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

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

本篇论文探讨使用毫米波通信作为高带宽连接汽车的唯一可行方法，提出一种使用位置信息来应对毫米波波束对齐问题的高层次解决方案，并给出了一些仿真实验结果。

Feb, 2016

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

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

该研究提出了第一个大规模的多模态数据集，用于研究毫米波车到车通信。数据集包括来自 360 度摄像机、四个雷达、四个 60 GHz 相控阵、一个 3D 激光雷达和两个精确 GPS 的两车试验台的数据。该数据集涵盖了日间和夜间的城际和乡村地区，行驶距离 120 公里，速度高达 100 公里 / 小时。数据集包含了超过一百万个物体的检测结果，从卡车到自行车都有。该研究还提供了详细的数据集统计信息，证明了各种情况的覆盖情况，并强调了该数据集如何支持新颖的机器学习应用。

Jun, 2024

提出了一种自主、低成本的测试平台，用于收集大量共位的毫米波信号和其他传感器数据，以促进毫米波车辆通信的研究和发展。通过多模态数据融合和人工智能的应用，预计在 “连接” 的研究领域带来重大进展。

Jan, 2024

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