차량 네트워크를 위한 Q-learning 기반의 하향링크 MIMO-NOMA 기법

초록

차량 통신에 다양한 서비스가 등장하면서 차량에서 멀티미디어 스트리밍과 같은 높은 전송 용량을 요구하는 서비스가 증가하고 있다. 이를 해결하기 위해 MIMO (Multiple-Input Multiple-Output) - NOMA (Non-Orthogonal Multiple Access) 기법이 필요하다. 차량 통신에서 기지국 역할을 하는 RSU (Road Side Unit)는 접속된 차량의무선 채널 환경에 따라 송신 전력을 할당한다. 종래 NOMA 기법에서는 전체 시스템의 수율을 최대화하는 것을목적으로 송신 전력을 할당하였다. 그러나 종래의 송신 전력 할당 기법들은 RSU가 무선 채널 정보를 완벽히 알고 있다고 가정하여, 실제 환경의 불완전한 채널에 적용하기 어렵다는 문제점이 있다. 본 논문은 MIMO-NOMA 기반의 V2I (Vehicle to Infrastructure) 통신과 OMA (Orthogonal Multiple Access) 기반의 V2V (Vehicle to Vehicle) 통신이 혼재되어 있는 환경에서 RSU가 채널 정보를 완벽히 알 수 없을 때의 전력 할당을 모델링하였다. 그리고 기계 학습 방식의 Q-learning 알고리듬을 MIMO-NOMA에 적용하여 송신 전력 할당을 수행하였으며, 그결과 빠른 시간 내에 전체 시스템 수율이 수렴할 수 있음을 확인하였다.

키워드