論文の概要: Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mmWave Networks

• arxiv url: http://arxiv.org/abs/2101.01847v1
• Date: Wed, 6 Jan 2021 02:59:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 00:02:38.925874
• Title: Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mmWave Networks
• Title（参考訳）: AI駆動6G mmWaveネットワークにおける高速で信頼性の高い初期アクセスのためのディープラーニング
• Authors: Tarun S. Cousik, Vijay K. Shah, Tugba Erpek, Yalin E. Sagduyu, Jeffrey H. Reed
• Abstract要約: DeepIAは、5Gおよび6Gミリメートル(mmWave)ネットワークを超えてAI駆動の高速で信頼性の高い初期アクセスを可能にするフレームワークです。 DeepIAは、利用可能なビームのサブセットのみを利用して、従来の完全検索ベースのIAプロセスと比較してビームスイープ時間を短縮します。 DeepIAのビーム予測精度はIAに使用されるビームの数に飽和し、ビームの特定の選択に依存することを示しています。
• 参考スコア（独自算出の注目度）: 6.097649192976533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DeepIA, a deep neural network (DNN) framework for enabling fast and reliable initial access for AI-driven beyond 5G and 6G millimeter (mmWave) networks. DeepIA reduces the beam sweep time compared to a conventional exhaustive search-based IA process by utilizing only a subset of the available beams. DeepIA maps received signal strengths (RSSs) obtained from a subset of beams to the beam that is best oriented to the receiver. In both line of sight (LoS) and non-line of sight (NLoS) conditions, DeepIA reduces the IA time and outperforms the conventional IA's beam prediction accuracy. We show that the beam prediction accuracy of DeepIA saturates with the number of beams used for IA and depends on the particular selection of the beams. In LoS conditions, the selection of the beams is consequential and improves the accuracy by up to 70%. In NLoS situations, it improves accuracy by up to 35%. We find that, averaging multiple RSS snapshots further reduces the number of beams needed and achieves more than 95% accuracy in both LoS and NLoS conditions. Finally, we evaluate the beam prediction time of DeepIA through embedded hardware implementation and show the improvement over the conventional beam sweeping.
• Abstract（参考訳）: DeepIAはディープニューラルネットワーク(DNN)フレームワークで、5Gおよび6Gミリミリ(mmWave)ネットワークを超えたAI駆動の高速で信頼性の高い初期アクセスを可能にする。 deepiaは、利用可能なビームのサブセットのみを利用することで、従来のサーチベースia法に比べてビームスイープ時間を短縮する。 DeepIAマップは、受信機に最も向いているビームへのビームのサブセットから得られる信号強度(RSS)を受信する。 視線(LoS)と非視線(NLoS)の両方の条件では、DeepIAはIA時間を短縮し、従来のIAのビーム予測精度を上回っている。 以上の結果から,deepiaのビーム予測精度はiaに用いるビーム数に比例し,ビームの特定の選択に依存することがわかった。 LoS条件では、ビームの選択は連続的に行われ、精度を最大70%向上させる。 NLoSの場合、最大で35%精度が向上する。 複数のrssスナップショットを平均することで、必要なビーム数をさらに削減し、losとnlosの両方の条件で95%以上の精度を達成することが分かっています。 最後に,組み込みハードウェア実装によるdeepiaのビーム予測時間を評価し,従来のビームスイーピングよりも改善することを示す。

関連論文リスト

• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• UB3: Best Beam Identification in Millimeter Wave Systems via Pure Exploration Unimodal Bandits [7.253481390411171]
  本研究では,受信したビームの信号強度の一様構造を利用して,最適なビームを有限時間で識別するアルゴリズムを開発した。 我々のアルゴリズムは、Unimodal Bandit for Best Beam (UB3) と名付けられ、数ラウンドで高い確率で最適なビームを識別する。
  論文  参考訳（メタデータ） (2022-12-26T09:24:22Z)
• Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
  我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。 我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
  論文  参考訳（メタデータ） (2022-10-23T05:57:39Z)
• Neural Architecture Search for Efficient Uncalibrated Deep Photometric Stereo [105.05232615226602]
  差別化可能なニューラルアーキテクチャサーチ(NAS)戦略を利用して、非校正型PSアーキテクチャを自動的に見つける。 DiLiGenTデータセットの実験では、自動検索されたニューラルネットワークのパフォーマンスが、最先端の未校正PSメソッドと好適に比較されている。
  論文  参考訳（メタデータ） (2021-10-11T21:22:17Z)
• 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)
• Adversarial Attacks on Deep Learning Based mmWave Beam Prediction in 5G and Beyond [46.34482158291128]
  ディープニューラルネットワーク(DNN)は、受信信号強度(RSS)を用いて各UEに最もスランシングされたビームを、可能な狭いビームのサブセットから予測することができる。 そこで本稿では,DNN への入力として,航空機上で捕獲した RSS を操作するための摂動を発生させることにより,敵攻撃を提案する。 この攻撃によりIA性能が大幅に低下し、DNNはガウスや均一なノイズで攻撃を妨害するよりも小さなRSSのビームを選択することにだまされる。
  論文  参考訳（メタデータ） (2021-03-25T17:25:21Z)
• Machine Learning on Camera Images for Fast mmWave Beamforming [7.89556780984955]
  現在の802.11ad WiFiと新しい5Gセルラー規格は、最も高いSNRとビームペアを特定するために、数ミリ秒間異なるセクターの組み合わせを探索している。 帯域外情報を用いた2つの逐次畳み込みニューラルネットワーク(CNN)を用いた機械学習(ML)アプローチを提案する。 NI 60GHz mm波トランシーバを用いた屋内設定のこの興味深いコンセプトを実験的に検証します。
  論文  参考訳（メタデータ） (2021-02-15T04:38:00Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
  ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。 現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。 本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
  論文  参考訳（メタデータ） (2020-11-12T14:57:44Z)
• Fast Initial Access with Deep Learning for Beam Prediction in 5G mmWave Networks [7.879958190837517]
  DeepIAは、5Gミリ波(mmWave)ネットワークにおける高速で正確な初期アクセス(IA)のためのディープラーニングソリューションである。 そこで,DeepIAは,ビームの除去によりIA時間を短縮し,視線(LoS)および非視線(NLoS)mm波流路条件において従来のIAのビーム予測精度を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2020-06-22T22:35:17Z)

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。