Distributed Precoding for Cell-Free Massive MIMO in O-RAN: A Multi-Agent Deep Reinforcement Learning Framework

doi:10.1109/twc.2026.3715756

2026-07-29

PRE

Mohammad Hossein Shokouhi

Vincent W. S. Wong

DOI：10.1109/twc.2026.3715756

原文链接

原文求助

摘要

En 中文

无蜂窝大规模多输入多输出（MIMO）是下一代无线系统的关键技术，其中每个用户由多个开放无线电单元（O-RUs）协同服务。无蜂窝大规模MIMO与开放无线接入网络（O-RAN）架构的集成解决了对支持不同用例的去中心化、可扩展和高容量网络的日益增长的需求。预编码是无蜂窝大规模MIMO运行中的关键步骤，其中O-RUs将波束对准目标用户同时抑制用户间干扰。现有的大多数无蜂窝大规模MIMO预编码方案要么完全集中式，要么完全分布式。集中式方案不具备可扩展性，而分布式方案可能导致高O-RU间干扰。本文提出了一种分布式且可扩展的无蜂窝大规模MIMO预编码框架，该框架通过预编码代理之间的有限信息交换来抑制干扰。我们提出了一个预编码优化问题，旨在最大化总吞吐量同时保证用户的最小数据速率要求。该问题是非凸的。我们利用O-RAN架构，提出了一种多时间尺度框架，该框架结合了多智能体深度强化学习（DRL）与迭代算法的专家知识，以高效确定预编码矩阵。我们进行了仿真，并将所提出的框架与不同数量的O-RUs、用户和发射天线的集中式预编码和分布式预编码方法进行了比较。结果表明，所提出的框架在总吞吐量方面优于分布式正则化零强制（D-RZF）方案和加权最小均方误差（WMMSE）算法。与集中式正则化零强制（C-RZF）方案相比，所提出的框架实现了相似的总吞吐量性能，但具有更低的信令开销。我们还证明了所提出的框架能够动态适应最小数据速率要求的变化。

Keyword:

Open radio access network (O-RAN)

cell-free massive multiple-input multiple-output (MIMO)

precoding

multi-agent deep reinforcement learning (DRL)