了该框架的几个关键技术挑战和有待研究的问题。
2021-01-27 eess.SP
Reliability Modeling for Beyond-5G Mission Critical Networks Using Effective Capacity
针对超5G网络中URLLC/HRLLC可靠性建模难题，本文基于有效容量框架，结合RLC层确认模式与物理信道行为，推导出包含延迟违规和多次传输尝试的可靠性模型，揭示了EC与可靠性的关键权衡，为网络设计提供指导。
2025-01-31 cs.NI eess.SP
Artificial Intelligence Enhances the Performance of Chaos-based Wireless Communication
近年来，基于混沌的无线通信系统的研究取得了一些新的进展。首先，混沌信号在接收端可以用最简单的匹配滤波器获得最大的信噪比，因此混沌信号被证明是最佳的通信波形。其次，混沌信号中传输的信息不会被多径无线信道修改。第三，混沌特性可以用来缓解由多径传播引起的符号间干扰（ISI）。虽然最近的工作已经报道了在基于混沌的无线通信中获得消除ISI的最佳阈值的方法，但是其实际实现仍然是一个挑战。在实际的通信系统中，通过预先知道信道参数和所有符号，特别是要发送的未来符号，几乎是不可能的任务。由于人工智能（AI）的最新发展，提出了具有深度学习结构的卷积神经网络（CNN）来基于接收信号预测未来的符号，以便进一步降低ISI并获得与使用现有次优阈值相比更好的误比特率（BER）性能。该方法的特点是对未来符号进行预测，并得到一个适合时变信道的较好门限。数值仿真和实验结果验证了我们的理论和所提出的方法的优越性。
2019-06-27 eess.SP
Interference-Limited Ultra-Reliable and Low-Latency Communications: Graph Neural Networks or Stochastic Geometry?
The University of Sydney（悉尼大学）；Huazhong University of Science and Technology（华中科技大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
在本文中，我们的目标是提高服务质量（QoS）的超可靠性和低延迟通信（URLLC）在干扰受限的无线网络。为了在信道相干时间内获得时间分集，我们首先提出了一种随机重复的方案，随机干扰功率。然后，我们优化预留时隙的数量和重复的数量为每个数据包，以尽量减少QoS违规概率，定义为用户的百分比，不能实现URLLC。建立了一个级联的随机边图神经网络（REGNN）来表示重复方案，并开发了一种无模型的无监督学习方法来训练它，利用随机几何分析了对称场景下的QoS违反概率，并应用基于模型的穷举搜索（ES）方法来寻找最优解.仿真结果表明，在对称场景下，无模型学习方法和基于模型的ES方法获得的QoS违规概率几乎相同。在更一般的场景中，级联REGNN在具有不同规模、网络拓扑、小区密度和频率复用因子的无线网络中推广得非常好。它优于基于模型的ES方法在模型失配的存在下。
2022-07-19 cs.LG eess.SP
