基于情境感知的毫米波波束预测:一种机器学习方法
提出了一种基于多模态机器学习的方法,利用无线通信环境中收集到的位置和视觉数据快速预测光束方向,实现了超过 75% 的准确度和近乎 100% 的前 3 名光束预测准确度。
Nov, 2021
利用传感信息,基于机器学习的框架在真实场景下对车联网基础设施间通信的波束预测问题进行研究,通过利用视觉和位置数据,成功预测了优化波束指标,高达 95% 的准确率,为减少毫米波 / 太赫兹通信系统的波束训练开销提供了有前景的方法。
Aug, 2023
本文介绍了第一次使用基于机器学习的雷达辅助波束预测在实际车联网通信场景中的应用,该应用可利用雷达传感器数据提供的关于收发位置和周边环境的信息来降低或消除毫米波和亚太赫兹的 MIMO 通信系统中波束训练的开销,实现低延迟高流动性应用。本文提出了利用雷达信号处理的领域知识来提取相关特征并将其馈入学习模型的深度学习雷达辅助波束预测方法,并使用了包含毫米波波束训练和雷达测量的大规模真实数据集 Deepsense 6G 来评估所提出的算法,结果显示所提出的算法能够在完全消除雷达 / 通信校准开销的同时达到约 90% 的前 5 个波束预测准确率,节省了 93% 的波束训练开销,这为解决毫米波 / 亚太赫兹通信系统中波束管理开销挑战开辟了一个有希望的方向。
Nov, 2021
利用车辆位置信息的深度学习解决方案,可用于在毫米波(mmWave)60 GHz 启用的车辆对车辆(V2V)通信中实现基于波束的高效率链路配置,确保最佳的 V2V 视距链路。
Feb, 2024
本文使用 LiDAR 数据对 mmWave 波束预测任务进行了大规模实际评估,提出了一种使用 LiDAR 数据辅助波束预测和跟踪的机器学习模型,实验结果表明,这个模型在车路基建通信场景中可以在 95% 的情况下预测出最佳波束,并且波束校准开销降低了 90% 以上。这提供了一种有前途的解决 mmWave 和太赫兹通信系统中关键波束对准挑战的方法。
Mar, 2022
使用基于代码本的波束选择和机器学习的位置辅助方法,解耦用户设备(UE)和基站(BS)之间的波束选择,通过可用位置信息降低波束选择开销。模拟结果表明,具有可用位置信息的解耦波束选择与基站的联合波束对选择性能相当,而无位置信息的解耦波束选择在足够的波束对扫描时,接近于基站的波束对选择性能。
Apr, 2024
本文提出一种整合了机器学习和协调波束成形技术的解决方案,以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战,并支持高度移动的毫米波应用,同时实现可靠的覆盖、低延迟和可忽略的训练开销。
Apr, 2018
本文研究利用视觉技术来解决毫米波通信系统所面临的无线通信难题,应用计算机视觉和深度学习技术通过直接从相机 RGB 图像和 sub-6GHz 信道中预测毫米波束和阻塞,实现了超过 90%的束选择精度和零额外时间负担的创新解决方案。
Nov, 2019
本文通过多臂老虎机框架,提出了一种在线学习算法,用于选择和优化天线成对的方向,以最大化功率角谱在该位置上的峰值,并在较短的时间步数内实现与无遗漏搜索相当的性能。
Sep, 2018