基于时间感知的图神经网络:用于开放RAN中异步多站集成感知与通信融合
沈志强(Zhiqiang Shen)、申吴硕(Wooseok Shin)和申智泰(Jitae Shin)
《Sensors》:Time-Aware Graph Neural Network for Asynchronous Multi-Station Integrated Sensing and Communications Fusion in Open RAN
Zhiqiang Shen,
Wooseok Shin and
Jitae Shin
【字体:
大
中
小
】
时间:2026年04月13日
来源:Sensors 3.5
编辑推荐:
针对O-RAN近实时RNC中多站传感数据因云原生协议栈非确定延迟抖动导致的乱序融合难题,提出Age-of-Sensing动态可靠性指标和基于图神经网络的时敏融合范式,通过TA-Gate机制动态调整节点权重实现时序感知的融合优化,在O-RAN基准测试中RMSE达到1.22m,MAE降低71%,并通过蒙特卡洛模拟验证其在高抖动和异构网络场景下的稳健性,为6G实时ISAC服务提供可靠时空融合基础。
摘要
多站感测遥测数据通常会因为云原生协议栈中的非确定性抖动而以乱序的方式传送到开放RAN(O-RAN)的近实时RIC(RAN Integrated Core)中,这种“时间乱序”效应会使得传统的空间融合方法失效。为了解决这个问题,我们引入了“感测年龄”(Age-of-Sensing, AoS)作为异步感测报告的动态可靠性指标,并构建了一个基于AoS的图神经网络(Graph Neural Network, GNN)框架来实现异步感测数据的融合。这一框架将重点从传统的仅基于空间的数据聚合方式转变为同时考虑时间因素的推理方法,通过将感测数据的新鲜度明确纳入图基融合过程来实现这一点。作为这一框架的物理实现方式,我们提出了“时间感知融合”(Time-Aware Fusion, TA-Fusion),它引入了TA-Gate机制来在图数据聚合之前重新校准节点的信任度。与被动的数据拼接方式不同,TA-Gate充当了一个主动的筛选信号,用于优先处理最新的遥测数据,同时能够动态抑制过时的异常值。在标准的O-RAN基准测试中,TA-Fusion的均方根误差(Root Mean Square Error, RMSE)降低了122米,同时平均绝对误差(Mean Absolute Error, MAE)也降低了217%%,并且在极端抖动环境下仍保持了鲁棒性——在这种环境下,传统的线性方法由于静态加权逻辑会导致严重的精度下降。大量的蒙特卡洛模拟验证表明,该框架能够在不进行手动重新校准的情况下,在各种基站布局下保持一致的误差范围。这些发现支持了所提出的框架在实时应用中的可行性,特别是对于对延迟要求严格的集成感测与通信(Integrated Sensing and Communication, ISAC)服务而言,它为在网络层抖动较大的环境下实现6G网络的灵活调度提供了可靠的空间基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号