Revolution im mmWave: CSI-freie Hierarchische MARL steuert intelligente Spiegel

In der Forschung zu Reconfigurable Intelligent Surfaces (RIS) wurde ein neues Paradigma vorgestellt, das die bisherige Abhängigkeit von aufwändigen Kanalzustandsinformationen (CSI) überwindet. Durch den Einsatz einer hierarchischen Multi-Agent Reinforcement Learning (MARL)-Architektur können mechanisch verstellbare reflektierende Oberflächen ohne Pilot-basierte Kanalmessungen gesteuert werden.

Der Ansatz nutzt stattdessen leicht zugängliche Standortdaten der Nutzer, um die Ausrichtung der reflektierenden Elemente zu optimieren. Auf der oberen Ebene übernimmt ein zentraler Controller die zeitlich ausgedehnte, diskrete Zuordnung von Nutzern zu Reflektoren. Auf der unteren Ebene arbeiten mehrere Agenten, die mithilfe von Multi-Agent Proximal Policy Optimization (MAPPO) kontinuierliche Fokuspunkte bestimmen. Das Training erfolgt zentral, die Ausführung jedoch dezentral, was die Skalierbarkeit erheblich verbessert.

Simulationen mit deterministischem Strahlverfolgungsmodell zeigen, dass das System im Vergleich zu zentralen Baselines die empfangene Signalstärke (RSSI) um bis zu 7,79 dB steigern kann. Darüber hinaus demonstriert die Lösung eine robuste Mehrbenutzer‑Skalierbarkeit und bleibt auch bei sub‑meter‑genauen Lokalisierungsfehlern stabil.

Durch die Eliminierung des CSI‑Overheads und die Nutzung von räumlicher Intelligenz eröffnet diese Technologie neue Möglichkeiten für die praktische Umsetzung von mmWave‑Netzwerken mit intelligenten Oberflächen.