Comunicación Vehicular Óptica Basada en Aprendizaje Profundo por Refuerzo Ultra Confiable y de Baja Latencia

En este artículo, presentamos un marco de aprendizaje profundo por refuerzo (DRL) para sistemas de comunicación de cámara óptica vehicular (OCC) que garantiza una comunicación ultra confiable y de baja latencia (uRLLC). Primero formulamos un problema de maximización de rendimiento que tiene como objetivo optimizar la velocidad de los vehículos, la tasa de código de canal y el orden de modulación, respetando los requisitos de uRLLC. Modelamos la confiabilidad al satisfacer una tasa de error de bits objetivo y latencia como latencia de transmisión. Para mejorar la tasa de transmisión y proporcionar alta confiabilidad y baja latencia, nuestro esquema utiliza códigos de paridad de baja densidad y modulación adaptativa. Luego resolvemos el problema de optimización utilizando un esquema de DRL basado en actor-crítico con el marco de Wolpertinger. Empleamos un algoritmo de gradiente de política determinista profunda para operar en espacios de acción continuos. La evaluación confirma que nuestro esquema de optimización basado en DRL propuesto alcanza un rendimiento superior en comparación con los sistemas de comunicación basados en radiofrecuencia, así como variantes del esquema propuesto. Finalmente, verificamos a través de simulaciones que nuestra solución propuesta puede maximizar la tasa de comunicación mientras cumple con las restricciones de uRLLC.