Jan, 2024

多智能体上下文学习策略下的毫米波车联网干扰感知波束分配

PDF
TL;DR利用毫米波、5G 和车辆通信研究具有潜力的提高信道带宽和网络容量，通过开发一种名为多主体背景学习（MACOL）的新策略，利用环境上下文信息来控制干扰并分配毫米波束为网络中的车辆服务，成功实现了在重载交通负荷条件下将干扰水平保持在约 10% 左右。
millimeter wave5gvehicular communicationsbeam switchinginterference control
发现论文，激发创造
  • 利用上下文匹配实现毫米波系统的高效波束对准

    研究毫米波系统中的波束对准问题，通过设计一种优化算法来减少开销，具体来说，利用随机优化公式在线最大化波束对准策略的指向增益，通过上下文信息改善性能并提出等效结构化多臂军刀算法来最优化探索 - 开发权衡。

    Dec, 2017

  • 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

  • 基于深度学习的车对车通信的位置感知 60 GHz 毫米波波束成型

    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

  • 毫米波车联网中基于移动性和阻塞感知的通信

    本文提出了一种自适应设计的方法来减少车联网在毫米波频段操作时遇到的性能退化问题，并通过时间相关性来优化吞吐量和功耗，该方法被称为 C-PBVI。

    Feb, 2020

  • 毫米波车载系统中的波束训练：机器学习解耦波束选择

    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

  • 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

  • 毫米波车联网中基于位置的在线压缩波束码本学习

    本文提出了一种基于角度信息和在线学习算法的压缩感知编码本学习框架，有效地获得通道测量值并提供快速波束对准的解决方案。

    May, 2020

  • 基于深度强化学习的车载网络低延迟服务波束跟踪

    本论文研究汽车网络中毫米波频段的超高可靠低延迟通信服务，通过修改经典控制算法以适应非稳态场景，并提出一种基于强化学习的方法，从训练数据中提取上下文信息来实现 URLLC 要求，模拟结果表明，强化学习方法可以将延迟缩短至约 6ms。

    Feb, 2020

  • 搭载相机的毫米波基站：视觉辅助波束与遮挡预测

    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

  • 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