针对安全且具备韧性的无人机（UAV）的系统，采用量化感知学习技术（Quantization-Aware Learning），这些无人机系统支持由STAR-RIS平台赋能的6G通信技术

《IEEE Communications Standards Magazine》：Quantization-Aware Learning for Secure and Resilient UAV-STAR-RIS-enabled 6G Systems

　　

摘要：

安全可靠的无线通信是即将到来的6G关键任务应用（如紧急响应和公共安全网络）的主要要求。在这方面，安装在无人机（UAV）上的、能够同时发送和反射的可重构智能表面（STAR-RIS）系统有望在实现安全的6G关键任务通信方面发挥重要作用。然而，实际应用需要离散的相位移动，这可能会由于相位量化效应而导致性能下降。在本文中，我们研究了安装在UAV上的STAR-RIS辅助的下行非正交多址（NOMA）网络中的相位量化问题，以最大化保密率。考虑了两种方法：训练后量化（PTQ）和量化感知训练（QAT）。我们开发了一种双延迟深度确定性策略梯度（TD3）代理，用于联合优化STAR-RIS的相位移动和UAV的定位，同时确保用户的最小服务质量（QoS）要求。仿真结果表明，QAT在性能上始终优于PTQ，尤其是在低分辨率情况下。虽然PTQ在粗量化下性能显著下降，但QAT在3位分辨率下仍能保持接近连续的性能，并且保密率损失小于1%；而在2位分辨率下，性能下降显著减少。这些结果表明，QAT能够实现高效的低比特数STAR-RIS操作，降低硬件复杂性和 signaling 开销，同时保持保密性能，从而提高了所提出框架的实际可行性。