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

本文综述了基于深度学习的 5G 通信方案的发展，并提出了高效的深度学习方案，探讨了非正交多址接入（NOMA）、海量多输入多输出（MIMO）和毫米波（mmWave）的通信框架，并展示了它们卓越的表现。本文的创新点在于深度学习技术在无线物理层框架中的优化方法为通信理论开辟了新的方向。

Apr, 2019

本文介绍了一个用于毫米波 / 大规模 MIMO 信道的通用数据集 DeepMIMO，其由精确的射线跟踪数据构建形成，可以用于深度学习算法中的波束预测等多种机器学习应用。

Feb, 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

本论文探讨了机器学习在 6G 中扮演的角色，提出通过隐式通道学习来完成无线信道估计与机器学习任务结合的方法，并在无线数据传输中达到了 60% 的图像和语音分类任务准确率提升。

Jun, 2022

通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。

Dec, 2023

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

本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同，并将其构建为一个非凸优化问题，以最大化信号干扰加噪声比（SINR）; 该算法在子 6 GHz 和毫米波（mmWave）频段的语音无线电和数据无线电中都取得了更好的性能。

Jun, 2019

本文提出了一种基于边缘控制器的 5G 移动网络结构，利用全球用户的移动模式来动态聚类和关联基站和控制器，以及通过控制器运行机器学习算法来预测每个基站的用户数量，为高层次应用程序提供路由服务，以提高网络的重要性能指标。

Aug, 2018

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