Network-Assisted Full-Duplex Cell-Free mmWave Networks: Hybrid MIMO Processing and Multi-Agent DRL-Based Power Allocation

本文研究了网络辅助全双工（NAFD）无小区毫米波（mmWave）网络，其中传输接入点（T-AP）和接收接入点（R-AP）在不同地理位置的分布减轻了交叉链路干扰，有助于实现真正灵活的双工模式。为了减少mmWave频段操作的部署费用和功耗，每个接入点都采用混合数字-模拟结构，包括预编码器/组合器功能。然而，这种结构引入了通道估计和预编码/组合设计中的处理复杂性。本文首先提出了一个混合多输入多输出（MIMO）处理框架，并推导出上行和下行可达速率的显式表达式。然后我们制定了一个功率分配问题，以最大化加权双向总速率。为了解决这个非凸问题，我们开发了一个协作多智能体深度强化学习（MADRL）算法，称为多智能体双延迟深度确定性策略梯度（MATD3），用于NAFD无小区mmWave网络。具体而言，鉴于NAFD无小区mmWave网络中上行和下行功率系数的紧密耦合性，MATD3算法通过代理和环境之间的交互学习过程解决了这种耦合冲突。最后，仿真结果验证了我们混合MIMO处理范式中所提出的通道估计方法的有效性，并证明了我们的MATD3算法优于多智能体深度确定性策略梯度（MADDPG）和传统功率分配策略。

研究网络辅助的全双工（NAFD）无小区毫米波网络，解决跨链路干扰问题，实现真正的灵活双工模式。

提出了一个混合MIMO处理框架，通过MATD3算法解决功率分配问题，解决了NAFD无小区毫米波网络中上下行功率系数的耦合冲突。

论文提出的MATD3算法在NAFD无小区毫米波网络中的功率分配问题上表现出色，优于MADDPG和传统的功率分配策略。

最近的相关研究包括：'Cell-Free Massive MIMO with Non-Ideal Hardware: Achievable Rates with Simple Channel Estimators'，'Deep Reinforcement Learning for Distributed Dynamic Power Allocation in Wireless Networks'等。