Nov, 2019

搭载相机的毫米波基站：视觉辅助波束与遮挡预测

PDF
TL;DR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。
mmwave communication systemsbeam selectionblockage predictioncomputer visiondeep learning
发现论文，激发创造
  • 使用实际毫米波数据的视觉 - 定位多模束预测

    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

  • 基于相机的毫米波波束预测：多候选真实场景

    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

  • 毫米波相机无人机：计算机视觉辅助的无线波束预测

    该论文提出了一种基于视觉数据的机器学习方法来帮助无线电通信的快速和准确的波束预测，并证明了该方法可以提高高移动 mmWave / THz 无人机的通信效率。

    Nov, 2022

  • 车载摄像头引导毫米波束：方法与实际车车通信示范

    该研究论文利用深度学习方法，在车辆之间的通信场景中，通过车载 360 度相机捕获的图像来预测未来的波束，实现了高达 85% 的前 5 个波束预测准确率，并显著减少波束训练的开销，展示了利用视觉实现高度移动车辆之间通信的潜力。

    Aug, 2023

  • 可靠毫米波系统的机器学习：阻塞预测和主动切换

    使用机器学习工具，针对毫米波 MIMO 系统中基站和移动用户之间的可靠性和延迟挑战，提出了一种有效的解决方案，使基站能够学习如何预测下一个时间框架中某个链接将经历阻塞，并且根据其过去的观察结果主动将用户移交给具有高概率的 LOS 链接的另一个基站，从而保证了移动毫米波系统的高可靠性和低延迟。

    Jul, 2018

  • 利用次 6 GHz 信道进行毫米波波束和障碍预测的深度学习

    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

  • 高移动毫米波系统的深度学习协同波束成形

    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

  • 基于雷达辅助的 6G 波束预测：深度学习算法与实际演示

    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

  • 基于情境感知的毫米波波束预测：一种机器学习方法

    本文提供一种将机器学习工具和情境感知相结合的方法，在车辆环境中学习射总体信息（功率、最佳射总索引等），实验结果表明情境感知可以极大提高预测准确性和模型吞吐量，同时几乎不影响性能和性能损失。

    May, 2018

  • 基于 LiDAR 的实际毫米波系统移动遮挡预测

    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