論文の概要: Machine Learning on Camera Images for Fast mmWave Beamforming

• arxiv url: http://arxiv.org/abs/2102.07337v1
• Date: Mon, 15 Feb 2021 04:38:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:20:06.018919
• Title: Machine Learning on Camera Images for Fast mmWave Beamforming
• Title（参考訳）: 高速ミリ波ビームフォーミングのためのカメラ画像の機械学習
• Authors: Batool Salehi, Mauro Belgiovine, Sara Garcia Sanchez, Jennifer Dy, Stratis Ioannidis, Kaushik Chowdhury
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.89556780984955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perfect alignment in chosen beam sectors at both transmit- and receive-nodes is required for beamforming in mmWave bands. Current 802.11ad WiFi and emerging 5G cellular standards spend up to several milliseconds exploring different sector combinations to identify the beam pair with the highest SNR. In this paper, we propose a machine learning (ML) approach with two sequential convolutional neural networks (CNN) that uses out-of-band information, in the form of camera images, to (i) rapidly identify the locations of the transmitter and receiver nodes, and then (ii) return the optimal beam pair. We experimentally validate this intriguing concept for indoor settings using the NI 60GHz mmwave transceiver. Our results reveal that our ML approach reduces beamforming related exploration time by 93% under different ambient lighting conditions, with an error of less than 1% compared to the time-intensive deterministic method defined by the current standards.
• Abstract（参考訳）: mmWaveバンドでのビームフォーミングには、送信ノードと受信ノードの両方で選択されたビームセクタの完璧なアライメントが必要です。 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。 本論文では,2つの連続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)手法を提案する。この手法は,帯域外情報をカメラ画像の形で利用し,(i)送信機と受信機のノードの位置を迅速に識別し,(ii)最適なビームペアを返す。 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。 その結果,我々のML手法は,現在の基準で定義されている時間集中決定法と比較して,環境照明条件下でのビームフォーミング関連探査時間を93%削減し,誤差が1%未満であることが判明した。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• 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)
• 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)
• Deep Learning Based Hybrid Precoding in Dual-Band Communication Systems [34.03893373401685]
  本研究では,サブ6GHz帯から抽出した空間的・時間的情報を用いてミリ波帯のビームを予測・追跡する深層学習手法を提案する。 サブ6GHz帯とミリ波帯の両方で動作するデュアルバンド通信システムについて検討する。
  論文  参考訳（メタデータ） (2021-07-16T12:10:32Z)
• Non-line-of-sight imaging with picosecond temporal resolution [13.81942907279106]
  非視線イメージング(NLOS)は隅々の監視を可能にし、多様なアプリケーションに期待できる。 我々は、高時間分解能1.4ps、低ノイズカウントレート5秒/秒(cps)のアップコンバージョン単光子検出器を構築した。 本システムでは,180mの軸方向分解能と2mmの横方向分解能が得られる。
  論文  参考訳（メタデータ） (2021-06-30T03:55:45Z)
• 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)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mmWave Networks [6.097649192976533]
  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。
  論文  参考訳（メタデータ） (2021-01-06T02:59:49Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)
• Fast Generation and Detection of Spatial Modes of Light using an Acousto-Optic Modulator [62.997667081978825]
  光の空間モードは、古典的情報と量子的情報の両方を符号化するのに使用できる高次元空間を提供する。 これらのモードを動的に生成および測定するための現在のアプローチは、高解像度のフェーズマスクを再構成する必要があるため、遅い。 我々は、二重パスAOMを用いて、5つの軌道角運動量状態のうちの1つを生成することにより、このアプローチを実験的に実現した。 我々は、平均96.9%の忠実度で、任意の状態を1ミリ秒未満で再構築することができる。
  論文  参考訳（メタデータ） (2020-07-31T14:58:30Z)
• Beamforming Learning for mmWave Communication: Theory and Experimental Validation [23.17604790640996]
  本稿では,最小ビームフォーミングゲインを保証しながら,探索時間を短縮し,CSIを必要としないビーム設計手法を提案する。 提案手法の有効性を,実生活計測によるコードブックの構築と性能評価の観点から評価する。
  論文  参考訳（メタデータ） (2019-12-28T05:46:39Z)

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。