論文の概要: RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints

• arxiv url: http://arxiv.org/abs/2603.00112v1
• Date: Wed, 18 Feb 2026 17:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.061424
• Title: RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints
• Title（参考訳）: パイロット制約下での上半帯におけるRSSマップを用いたMIMOチャネル推定
• Authors: Alireza Javid, Nuria González-Prelcic,
• Abstract要約: 本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。 多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
• 参考スコア（独自算出の注目度）: 10.076629346147639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate wireless channel estimation is critical for next-generation wireless systems, enabling precise precoding for effective user separation, reduced interference across cells, and high-resolution sensing, among other benefits. Traditional model-based channel estimation methods suffer, however, from performance degradation in complex environments with a limited number of pilots, while purely data-driven approaches lack physical interpretability, require extensive data collection, and are usually site-specific. This paper presents a novel physics-informed neural network (PINN) framework that synergistically combines model-based channel estimation with a deep network to exploit prior information about environmental propagation characteristics and achieve superior performance under pilot-constrained scenarios. The proposed approach employs an enhanced U-Net architecture with transformer modules and cross-attention mechanisms to fuse initial channel estimates with RSS maps to provide refined channel estimates. Comprehensive evaluation using realistic ray-tracing data from urban environments demonstrates significant performance improvements, achieving over 5 dB gain in NMSE compared to state-of-the-art methods, with particularly strong performance in pilot-limited scenarios and robustness across different frequencies and environments with only minimal fine-tuning. We further extend the decoder for multi-step temporal prediction, enabling accurate forecasting of several future channel snapshots from a single estimate, useful for proactive beamforming and scheduling in mobile scenarios. The proposed framework maintains practical computational complexity, making it viable for massive MIMO systems in upper-mid band frequencies. Unlike black-box neural approaches, the physics-informed design provides a more interpretable channel estimation method.
• Abstract（参考訳）: ワイヤレスチャネルの正確な推定は次世代無線システムにとって重要であり、効率的なユーザ分離、セル間の干渉の低減、高解像度センシングなどの利点を正確にプリコーディングできる。 しかし、従来のモデルに基づくチャネル推定手法は、パイロット数が限られている複雑な環境での性能劣化に悩まされる一方、純粋にデータ駆動型アプローチは物理的解釈性に欠け、広範囲なデータ収集を必要とし、通常はサイト固有のものである。 本稿では、モデルに基づくチャネル推定とディープネットワークを相乗的に組み合わせた新しい物理情報ニューラルネットワーク(PINN)フレームワークを提案し、環境伝搬特性の事前情報を活用し、パイロット制約シナリオ下での優れた性能を実現する。 提案手法では、トランスフォーマーモジュールとクロスアテンション機構を備えた拡張U-Netアーキテクチャを用いて、初期チャネル推定とRSSマップを融合し、洗練されたチャネル推定を提供する。 都市環境からのリアルなレイトレーシングデータを用いた総合的な評価は、最先端の手法と比較して、NMSEで5dB以上のゲインを達成し、特にパイロット限定シナリオにおける強い性能と、最小限の微調整しか行わない異なる周波数および環境におけるロバスト性を示す。 さらに、複数ステップの時間予測のためのデコーダを拡張し、単一の推定値から複数の将来のチャネルスナップショットの正確な予測を可能にし、モバイルシナリオにおけるプロアクティブなビームフォーミングとスケジューリングに有用である。 提案するフレームワークは, 実効的な計算複雑性を保ち, 上中帯域周波数のMIMOシステムに対して有効である。 ブラックボックス・ニューラルアプローチとは異なり、物理インフォームド設計はより解釈可能なチャネル推定法を提供する。

関連論文リスト

• Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
  この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。 本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。 実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
  論文  参考訳（メタデータ） (2025-12-04T16:35:09Z)
• 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)
• Robust Channel Estimation for Optical Wireless Communications Using Neural Network [0.44816207812864195]
  本稿では,周波数選択効果を低減するために,低複雑さなチャネル推定手法を提案する。 ニューラルネットワークは、環境に関する事前のチャネル情報なしで、一般的な光無線チャネルを推定することができる。 シミュレーションの結果,提案手法は正規化平均二乗誤差 (NMSE) とビット誤り率 (BER) を改良し,頑健化していることがわかった。
  論文  参考訳（メタデータ） (2025-04-02T21:16:34Z)
• Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
  再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。 RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。 本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-09T19:45:49Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks [7.310043452300738]
  本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。 開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
  論文  参考訳（メタデータ） (2023-04-29T09:20:28Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)

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。