論文の概要: Beam Management Driven by Radio Environment Maps in O-RAN Architecture
- arxiv url: http://arxiv.org/abs/2303.11742v1
- Date: Tue, 21 Mar 2023 11:09:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 15:35:38.719861
- Title: Beam Management Driven by Radio Environment Maps in O-RAN Architecture
- Title（参考訳）: 無線環境マップによるO-RANアーキテクチャのビーム管理
- Authors: Marcin Hoffmann, Pawel Kryszkiewicz
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.0305676256390934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Massive Multiple-Input Multiple-Output (M-MIMO) is considered as one of
the key technologies in 5G, and future 6G networks. From the perspective of,
e.g., channel estimation, especially for high-speed users it is easier to
implement an M-MIMO network exploiting a static set of beams, i.e., Grid of
Beams (GoB). While considering GoB it is important to properly assign users to
the beams, i.e., to perform Beam Management (BM). BM can be enhanced by taking
into account historical knowledge about the radio environment, e.g., to avoid
radio link failures. The aim of this paper is to propose such a BM algorithm,
that utilizes location-dependent data stored in a Radio Environment Map (REM).
It utilizes received power maps, and user mobility patterns to optimize the BM
process in terms of Reinforcement Learning (RL) by using the Policy Iteration
method under different goal functions, e.g., maximization of received power or
minimization of beam reselections while avoiding radio link failures. The
proposed solution is compliant with the Open Radio Access Network (O-RAN)
architecture, enabling its practical implementation. Simulation studies have
shown that the proposed BM algorithm can significantly reduce the number of
beam reselections or radio link failures compared to the baseline algorithm.
- Abstract（参考訳）: M-MIMO(Massive Multiple-Input Multiple-Output)は、5Gおよび将来の6Gネットワークにおいて重要な技術の一つである。
例えばチャネル推定、特に高速ユーザにとっては、ビームの静的セット、すなわちビームのグリッド(gob)を利用するm-mimoネットワークの実装が容易である。
gobを考慮した場合、ビーム管理(bm)を行うために、適切にユーザをビームに割り当てることが重要である。
BMは、例えば無線リンクの故障を避けるために、無線環境に関する歴史的な知識を考慮に入れることで強化することができる。
本稿では,無線環境マップ(REM)に格納された位置依存データを利用するBMアルゴリズムを提案する。
受信電力マップとユーザモビリティパターンを利用して、無線リンク障害を避けつつ受信電力の最大化やビーム再選択の最小化といった異なる目標関数の下でのポリシー反復法を用いて、強化学習(rl)の観点からbmプロセスを最適化する。
提案手法はopen radio access network (o-ran) アーキテクチャに準拠しており,実用的な実装が可能である。
シミュレーションにより,bmアルゴリズムはベースラインアルゴリズムと比較して,ビーム再選択や無線リンク障害の数を有意に削減できることが示されている。
関連論文リスト
- Machine Learning (ML)-assisted Beam Management in millimeter (mm)Wave
Distributed Multiple Input Multiple Output (D-MIMO) systems [0.5079602839359522]
本稿では,ビームサブセットのみの発振から最適なAP/ビームを確実に推定できるかどうかを検討する。
我々は、推論の性能上の利点を示すために、ランダムフォレスト(RF)、ミスフォレスト(MF)、条件付き生成適応ネットワーク(c-GAN)を用いる。
論文 参考訳（メタデータ） (2023-12-30T09:24:19Z) - Flexible Payload Configuration for Satellites using Machine Learning [33.269035910233704]
現在のGEOシステムは、周波数使用率の少ないマルチビームフットプリントを用いて、ビームに電力と帯域幅を均一に分散している。
近年の研究では、不均一な交通シナリオにおけるこのアプローチの限界が明らかにされており、非効率性につながっている。
本稿では、無線リソース管理(RRM)に対する機械学習(ML)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-18T13:45:17Z) - DeepMPR: Enhancing Opportunistic Routing in Wireless Networks through
Multi-Agent Deep Reinforcement Learning [0.5818726765408144]
機会的ルーティングは、無線ネットワークのブロードキャスト能力に依存する。
ブロードキャストのコストを削減するため、マルチキャストルーティングスキームはネットワークオーバーヘッドを減らすためにコネクテッド・ドミネーション・セット(CDS)またはマルチポイント・リレー・セット(MPR)を使用する。
一般的なMPR選択アルゴリズムは、ノード間の調整に依存し、大規模ネットワークには高い計算能力を必要とし、ネットワークの不確実性にチューニングすることが困難である。
本稿では,OLSR MPR選択アルゴリズムよりも優れた新しいMPRマルチキャストルーティング手法であるDeepMPRを設計するために,マルチエージェントディープ強化学習を用いる。
論文 参考訳（メタデータ） (2023-06-16T05:53:42Z) - 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) - Beam Management in Ultra-dense mmWave Network via Federated
Reinforcement Learning: An Intelligent and Secure Approach [19.01563068819449]
超高密度ミリ波ネットワーク(UDmmWave)の鍵となる課題は、高伝搬遅延制限ビームカバレッジによるビーム管理である。
本稿では,ユーザプライバシを理論的に保護し,ハンドオフコストを低減できる新しいビーム管理手法を提案する。
論文 参考訳（メタデータ） (2022-10-04T01:47:33Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - State-Augmented Learnable Algorithms for Resource Management in Wireless
Networks [124.89036526192268]
本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。
提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
論文 参考訳（メタデータ） (2022-07-05T18:02:54Z) - 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) - Increasing Energy Efficiency of Massive-MIMO Network via Base Stations
Switching using Reinforcement Learning and Radio Environment Maps [3.781421673607642]
M-MIMO伝送はアンテナ数で高エネルギー消費が増加します。
本稿では,未利用BSのオン/オフによるEE改善について検討する。
論文 参考訳（メタデータ） (2021-03-08T21:57:13Z) - Path Design and Resource Management for NOMA enhanced Indoor Intelligent
Robots [58.980293789967575]
通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。
室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。
調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
論文 参考訳（メタデータ） (2020-11-23T21:45:01Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-21T07:02:07Z)
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。