智能体数字孪生辅助多模态预测切换
针对高密度中频与毫米波网络中移动、遮挡及传播变化导致瞬时切换失真的问题，研究提出模型无关的智能体数字孪生框架。该框架生成同步多模态状态，并由三个智能体完成预测选择、切换规划和基于执行反馈的决策调整。实验显示，其在切换频率、链路可靠性及目标基站选择准确度之间取得最佳综合平衡，每条轨迹的平均切换次数由11.0次降至8.0次，射线路径可用率保持在98.2%。
高密度中频和毫米波网络中，终端快速移动、链路遮挡以及传播条件变化，可能使依赖瞬时观测的切换决策迅速失效。该研究提出一种模型无关的智能体数字孪生框架，用同步的多模态状态描述网络环境，并将预测信息与后续决策过程结合。
具体而言，三个智能体分别承担预测结果选择、切换动作规划和执行反馈后的决策调整。数字孪生通过反馈闭环使系统能够依据实际执行结果修正后续选择，从而兼顾切换活动量与链路可靠性。
在实验评估中，该方案相对于事件A3机制，将每条轨迹的平均切换次数从11.0次降至8.0次，同时保持98.2%的射线路径可用率。研究还指出，该方法在切换活动量、选定链路可靠性，以及目标下一代基站选择相对于可用最佳未来链路的准确度之间，实现了最佳的综合平衡。
这项工作将多模态状态生成、预测式规划与反馈自适应纳入统一框架，展示了数字孪生用于网络连续性管理的一种路径。其模型无关设计也为接入不同预测与决策模型保留了适应性，但实际部署效果仍需结合具体网络环境验证。
【空音视角】 该研究的核心启示并非单纯追求更少的切换，而是利用数字孪生和多模态状态，把预测、决策与执行反馈串成闭环。对无线局域网感知与非接触监测而言，动态环境中的人体、遮挡和传播变化同样会削弱瞬时判断，持续更新的虚拟状态有助于提升系统决策的连续性。空音可关注这一思路在睡眠呼吸、跌倒及病房监测中的适配，但需单独验证感知精度、实时性与误报表现。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2610.33833
来源：arXiv 信号处理（查看原文）