論文の概要: Refined Bayesian Optimization for Efficient Beam Alignment in Intelligent Indoor Wireless Environments
- arxiv url: http://arxiv.org/abs/2512.00036v1
- Date: Wed, 12 Nov 2025 22:46:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-07 19:06:32.396745
- Title: Refined Bayesian Optimization for Efficient Beam Alignment in Intelligent Indoor Wireless Environments
- Title（参考訳）: インテリジェント屋内無線環境における高効率ビームアライメントのベイズ最適化
- Authors: Parth Ashokbhai Shiroya, Amod Ashtekar, Swarnagowri Shashidhar, Mohammed E. Eltayeb,
- Abstract要約: 射出ビームトレーニングは最適な性能を達成するが、著しくコストがかかる。
本稿では,mmWaveトランシーバパターンの固有構造を利用したRefined Bayesian Optimizationフレームワークを提案する。
室内実験室での43箇所の実験では、97.7%のビーム配向精度が10度以内で示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Future intelligent indoor wireless environments re- quire fast and reliable beam alignment to sustain high-throughput links under mobility and blockage. Exhaustive beam training achieves optimal performance but is prohibitively costly. In indoor settings, dense scatterers and transceiver hardware imperfections introduce multipath and sidelobe leakage, producing measurable power across multiple angles and reducing the effectiveness of outdoor-oriented alignment algorithms. This paper presents a Refined Bayesian Optimization (R-BO) framework that exploits the inherent structure of mmWave transceiver patterns, where received power gradually increases as the transmit and receive beams converge toward the optimum. R-BO integrates a Gaussian Process (GP) surrogate with a Matern kernel and an Expected Improvement (EI) acquisition function, followed by a localized refinement around the predicted optimum. The GP hyperparam- eters are re-optimized online to adapt to irregular variations in the measured angular power field caused by reflections and sidelobe leakage. Experiments across 43 receiver positions in an indoor laboratory demonstrate 97.7% beam-alignment accuracy within 10 degrees, less than 0.3 dB average loss, and an 88% reduction in probing overhead compared to exhaustive search. These results establish R-BO as an efficient and adaptive beam-alignment solution for real-time intelligent indoor wireless environments.
- Abstract（参考訳）: 将来のインテリジェントな屋内無線環境は、モビリティとブロックの下で高スループットリンクを維持するために、高速で信頼性の高いビームアライメントを再獲得する。
射出ビームトレーニングは最適な性能を達成するが、著しくコストがかかる。
屋内環境では、密集した散乱器とトランシーバハードウェアの不完全性は、マルチパスおよびサイドローブリークを導入し、複数の角度にわたって測定可能な電力を生成し、アウトドア指向アライメントアルゴリズムの有効性を低下させる。
本稿では,送信・受信ビームが最適方向に収束するにつれて,受信電力が徐々に増大する,mmWaveトランシーバパターンの固有構造を利用するRefined Bayesian Optimization (R-BO) フレームワークを提案する。
R-BOは、ガウス過程(GP)をMaternカーネルと期待改善(EI)獲得関数に統合し、続いて予測された最適値を中心に局所的な改善を行う。
GPハイパーパラムエアーは、反射やサイドローブの漏れによる測定角電界の不規則な変動に適応するために、オンラインで再最適化される。
室内実験室における43箇所の実験では、97.7%のビーム配向精度が10度以内で、平均損失は0.3dB未満であり、徹底的な探索に比べて88%のオーバヘッドが減少している。
これらの結果から、R-BOはリアルタイムなインテリジェントな屋内無線環境のための効率的で適応的なビームアライメントソリューションとして確立された。
関連論文リスト
- PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。
PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。
ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
論文 参考訳（メタデータ） (2025-10-27T03:04:46Z) - Machine Learning for LiDAR-Based Indoor Surface Classification in Intelligent Wireless Environments [0.0]
本稿では,室内表面を半特異・低特異のカテゴリに分類するLiDAR駆動型機械学習フレームワークを提案する。
15の屋内材料から78,000点以上のデータセットを収集し、3cm×3cmのパッチに分割した。
結果は、アンサンブルツリーベースのモデルが、正確性と堅牢性の間の最良のトレードオフを一貫して提供することを示している。
論文 参考訳（メタデータ） (2025-09-04T01:58:18Z) - Investigating the Performance of Adaptive Optics on Different Bases of Spatial Modes in Turbulent Channels [0.0]
量子鍵分布(QKD)は、量子力学の原理に基づく安全な鍵交換を可能にする。
自由空間QKDは、繊維が実用的でないグローバルネットワークにとって不可欠である。
適応光学(AO)はこれらの誤りを修正する経路を提供する。
論文 参考訳（メタデータ） (2025-08-28T17:18:09Z) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳（メタデータ） (2024-12-03T19:20:08Z) - Dynamic Exclusion of Low-Fidelity Data in Bayesian Optimization for Autonomous Beamline Alignment [0.0]
本研究は、ビーム品質の信頼できない読み出しを識別し、最適化モデルが低忠実度ビームを産出する可能性のある点を求めることを阻止する手法の研究である。
探索されたアプローチには、サイズと位置モデルの損失解析を用いた動的プルーニングと、最適な適合のためにモデルにどの点を含めるべきかを決定する長さスケールに基づく遺伝的アルゴリズムが含まれる。
論文 参考訳（メタデータ） (2024-08-13T00:20:39Z) - 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) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - Robust Ultra-wideband Range Error Mitigation with Deep Learning at the
Edge [0.0]
室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。
本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。
チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
論文 参考訳（メタデータ） (2020-11-30T10:52:21Z) - 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) - A Reinforcement Learning based approach for Multi-target Detection in
Massive MIMO radar [12.982044791524494]
本稿では,MMIMO(Multiple input Multiple output)認知レーダ(CR)におけるマルチターゲット検出の問題点について考察する。
本稿では,未知の外乱統計の存在下での認知的マルチターゲット検出のための強化学習(RL)に基づくアルゴリズムを提案する。
定常環境と動的環境の両方において提案したRLアルゴリズムの性能を評価するため, 数値シミュレーションを行った。
論文 参考訳（メタデータ） (2020-05-10T16:29:06Z)
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。