1.一种基于通信-感知-反射协同的车路云一体化通信方法,其特征在于,包括以下步骤:S1、构建智能反射面辅助的集成感知与通信系统模型;
S11、进行系统部署;
S12、优化目标定义,在雷达波束图误差不超过阈值ε的前提下,最大化车辆总通信速率;
S2、基于等效转换的基站主动波束成形优化;
S21、固定反射面相位,通过分式规划将非凸通信速率目标等效转换;
S22、构造波束图误差的凸上界代理函数;
S23、迭代求解凸子问题以优化基站主动波束;
S3、采用多智能体强化学习优化智能反射面被动波束成形;
S31、将各反射面建模为智能体,基于车辆位置和自身相位构建局部状态;
S32、采用MADDPG算法进行集中训练,以系统总通信速率作为全局奖励,协同学习最优反射策略;
S4、交替优化与系统部署;
S41、交替执行S2与S3,形成“优化基站波束-更新反射面相位”闭环;
S42、最终在车路云架构中实现“云端/路侧周期优化、反射面端轻量模型自主响应”的协同部署。
2.根据权利要求1所述的一种基于通信-感知-反射协同的车路云一体化通信方法,其特征在于,所述S11的具体方法如下:在路侧单元部署多天线基站;所述天线基站同时承担两项任务:通信功能:向多个联网车辆传输数据;感知功能:探测多个移动目标;在道路两侧的基础设施上部署多个IRS,每个IRS由数十至上百个能够独立调控相位的无源反射单元组成;
所述S12的具体方法如下:
系统优化目标为:在保证雷达探测精度的前提下,最大化所有车辆的总通信速率;其中:雷达性能通过波束图误差衡量,即实际发射的雷达波束与理想波束之间的均方误差,必须低于预设阈值ε;基站发射功率不能超过最大值Pmax;IRS相位必须在 [0, 2π] 范围内;波束图误差约束的计算公式如下:;
式中,为波束图误差代价函数;为基站发射矩阵;为导引矢量,描述阵列在角度下的响应;为理想波束图,即期望的波束增益;为权重系数;为共轭转置;为实际波束图响应;为角度采样点总数;为第个采样方向角;为允许的最大波束图误差阈值。
3.根据权利要求2所述的一种基于通信-感知-反射协同的车路云一体化通信方法,其特征在于,所述S21的具体方法如下:原始优化问题以通信速率最大化为目标,形式为:
;
式中,为信道向量;为噪声功率;
采用分式规划技术将目标函数转化为等效的凸优化形式,引入辅助变量t,令:;
所述S22的具体方法如下:
在当前解的邻域内进行局部近似,构造一个凸上界代理函数,满足如下条件:1、在当前迭代点与原函数相切;2、对于所有的,;3、是的凸函数;利用一阶泰勒展开近似,构造结果为:;
式中,为第 k 次迭代时的当前最优解;为的共轭转置矩阵;为的共轭转置;
所述S23的具体方法如下:
在每一步迭代中,求解以下凸优化子问题:
;
;
式中,为经过凸化的通信速率目标函数;为构造的凸上界代理函数;为发射功率约束;
求得新解后,更新波束矩阵,并以新点为基准重新构造近似约束,进入下一轮迭代。
4.根据权利要求1所述的一种基于通信-感知-反射协同的车路云一体化通信方法,其特征在于,所述S31的具体方法如下:将每个IRS视为一个独立的智能体,构建一个多智能体决策系统;多智能体系统具有以下组件:
1、智能体;设系统中共有M个IRS,每个IRS配备个编程反射单元,反射系数矩阵为:;
式中,为第m个IRS的反射系数矩阵;为第n个单元的反射相位,是待优化变量;为虚数单位,用于构建复指数形式的相位调整;为第m个IRS的反射单元总数;为系统中IRS的编号;
2、状态空间;每个智能体的局部状态输入定义为:;
式中,为第个车辆用户的二维位置;为第m个IRS当前的相位向量;
3、动作空间;每个智能体的动作定义为对自身反射单元相位的调整量;在每个决策时刻,智能体根据当前环境状态输出一个连续的相位调整向量,相位调整向量的维度与智能体所控制的反射单元数量一致;每个分量表示对应反射单元的相位变化幅度;
4、奖励函数;系统采用全局奖励机制,奖励值由所有车辆用户的通信质量共同决定;全局奖励为所有用户接收端反馈的总通信速率,数学表达如下:;
式中,为全局奖励,表示系统总通信速率;为系统中车辆用户的总数;为从基站到第个用户之间的直连路径信道状态;为基站发射矩阵,控制信号的发射方向;为从第个智能反射面到第个用户的反射路径信道;为第个智能反射面的反射系数矩阵,由各单元的相位决定;为从基站到第个智能反射面的入射信道;为接收端的加性高斯白噪声功率;为系统中部署的IRS的总数;
所述S32的具体方法如下:
采用多智能体深度确定性策略梯度算法实现多个智能反射面之间的高效协同;
在训练过程中,系统构建一个共享的学习平台,所有智能体的状态和动作为中心控制器所掌握;一个全局的评论家网络负责评估当前所有智能体联合行为的长期收益,通过分析全局状态和各智能体的动作,提供精确的价值反馈;同时,每个智能体拥有独立的执行者网络,用于生成自身的控制策略;网络根据本地观测状态输出具体的相位调整指令,并通过全局价值信号进行策略更新;
训练过程中,系统不断与环境交互,收集状态转移、动作执行和奖励反馈数据,并存入共享回放缓冲区;数据被随机采样用于网络参数的迭代优化,此外,算法引入目标网络机制,更新目标网络参数;
在完成训练后,各智能反射面仅需部署执行者网络,即能在实际环境中独立运行;此时,每个智能体不再依赖其他智能体的信息或通信协调,仅根据自身感知的局部状态自主决策,实现分布式控制。
5.根据权利要求3所述的一种基于通信-感知-反射协同的车路云一体化通信方法,其特征在于,所述S41的具体方法如下:采用交替优化策略,循环执行S2与S3,形成通信-感知-反射的协同闭环;首先,在固定IRS相位的前提下,基于等效转换优化基站波束,确保雷达感知性能满足要求;随后,基于更新后的波束,启动多智能体强化学习框架,协同优化各IRS的反射相位;
所述S42的具体方法如下:
系统采用“云控优化、路侧执行、端侧响应”的分层架构;等效转换与逐步优化算法在云端或路侧单元周期性运行,结合全局信息更新基站波束,保障感知与通信的协同;IRS端部署轻量化的神经网络模型,接收车辆位置和通信速率反馈,即根据本地状态自主调整反射相位。