.png){kind=icon}
返回
Deep Reinforcement Learning-based LDPC Decoding Algorithms for Vehicular Communication Links
.png){kind=icon}
PRE
AI
DOI：10.1016/j.vehcom.2026.101076.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
合作智能交通系统（C-ITS）和自动驾驶的迅速兴起，使得在高度动态的车辆环境中需要超可靠低时延通信（URLLC）。然而，严重的多普勒频移和非视距（NLoS）条件对传统的低密度奇偶校验（LDPC）解码算法提出了重大挑战。本文提出了两种基于深度强化学习（DRL）的新型解码框架，能够自适应优化易变的车辆间（V2V）和车辆与基础设施间（V2I）链路的纠错性能。通过利用DRL的决策能力，所提出的算法——特别是引导驱动（B-D）DRL-提议算法（2）——在可靠性和效率方面均显示出变革性的改进。在视距（LoS）和非视距（NLoS）场景下的广泛仿真表明，所提出的框架显著优于基线DRL-WBF方案。最值得注意的是，B-D DRL-提议算法（2）在LoS条件下实现了超过6×106 bps的峰值吞吐量，并在低Eb/No下保持低于0.005 ms的近恒定解码时延。此外，它在NLoS环境中实现了优于10−5的比特误码率（BER）。这些结果突显了DRL为下一代V2X通信标准提供鲁棒、实时、高吞吐量解码解决方案的潜力。这些结果还突显了DRL为下一代V2X通信标准提供鲁棒、实时、高吞吐量解码解决方案的潜力，从而为保障时敏车辆网络中上层统计服务质量（QoS）所需的确定性低时延基础。
期刊
IF:
6.5
论文数:
818
被引数:
3.2K
机构
引用论文
分享收藏分享收藏3D Urban Channel Characterization for V2X Communications: Measurement-Driven Modeling of V2V and U2V Propagations熊等人. 3D城市信道特性表征用于V2X通信：V2V和U2V传播的测量驱动建模. IEEE veh. 技术杂志. 2026, 75, 13419–13432. [谷歌学术] [交叉引用] [Scilit]
PREAI
分享收藏
Towards 6G C-V2X Networks: A Comprehensive Survey on Mobility Management, Multi-RAT Coexistence, and Machine Learning (3M) Framework for C-ITS面向6G C-V2X网络：移动性管理、多RAT共存和机器学习（3M）框架用于C-ITS的全面综述.png)
Electronics
OAAI
ElectronicsIF2.6
OAAI分享收藏Characterization, Analysis, and Modeling of the Non-Stationary V2I Channel at 28-GHz on Highways高速公路上28-GHz非平稳V2I信道的表征、分析与建模
PREAI
分享收藏Graph model-aided optimal iterative decoding technique for LDPC in optical fiber communication基于图模型辅助的最优迭代译码技术，用于光纤通信中的LDPC码
PREAI
分享收藏Xu, H.; Zhang, C.; Wu, Q.; Ng, B.K.; Lam, C.T. Adaptive Damping Log-Domain Message-Passing Algorithm for FTN-OTFS in V2X Communications. Sensors 2025, 25, 3692. [Google Scholar] [CrossRef]徐, H.; 张, C.; 吴, Q.; Ng, B.K.; Lam, C.T. 适用于车联网通信中FTN-OTFS的自适应阻尼对数域消息传递算法. Sensors 2025, 25, 3692. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容