Low-Altitude Fluid Antenna Network with Multi-Agent Reinforcement Learning

📄 arXiv: 2608.27909v1 📥 PDF

作者: Tong Zhang, Yanfei Su, Shuai Wang, Wanli Ni, Chengzhong Xu, Huseyin Arslan

分类: cs.IT, cs.AI

发布日期: 2026-08-28

备注: Accepted by IEEE Communications Magazine

💡 一句话要点

提出基于多智能体强化学习的低空流体天线网络优化方案

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 低空无线网络 流体天线 多智能体强化学习 波束成形 迁移学习 无人机通信 电磁数字双胞胎

📋 核心要点

  1. 现有低空无线网络面临动态信道、突发阻塞和干扰等挑战，影响通信质量和效率。
  2. 论文提出利用多智能体强化学习优化流体天线的重配置，以适应快速变化的环境和用户需求。
  3. 实验结果表明，通过动态重配置，系统总速率提升了118.5%，显著优于固定位置的基线方案。

📝 摘要（中文）

低空无线网络（LAWNs）结合了地面和空中平台，为无人机（UAV）和电动垂直起降（eVTOL）飞机提供无处不在的通信、感知和定位服务。然而，动态的空地和空空信道、突发的阻塞以及异构干扰阻碍了这一目标的实现。流体天线（FA）作为一种前沿的多输入多输出（MIMO）技术，通过重新配置天线位置来克服这些挑战。本文研究了基于多智能体强化学习（MARL）的低空FA网络的快速高效重配置，提出了一种电磁数字双胞胎（EM-DT）辅助的MARL框架，并引入了两阶段迁移学习框架以填补模拟与现实之间的差距。案例研究表明，与固定位置基线相比，联合FA位置和波束优化可以将系统总速率提高118.5%。

🔬 方法详解

问题定义：本文旨在解决低空无线网络中流体天线的动态重配置问题，现有方法在应对快速变化的环境时效率低下，无法满足实际需求。

核心思路：通过引入多智能体强化学习（MARL），实现流体天线的快速重配置和波束优化，以适应移动用户的需求，提升网络性能。

技术框架：整体框架包括EM-DT辅助的MARL模块和两阶段迁移学习模块。MARL模块负责实时优化天线位置和波束方向，而迁移学习模块则用于缩小模拟与现实之间的差距。

关键创新：本研究的主要创新在于将EM-DT与MARL结合，形成了一种新的动态重配置方法，能够在毫秒级别内响应环境变化，显著提升了系统的灵活性和性能。

关键设计：在设计中，采用了适应性波束成形算法，设置了特定的奖励函数以引导智能体学习最优策略，同时优化了网络结构以提高学习效率。实验中还使用了多种参数设置以验证方法的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，联合FA位置和波束优化使系统总速率提高了118.5%，相比于固定位置的基线方案，展现了显著的性能提升。这一成果表明动态重配置在低空无线网络中的重要性和有效性。

🎯 应用场景

该研究的潜在应用领域包括无人机通信、智能交通系统和城市空中交通管理等。通过优化低空无线网络的性能，可以实现更高效的无人机调度、实时数据传输和更可靠的定位服务，具有重要的实际价值和未来影响。

📄 摘要（原文）

Low-altitude wireless networks (LAWNs) integrate terrestrial and aerial platforms to provide ubiquitous communication, sensing, and localization services for unmanned aerial vehicles (UAVs) and electric vertical takeoff and landing (eVTOL) aircraft. However, dynamic air-ground and air-air channels, abrupt blockages, and heterogeneous interference hinder the realization of this goal. Nevertheless, fluid antenna (FA), a cutting-edge multiple-input multiple-output (MIMO) technique, overcomes these challenges by reconfiguring antenna positions to unlock additional spatial degrees-of-freedom. In this paper, towards bringing low-altitude FA networks into reality, we study the fast and high-performance FA reconfiguration for low-altitude FA networks with multi-agent reinforcement learning (MARL). Specifically, we present an electromagnetic digital twin (EM-DT)-assisted MARL framework. To fill the sim-to-real gap, we introduce a two-stage transfer learning framework. Our case study shows that joint FA positions and beamforming optimization can enhance the system sum-rate by 118.5%, compared to the fixed position baseline. This gain comes from the dynamic millisecond timescale reconfiguration of FA arrays and the adaptive steering of beams toward aerial users with mobility.