論文の概要: A Machine Learning Solution for Beam Tracking in mmWave Systems
- arxiv url: http://arxiv.org/abs/2001.01574v1
- Date: Sun, 29 Dec 2019 06:18:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 08:21:13.746484
- Title: A Machine Learning Solution for Beam Tracking in mmWave Systems
- Title(参考訳): mmWaveシステムにおけるビームトラッキングのための機械学習ソリューション
- Authors: Daoud Burghal, Naveed A. Abbasi, and Andreas F. Molisch
- Abstract要約: 現実シナリオにおける特定の経路に対する到着角(AoA)を追跡するための機械学習ベースのアプローチを探索する。
本稿では,ネットワークを逐次データでトレーニングする手法を提案し,提案手法の性能を拡張Kalmanフィルタ法と比較した。
- 参考スコア(独自算出の注目度): 33.1010771477611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Utilizing millimeter-wave (mmWave) frequencies for wireless communication in
\emph{mobile} systems is challenging since it requires continuous tracking of
the beam direction. Recently, beam tracking techniques based on channel
sparsity and/or Kalman filter-based techniques were proposed where the
solutions use assumptions regarding the environment and device mobility that
may not hold in practical scenarios. In this paper, we explore a machine
learning-based approach to track the angle of arrival (AoA) for specific paths
in realistic scenarios. In particular, we use a recurrent neural network (R-NN)
structure with a modified cost function to track the AoA. We propose methods to
train the network in sequential data, and study the performance of our proposed
solution in comparison to an extended Kalman filter based solution in a
realistic mmWave scenario based on stochastic channel model from the QuaDRiGa
framework. Results show that our proposed solution outperforms an extended
Kalman filter-based method by reducing the AoA outage probability, and thus
reducing the need for frequent beam search.
- Abstract(参考訳): 無線通信におけるミリ波(mmWave)周波数の利用は,ビーム方向の連続的な追跡を必要とするため困難である。
近年,チャネル幅やカルマンフィルタに基づくビームトラッキング技術が提案され,実際のシナリオでは適用できない環境や機器の移動に関する仮定が提案されている。
本稿では,現実シナリオにおける特定の経路に対する到着角度(AoA)を追跡する機械学習アプローチについて検討する。
特に、AoAを追跡するためにコスト関数を修正したリカレントニューラルネットワーク(R-NN)構造を用いる。
提案手法は,QuaDRiGaフレームワークの確率チャネルモデルに基づく現実的なmmWaveシナリオにおける拡張Kalmanフィルタベースソリューションと比較して,ネットワークを逐次データでトレーニングする方法を提案し,提案手法の性能について検討する。
提案手法は, aoaの停止確率を低減し, 頻繁なビーム探索の必要性を低減し, 拡張カルマンフィルタに基づく手法よりも優れていることを示す。
関連論文リスト
- DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。
シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文 参考訳(メタデータ) (2025-02-03T11:50:43Z) - Online waveform selection for cognitive radar [8.187445866881637]
オンライン方式で波形パラメータを選択する適応アルゴリズムを提案する。
本稿では,帯域幅のスケーリング,Qラーニング,Qラーニングのルックアヘッドという3つの強化学習アルゴリズムを提案する。
提案アルゴリズムは、目標を失わずにレンジ誤差を最小化し、連続的な追跡を維持するという2つの目的を達成する。
論文 参考訳(メタデータ) (2024-10-14T15:01:41Z) - Histogram Layer Time Delay Neural Networks for Passive Sonar
Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。
提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文 参考訳(メタデータ) (2023-07-25T19:47:26Z) - Automated classification of pre-defined movement patterns: A comparison
between GNSS and UWB technology [55.41644538483948]
リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。
本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
論文 参考訳(メタデータ) (2023-03-10T14:46:42Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。
nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
論文 参考訳(メタデータ) (2021-04-29T18:07:31Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Deep Reinforcement Learning Control for Radar Detection and Tracking in
Congested Spectral Environments [8.103366584285645]
レーダは、他のシステムとの相互干渉を軽減するために、その線形周波数変調(LFM)波形の帯域幅と中心周波数を変化させることを学ぶ。
DQLベースのアプローチを拡張して、ダブルQ-ラーニングとリカレントニューラルネットワークを組み込んで、ダブルディープリカレントQ-ネットワークを形成する。
実験結果から,提案手法は集束スペクトル環境におけるレーダ検出性能を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2020-06-23T17:21:28Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳(メタデータ) (2020-06-01T13:48:59Z) - Deep Reinforcement Learning-Based Beam Tracking for Low-Latency Services
in Vehicular Networks [39.407929561526906]
ミリ波帯の車両ネットワークにおける超信頼性・低レイテンシ通信(URLLC)は大きな課題である。
本稿では,まず,拡張カルマンフィルタ (EKF) や粒子フィルタ (PF) などの古典的手法を改良した。
次に、典型的な交差点シナリオにおいて、URLLC要求を達成することができる強化学習(RL)ベースのアプローチを提案する。
論文 参考訳(メタデータ) (2020-02-13T15:21:24Z) - Deep Reinforcement Learning based Blind mmWave MIMO Beam Alignment [11.17667928756077]
基地局が取得したユーザ機器のRF指紋に基づくブラインドビームアライメント手法を提案する。
提案システムでは,複数の移動体ユーザが深層強化学習を用いて,複数の基地局セル環境上でブラインドビームアライメントを行う。
提案手法は,オーバーヘッドを伴わずに従来の手法の最大4倍のデータレートが得られることを示す。
論文 参考訳(メタデータ) (2020-01-25T01:47:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。