利用激光雷达数据来实现对毫米波和太赫兹通信网络中的连接障碍的预测，分析了静态噪声簇消除算法和机器学习模型，在深感 6G 结构下的实际测试中展示了 95％的准确性，并可以通过主动切换来提高网络可靠性和延迟。

Nov, 2021

利用深度学习模型从 sub-6GHz 信道预测 mmWave 波束和阻塞状态，DeepMIMO 数据集验证模型可以超过 90% 的成功预测 mmWave 阻塞，这种方法避免了波束训练的开销并且在没有完美信道知识的情况下逼近最优数据速率。

Oct, 2019

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

本研究通过利用时空视觉传感信息，展示了主动接收功率预测在可靠毫米波网络中的可行性。通过使用摄像头图像和机器学习，该机制可以预测从下一时刻到几百毫秒后的接收功率时间序列。通过卷积 LSTM 的使用，该机制可以在不到 3ms 的推理时间内，以 3.5 dB 的均方根误差预测接收功率的时间序列高达 500ms。

Mar, 2018

本文介绍了一种采用 5G 车到车（V2X）通信实现的无人驾驶和半自动驾驶技术，利用毫米波技术在通信方面广泛应用于车辆网络应用。文章提出了一种结合机器学习的中继机制来实现基于毫米波基站的广播信息传输，包括通过 LOS 节点中继机来将信息传输到 NLOS 的车辆。通过在信号覆盖区域内实现机器学习，实现更快速的信息传输，更广泛的带宽覆盖范围，提高了在 NLOS 区域内车辆的收益。

Dec, 2020

通过基于 LiDAR 传感器的深度学习和射线投射的技术，我们提出了一种端到端的系统来预测未来可能遇到的人体遮挡，从而在不失去数据准确性的情况下，提高确定信号路径的正确性。在 300ms 的窗口期内，本系统可以达到 87% 的准确率，同时保持 78% 的精确度和 79% 的召回率。

Oct, 2021

本文探讨利用 LiDAR 获取的三维点云数据进行毫米波通信中的链路质量预测，该方法将替代传统基于图像的方式并且可避免隐私泄露。通过实验验证，该方法证明了在存在人体阻挡时，点云数据可以有效预测毫米波信号强度的大幅度丢失。

Jan, 2023

本文研究基于深度强化学习技术的毫米波移动通信网络后向资源分配问题，准确预测信道状况，提高系统性能。

Dec, 2018

该研究提出了一种名为 RaDaR 的框架，它利用雷达测量和联邦学习来训练神经网络模型，实现了对动态室外环境中障碍物状况和时间的预测，从而进行主动式切换和传输，提高了网络的可靠性和体验质量。

Jun, 2023