节能型波束成形用于近场STAR-RIS增强低空ISAC网络

本文探讨了一种由同时发送和反射可重构智能表面（STAR-RIS）赋能的近场集成感知与通信（ISAC）网络。这种架构提供无缝的360°覆盖，支持低空经济中空中和地面用户的共存，同时利用近场传播来增强通信和感知性能。然而，用户的异质性以及感知、通信和能量消耗之间的耦合对高效波束成形构成挑战。为此，我们提出了一个联合波束成形和相位偏移优化框架，以在通信延迟和感知约束下最小化平均功耗。为了应对长期特性，我们设计了一种基于Lyapunov的深度确定性策略梯度（LyDDPG）算法，将长期目标转化为时隙级决策，在动态环境中实现稳定性能。为了进一步提高约束满足和策略收敛性，我们进一步提出了一种鲁棒策略深度强化学习（RPDRL）算法，将基于策略的强化学习与连续凸近似相结合。将Lyapunov变换嵌入RPDRL中以动态调整权重因子，加速策略学习。仿真结果证明了所提方法在实现能效和约束感知波束成形方面的有效性和优越性，适用于近场ISAC网络。