論文の概要: Multi-Modality Sensing in mmWave Beamforming for Connected Vehicles Using Deep Learning
- arxiv url: http://arxiv.org/abs/2504.06173v1
- Date: Tue, 08 Apr 2025 16:18:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:30:37.165642
- Title: Multi-Modality Sensing in mmWave Beamforming for Connected Vehicles Using Deep Learning
- Title（参考訳）: 深層学習を用いた連結車両のミリ波ビームフォーミングにおけるマルチモーダルセンシング
- Authors: Muhammad Baqer Mollah, Honggang Wang, Mohammad Ataul Karim, Hua Fang,
- Abstract要約: 本稿では,mmWave受信出力が十分である最適ビームの予測に,マルチモーダルセンシングデータを活用するためのディープラーニングベースのソリューションを提案する。
結果は、トップ13ビームを予測しながら98.19%の精度を達成できることを示している。
- 参考スコア（独自算出の注目度）: 2.2879063461015425
- License:
- Abstract: Beamforming techniques are considered as essential parts to compensate severe path losses in millimeter-wave (mmWave) communications. In particular, these techniques adopt large antenna arrays and formulate narrow beams to obtain satisfactory received powers. However, performing accurate beam alignment over narrow beams for efficient link configuration by traditional standard defined beam selection approaches, which mainly rely on channel state information and beam sweeping through exhaustive searching, imposes computational and communications overheads. And, such resulting overheads limit their potential use in vehicle-to-infrastructure (V2I) and vehicle-to-vehicle (V2V) communications involving highly dynamic scenarios. In comparison, utilizing out-of-band contextual information, such as sensing data obtained from sensor devices, provides a better alternative to reduce overheads. This paper presents a deep learning-based solution for utilizing the multi-modality sensing data for predicting the optimal beams having sufficient mmWave received powers so that the best V2I and V2V line-of-sight links can be ensured proactively. The proposed solution has been tested on real-world measured mmWave sensing and communication data, and the results show that it can achieve up to 98.19% accuracies while predicting top-13 beams. Correspondingly, when compared to existing been sweeping approach, the beam sweeping searching space and time overheads are greatly shortened roughly by 79.67% and 91.89%, respectively which confirm a promising solution for beamforming in mmWave enabled communications.
- Abstract（参考訳）: ビームフォーミング技術はミリ波(mmWave)通信における深刻な経路損失を補うために不可欠であると考えられている。
特に、これらの技術は大きなアンテナアレイを採用し、狭いビームを定式化し、良好な受信パワーを得る。
しかし、従来の標準ビーム選択手法により、狭いビーム上で正確なビームアライメントを実行し、チャネル状態情報と網羅探索によるビームスイーピングに大きく依存し、計算と通信のオーバーヘッドを課している。
結果として生じるオーバーヘッドは、非常にダイナミックなシナリオを含むV2IとV2Vの通信における潜在的な使用を制限する。
対照的に、センサデバイスから取得したセンシングデータなどの帯域外コンテキスト情報を利用することで、オーバーヘッドを減らすことができる。
本稿では,mmWave受信電力が十分である最適ビームを予測するために,多モードセンシングデータを利用する深層学習型ソリューションを提案する。
提案手法は実世界で測定されたmmWaveセンシングと通信データを用いてテストされ、その結果、トップ13ビームを予測しながら最大98.19%の精度を達成できることが示されている。
それに対応して、既存のスイーピングアプローチと比較して、ビームスイーピングの検索スペースと時間オーバーヘッドは、それぞれ79.67%と91.89%と大幅に短縮され、mWaveが有効とする通信におけるビームフォーミングの有望な解決策が確認される。
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) - Position Aware 60 GHz mmWave Beamforming for V2V Communications
Utilizing Deep Learning [2.4993733210446893]
本稿では, 車両位置情報を利用して, 十分なmWave受信パワーを有する最適ビームを予測するための深層学習に基づく解を提案する。
その結果,提案手法は平均して84.58%のリンクステータスを受信できることがわかった。
論文 参考訳（メタデータ） (2024-02-02T09:30:27Z) - 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) - Reliable Beamforming at Terahertz Bands: Are Causal Representations the
Way Forward? [85.06664206117088]
マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。
既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。
ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
論文 参考訳（メタデータ） (2023-03-14T16:02:46Z) - 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 on Multimodal Sensor Data at the Wireless Edge for
Vehicular Network [8.458980329342799]
本稿では,LiDAR,カメラ画像,GPSなどのセンサから収集したマルチモーダルデータを活用することで,ビーム選択を高速化する手法を提案する。
本研究では,モバイル・エッジ・コンピューティング・センターだけでなく,ローカルでも実行可能な個別かつ分散融合型ディープラーニング(F-DL)アーキテクチャを提案する。
市販の合成および自家用実世界のデータセットに対する広範な評価の結果、古典的なRFのみのビームスイーピングよりも95%と96%のビーム選択速度が向上したことが明らかとなった。
論文 参考訳（メタデータ） (2022-01-12T21:55:34Z) - 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 Learning-based Compressive Beam Alignment in mmWave Vehicular
Systems [75.77033270838926]
車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。
構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-02-27T04:38:12Z) - Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave
Communication Systems [15.297530726877786]
ビームトレーニングの膨大なオーバーヘッドはミリ波(mmWave)無線通信において大きな課題となる。
チャネル電力の漏れに応じて狭いビーム方向を校正する広いビームベースのトレーニングアプローチを提案します。
チャネルパワーリークの複雑な非線形特性に対処するために、ディープラーニングを用いて最適な狭ビームを直接予測する。
論文 参考訳（メタデータ） (2021-01-08T04:02:34Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - 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。