論文の概要: Beam Management with Orientation and RSRP using Deep Learning for Beyond 5G Systems

• arxiv url: http://arxiv.org/abs/2202.02247v1
• Date: Fri, 4 Feb 2022 17:25:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 17:59:07.811543
• Title: Beam Management with Orientation and RSRP using Deep Learning for Beyond 5G Systems
• Title（参考訳）: 深層学習を用いた配向・RSRPによる5Gシステムを越えたビーム管理
• Authors: Khuong N. Nguyen, Anum Ali, Jianhua Mo, Boon Loong Ng, Vutha Va, and Jianzhong Charlie Zhang
• Abstract要約: 我々は、慣性測定ユニット(IMU)から得られる配向情報を効果的なビーム管理(BM)に利用する。 我々は、リカレントニューラルネットワーク(RNN)を用いて、基準信号受信電力(RSRP)と向き情報とを融合するデータ駆動戦略を用いる。 具体的には、UE方向が急速に変化すると平均RSRPを4.2dBまで向上させ、ビーム予測精度を最大34%向上させる。
• 参考スコア（独自算出の注目度）: 6.257440291371456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beam management (BM), i.e., the process of finding and maintaining a suitable transmit and receive beam pair, can be challenging, particularly in highly dynamic scenarios. Side-information, e.g., orientation, from on-board sensors can assist the user equipment (UE) BM. In this work, we use the orientation information coming from the inertial measurement unit (IMU) for effective BM. We use a data-driven strategy that fuses the reference signal received power (RSRP) with orientation information using a recurrent neural network (RNN). Simulation results show that the proposed strategy performs much better than the conventional BM and an orientation-assisted BM strategy that utilizes particle filter in another study. Specifically, the proposed data-driven strategy improves the beam-prediction accuracy up to 34% and increases mean RSRP by up to 4.2 dB when the UE orientation changes quickly.
• Abstract（参考訳）: ビームマネージメント(bm)、すなわち適切な送受信ビームペアを見つけて維持するプロセスは、特に非常にダイナミックなシナリオでは困難である。 オンボードセンサーからの方向などのサイド情報により、ユーザ機器(ue)bmを補助することができる。 本研究では,慣性測定ユニット(IMU)から得られる配向情報を有効BMに用いる。 我々は、リカレントニューラルネットワーク(RNN)を用いて、基準信号受信電力(RSRP)と向き情報とを融合するデータ駆動戦略を用いる。 シミュレーションの結果,提案手法は従来のBMよりも優れた性能を示し,別の研究で粒子フィルタを用いた指向性BM戦略が得られた。 具体的には、UE方向が急速に変化すると平均RSRPを4.2dBまで向上させ、ビーム予測精度を最大34%向上させる。

関連論文リスト

• Sense Less, Generate More: Pre-training LiDAR Perception with Masked Autoencoders for Ultra-Efficient 3D Sensing [0.6340101348986665]
  本稿では,環境の広範囲なトレーニングに基づいて予測可能か,あるいは全体的な予測精度に限界がある環境の一部ではなく,環境の一部を生成する,破壊的かつフラグアルなLiDAR知覚データフローを提案する。 この目的のために提案した生成前訓練戦略であるR-MAE(Radially masked autoencoding)は、オンフィールド操作中にランダムに生成された角状領域のレーザパワーを選択的に活性化制御することにより、典型的なLiDARシステムでも容易に実装できる。
  論文  参考訳（メタデータ） (2024-06-12T03:02:54Z)
• Beam Management Driven by Radio Environment Maps in O-RAN Architecture [2.0305676256390934]
  M-MIMOは5Gと将来の6Gネットワークの主要な技術の一つと考えられている。 ビームの静的集合、すなわちグリッド・オブ・ビーム(GoB)を利用するM-MIMOネットワークの実装が容易である。 ビームマネジメント(BM)は、無線環境に関する歴史的知識を考慮し、強化することができる。 提案手法はOpen Radio Access Network (O-RAN) アーキテクチャに準拠している。
  論文  参考訳（メタデータ） (2023-03-21T11:09:31Z)
• Learning Generalized Wireless MAC Communication Protocols via Abstraction [34.450315226301576]
  本稿では,オートエンコーダ(AE)に基づくアーキテクチャを提案し,それをMAPPO(Multi-Adnt proximal Policy Optimization)フレームワークに組み込む。 観測から抽象化された情報を学習するために,オートエンコーダ(AE)に基づくアーキテクチャを提案し,それをMAPPO(Multi-Adnt proximal Policy Optimization)フレームワークに組み込む。
  論文  参考訳（メタデータ） (2022-06-06T14:19:21Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
  ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
  論文  参考訳（メタデータ） (2021-05-21T02:43:02Z)
• IDOL: Inertial Deep Orientation-Estimation and Localization [18.118289074111946]
  多くのスマートフォンアプリケーションは、運動を感知するために慣性測定装置(IMU)を使用しているが、歩行者の局所化にこれらのセンサーを使用することは困難である。 近年,慣性航法の可能性が高まっている。 本稿では,まず端末の向きを推定し,次にデバイスの位置を推定するコモディティスマートフォンを用いた2段階のデータ駆動パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-02-08T06:41:47Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Deep Learning-based Phase Reconfiguration for Intelligent Reflecting Surfaces [0.0]
  IRSにおける位相再構成のための深層学習(DL)手法を提案する。 提案手法は、IRSを通して反射された受信したパイロット信号を用いて、ディープフィードフォワードネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-09-29T13:18:24Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。