Hybrid‑RL‑Ansatz verbessert TokenCom in Mehrbenutzer‑WLANs

TokenCom ist ein neues Kommunikationsparadigma, bei dem Tokens die einheitlichen Bausteine multimodaler Datenübertragung und -verarbeitung darstellen. Durch die Nutzung von Tokens können zukünftige Funknetze semantisch und zielorientiert effizienter arbeiten.

Damit Sender und Empfänger dieselbe semantische Latent‑Space nutzen können, müssen sie sich auf ein identisches Tokenizer‑Modell und einen gemeinsamen Codebook einigen. Dieser Tokenizer‑Agreement‑Prozess wird in jedem Kommunikationsabschnitt durchgeführt, wobei die beteiligten Geräte aus einer vordefinierten Auswahl an vortrainierten Modellen wählen.

Die vorliegende Arbeit untersucht diesen Prozess in einem Mehrbenutzer‑Downlink‑Szenario: Eine Basisstation mit mehreren Antennen überträgt Video‑Token‑Streams an mehrere Nutzer. Das zugrunde liegende Optimierungsproblem ist ein gemischt‑integer‑nicht‑konvexes Problem, das sowohl die Tokenizer‑Auswahl als auch die Kanalzuweisung und das Beamforming umfasst.

Zur Lösung wird ein hybrides Reinforcement‑Learning‑Framework vorgeschlagen. Ein Deep‑Q‑Network (DQN) koordiniert die gemeinsame Tokenizer‑Entscheidung und die Sub‑Channel‑Zuweisung, während ein Deep Deterministic Policy Gradient (DDPG) für die adaptive Beamforming‑Optimierung eingesetzt wird. Durch die Kombination beider Lernmethoden werden sowohl semantische als auch physikalische Ressourcen optimal genutzt.

Simulationen zeigen, dass das vorgeschlagene System die Basislinien deutlich übertrifft. Es liefert eine höhere semantische Qualität und eine effizientere Ressourcennutzung. Besonders bemerkenswert ist die Reduktion von Unterbrechungen bei der Videoübertragung um 68 % im Vergleich zu herkömmlichen H.265‑basierten Verfahren.

Diese Ergebnisse deuten darauf hin, dass hybride RL‑Ansätze ein vielversprechender Weg sind, um TokenCom in realen Mehrbenutzer‑Funknetzen erfolgreich einzusetzen und die nächste Generation der semantisch optimierten Kommunikation voranzutreiben.