論文の概要: GPS-Aided Deep Learning for Beam Prediction and Tracking in UAV mmWave Communication

• arxiv url: http://arxiv.org/abs/2505.17530v1
• Date: Fri, 23 May 2025 06:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.869773
• Title: GPS-Aided Deep Learning for Beam Prediction and Tracking in UAV mmWave Communication
• Title（参考訳）: UAVmm波通信におけるビーム予測と追跡のためのGPS支援深層学習
• Authors: Vendi Ardianto Nugroho, Byung Moo Lee,
• Abstract要約: 本研究は,UAVmmWave通信における現在および将来の最適ビームを同時に予測するGPS支援深層学習(DL)モデルを提案する。 このモデルではオーバーヘッドを約93%削減し(32ビームではなく23ビームのトレーニングが必要)、95%のビーム予測精度を保証するとともに、予測の94%から96%が平均出力損失が1dBを超えないことを保証する。
• 参考スコア（独自算出の注目度）: 6.21540494241516
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Millimeter-wave (mmWave) communication enables high data rates for cellular-connected Unmanned Aerial Vehicles (UAVs). However, a robust beam management remains challenging due to significant path loss and the dynamic mobility of UAVs, which can destabilize the UAV-base station (BS) link. This research presents a GPS-aided deep learning (DL) model that simultaneously predicts current and future optimal beams for UAV mmWave communications, maintaining a Top-1 prediction accuracy exceeding 70% and an average power loss below 0.6 dB across all prediction steps. These outcomes stem from a proposed data set splitting method ensuring balanced label distribution, paired with a GPS preprocessing technique that extracts key positional features, and a DL architecture that maps sequential position data to beam index predictions. The model reduces overhead by approximately 93% (requiring the training of 2 ~ 3 beams instead of 32 beams) with 95% beam prediction accuracy guarantees, and ensures 94% to 96% of predictions exhibit mean power loss not exceeding 1 dB.
• Abstract（参考訳）: ミリ波通信(mmWave)は、携帯電話に接続された無人航空機(UAV)の高速通信を可能にする。 しかし、UAV基地局(UAV-base Station, BS)の接続を不安定化できるUAVの航路損失と動的移動性のために、ロバストビーム管理は依然として困難である。 本研究は,UAVmmWave通信における現在および将来の最適ビームを同時に予測し,Top-1予測精度を70%以上,平均電力損失を0.6dB以下に維持するGPS支援ディープラーニング(DL)モデルを提案する。 これらの結果は、重要な位置特徴を抽出するGPS前処理技術と組み合わせたバランスの取れたラベル分布を保証するデータセット分割法と、シーケンシャルな位置データをビームインデックス予測にマッピングするDLアーキテクチャに起因している。 このモデルではオーバーヘッドを約93%削減し(32ビームではなく2～3ビームのトレーニングが必要)、95%のビーム予測精度を保証するとともに、予測の94%から96%が平均出力損失が1dBを超えないことを保証する。

関連論文リスト

• Multi-Modality Sensing in mmWave Beamforming for Connected Vehicles Using Deep Learning [2.2879063461015425]
  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。
  論文  参考訳（メタデータ） (2025-04-08T16:18:00Z)
• 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)
• Leveraging LSTM for Predictive Modeling of Satellite Clock Bias [0.0]
  本稿では,Long Short-Term Memory (LSTM) ネットワークを用いた衛星クロックバイアスの予測手法を提案する。 私たちのLSTMモデルは、Root Mean Square Error(RMSE)が2.11$times$10$-11$である、極めて精度が高い。 本研究は, 各種デバイスで使用される低消費電力受信機の精度と効率を高める上で, 有意義な可能性を秘めている。
  論文  参考訳（メタデータ） (2024-11-11T14:18:32Z)
• VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction [2.1825723033513165]
  シーケンスベースニューラルネットワークにおけるGRU(Gated Recurrent Units)を用いた新しいトラジェクトリ予測手法を提案する。 我々は、合成と実世界のUAV軌跡データの両方を使用し、幅広い飛行パターン、速度、機敏性を捉えています。 GRUベースのモデルは、平均二乗誤差(MSE)を2×10-8に抑えながら、最先端のRNNアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-10-24T07:16:42Z)
• A Deep Dive into the Trade-Offs of Parameter-Efficient Preference Alignment Techniques [63.10251271444959]
  大規模言語モデルは最初、数兆のトークンで事前訓練され、その後、特定の好みに合わせて命令調整または調整される。 我々は,3つの重要な軸に対する人気選択の影響を詳細に調査する。 300以上の実験にまたがるセットアップでは、一貫した傾向と予期せぬ結果が明らかになる。
  論文  参考訳（メタデータ） (2024-06-07T12:25:51Z)
• 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)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• 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)
• Codebook-Based Beam Tracking for Conformal ArrayEnabled UAV MmWave Networks [33.52271582081627]
  ミリ波(mmWave)通信は無人航空機(UAV)ネットワークの高データレート要件を満たす可能性がある。 mmWave通信の前提条件として,UAVの3次元移動と姿勢変化のため,狭方向ビーム追跡は非常に困難である。 本研究では,UAVの両面にコンフォメーションアレイを組み込むことにより,高ダイナミックUAVmmWaveネットワークにおける全空間カバレッジとアジャイルビームトラッキングを実現することを提案する。
  論文  参考訳（メタデータ） (2020-05-28T14:57:23Z)

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。