論文の概要: Heterogeneity-agnostic AI/ML-assisted beam selection for multi-panel arrays

• arxiv url: http://arxiv.org/abs/2602.18678v1
• Date: Sat, 21 Feb 2026 01:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.232086
• Title: Heterogeneity-agnostic AI/ML-assisted beam selection for multi-panel arrays
• Title（参考訳）: 異種性認識型AI/MLを用いたマルチパネルアレイのビーム選択
• Authors: Ibrahim Kilinc, Robert W. Heath,
• Abstract要約: アンテナの不均一性をサポートするAI/MLベースのビーム選択アルゴリズムを提案する。 アンテナ構成から伝搬特性を分離する参照信号受信電力(RSRP)モデルを導出する。 我々は,これらの変数をユーザ位置から予測する3段階の自己回帰ネットワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI/ML-based beam selection methods coupled with location information effectively reduce beam training overhead. Unfortunately, heterogeneous antenna hardware with varying dimensions, orientations, codebooks, element patterns, and polarization angles limits their feasibility and generalization. This challenge requires either a heterogeneity-agnostic model functional under these variations, or developing many models for each configuration, which is infeasible and expensive in practice. In this paper, we propose a unifying AI/ML-based beam selection algorithm supporting antenna heterogeneity by predicting wireless propagation characteristics independent of antenna configuration. We derive a reference signal received power (RSRP) model that decouples propagation characteristics from antenna configuration. We propose an optimization framework to extract propagation variables consisting of angle-of-arrival (AoA), angle-of-departure (AoD), and a matrix incorporating path gain and channel depolarization from beamformed RSRP measurements. We develop a three-stage autoregressive network to predict these variables from user location, enabling RSRP calculation and beam selection for arbitrary antenna configurations without retraining or having a separate model for each configuration. Simulation results show our heterogeneity-agnostic method provides spectral efficiency close to that of genie-aided selection both with and without antenna heterogeneity.
• Abstract（参考訳）: AI/MLベースのビーム選択法と位置情報を組み合わせることで、ビームトレーニングのオーバーヘッドを効果的に低減する。 残念なことに、様々な次元、向き、コードブック、要素パターン、偏光角を持つ異種アンテナハードウェアは、その実現可能性と一般化を制限している。 この課題には、これらのバリエーションの下で機能する異種非依存モデルや、実際には不可能で高価である各構成のための多くのモデルを開発することが必要である。 本稿では、アンテナ構成に依存しない無線伝搬特性を予測し、アンテナの不均一性をサポートする統合AI/MLベースのビーム選択アルゴリズムを提案する。 アンテナ構成から伝搬特性を分離する参照信号受信電力(RSRP)モデルを導出する。 本研究では,AoA(AoA),AoD(AoD),およびビームホルムRSRP測定から経路ゲインとチャネル脱分極を組み込んだ行列からなる伝搬変数を抽出する最適化フレームワークを提案する。 ユーザ位置からこれらの変数を予測する3段階の自己回帰ネットワークを開発し、任意のアンテナ構成に対するRSRP計算とビーム選択を、各構成に対して個別のモデルを持つことなく実現した。 シミュレーション結果から, アンテナの不均一性の有無に関わらず, ジェニーエイド選択に近いスペクトル効率が得られることがわかった。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Aerial Secure Collaborative Communications under Eavesdropper Collusion in Low-altitude Economy: A Generative Swarm Intelligent Approach [84.20358039333756]
  本研究では,AAV群に分散コラボレーティブビームフォーミング(DCB)を導入し,対応する信号分布を制御して盗聴者の共謀を処理した。 両方向の秘密保持能力と最大サイドローブレベルを最小化して、未知の盗聴者からの情報漏洩を回避する。 本稿では,より少ないオーバーヘッドで問題を解決するために,新しいジェネレーティブ・スウォーム・インテリジェンス(GenSI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-02T04:02:58Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Fairness-Driven Optimization of RIS-Augmented 5G Networks for Seamless 3D UAV Connectivity Using DRL Algorithms [8.296140341710462]
  我々は、再構成可能なインテリジェントサーフェス(RIS)を用いた大規模マルチインプットマルチアウトプットシステムにおけるジョイントアクティブビームフォーミングとパッシブビームフォーミングの問題点について検討する。 この問題に対処する2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-14T06:43:36Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
  Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。 リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
  論文  参考訳（メタデータ） (2023-03-20T13:40:11Z)
• Antenna Array Calibration Via Gaussian Process Models [0.0]
  アンテナアレイキャリブレーションは、広範囲の先進アンテナシステムにおけるビームパターンの忠実度を維持するために必要である。 アンテナキャリブレーションを,関数近似のタスクとして定式化し,ベイズ機械学習を用いて処理する。 まず、各放射素子、位置オフセット、およびアンテナ素子間の相互結合効果に対応するハードウェア障害を捕捉するパラメータ空間を定義する。 一度展開すると、学習された非パラメトリックモデルは、システムのビームフォーミング重みを継続的に変換し、修正されたビームパターンをもたらす。
  論文  参考訳（メタデータ） (2023-01-16T19:40:50Z)
• DEFORM: A Practical, Universal Deep Beamforming System [4.450750414447688]
  我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。 我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-18T03:52:18Z)
• Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
  大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。 本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-08T12:48:06Z)
• Machine Learning-aided Design of Thinned Antenna Arrays for Optimized Network Level Performance [19.17059890143665]
  本稿では,アンテナ設計のシミュレーションに基づく最適化を実現する機械学習フレームワークを提案する。 学習手法が複雑なシミュレータをモデストデータセットでエミュレートする方法を示す。 以上の結果から,提案手法をアンテナアレイの最適化に有効に適用できることが示唆された。
  論文  参考訳（メタデータ） (2020-01-25T15:34:32Z)

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。