Mar, 2022

基于激光雷达的毫米波车联网中的未来波束预测

PDF
TL;DR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。
lidarmmwave beam predictionmachine learningvehicle-to-infrastructure communicationbeam tracking
发现论文，激发创造
  • 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

  • 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

  • 用于基于深度学习的毫米波波束选择的 LIDAR 数据

    本文介绍了一种分布式架构，使用 LIDAR 数据，通过深度卷积神经网络选择一组波束，从而减少毫米波波束形成的开销，模拟结果证实 LIDAR 可以帮助配置 mmWave V2I 链路。

    Aug, 2019

  • 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

  • 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

  • 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

  • 2022 年多模式光束预测挑战赛：迈向泛化

    通过使用多模态感知模式解决 Beam management 在高移动用户场景下的挑战，为未来的实时通信系统铺平了一条可靠的道路。

    Sep, 2022

  • 利用激光雷达数据的联合 mmWave 波束选择

    本文提出一种基于联邦式激光雷达辅助的神经网络方法，通过 V2I 毫米波通信系统中的车联网协同训练以及 LIDAR 数据预处理，在降低系统复杂度的同时提高了系统性能。

    Feb, 2021