論文の概要: Multi-User Beamforming with Deep Reinforcement Learning in Sensing-Aided Communication

• arxiv url: http://arxiv.org/abs/2505.05956v1
• Date: Fri, 09 May 2025 11:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.237967
• Title: Multi-User Beamforming with Deep Reinforcement Learning in Sensing-Aided Communication
• Title（参考訳）: センシング支援通信における深層強化学習を用いたマルチユーザビームフォーミング
• Authors: Xiyu Wang, Gilberto Berardinelli, Hei Victor Cheng, Petar Popovski, Ramoni Adeogun,
• Abstract要約: モバイルユーザーはミリ波(mmWave)通信におけるビームドリフトによるビーム障害を経験しがちである。 センシングは、ユーザのフィードバックを必要としないため、タイムリーなビーム変更とオーバーヘッドの低いビームドリフトを支援する。 本研究は,モバイル利用者に割り当てられたビームを動的に管理することで,センサ支援通信を最適化する問題について検討する。
• 参考スコア（独自算出の注目度）: 33.27925398983283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile users are prone to experience beam failure due to beam drifting in millimeter wave (mmWave) communications. Sensing can help alleviate beam drifting with timely beam changes and low overhead since it does not need user feedback. This work studies the problem of optimizing sensing-aided communication by dynamically managing beams allocated to mobile users. A multi-beam scheme is introduced, which allocates multiple beams to the users that need an update on the angle of departure (AoD) estimates and a single beam to the users that have satisfied AoD estimation precision. A deep reinforcement learning (DRL) assisted method is developed to optimize the beam allocation policy, relying only upon the sensing echoes. For comparison, a heuristic AoD-based method using approximated Cram\'er-Rao lower bound (CRLB) for allocation is also presented. Both methods require neither user feedback nor prior state evolution information. Results show that the DRL-assisted method achieves a considerable gain in throughput than the conventional beam sweeping method and the AoD-based method, and it is robust to different user speeds.
• Abstract（参考訳）: モバイルユーザーはミリ波(mmWave)通信におけるビームのドリフトによりビームの故障を経験しがちである。 センシングは、ユーザのフィードバックを必要としないため、タイムリーなビーム変更とオーバーヘッドの低いビームドリフトを緩和するのに役立つ。 本研究は,モバイル利用者に割り当てられたビームを動的に管理することで,センサ支援通信を最適化する問題について検討する。 出発角推定(AoD)の更新を必要とするユーザに対して複数のビームを割り当て、AoD推定精度を満足したユーザに対して単一のビームを割り当てるマルチビームスキームが導入された。 センシングエコーのみに依存してビーム割り当てポリシーを最適化するために, 深部強化学習(DRL)支援手法を開発した。 比較のために, 近似したCram\'er-Raolow bound (CRLB) を用いたヒューリスティックなAoD法も提案する。 どちらの手法もユーザーからのフィードバックも事前状態の進化情報も必要としない。 DRL法は従来のビームスイーピング法やAoD法に比べてスループットが大幅に向上し,ユーザ速度の相違に頑健であることを示す。

関連論文リスト

• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• 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)
• Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
  深層学習に基づく近接場ビームトレーニング手法を提案する。 我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。 提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-05T13:26:25Z)
• 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)
• 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)
• 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)

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。