論文の概要: DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks
- arxiv url: http://arxiv.org/abs/2605.31065v1
- Date: Fri, 29 May 2026 09:35:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.513024
- Title: DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks
- Title（参考訳）: DRIFT:パイロットレス6G非地上ネットワークに向けた共同チャネル推定と予測
- Abstract要約: 非地球ネットワーク(NTN)は、ユビキタス接続と大規模な通信を可能にすることにより、第6世代(6G)システムにおいて重要な役割を果たすことが期待されている。
チャネル予測は、パイロットのオーバーヘッドを制限することでスペクトル利用効率を向上させるための重要な手法として現れる。
人工知能(AI)に基づく多くの予測器は推論の複雑さが特徴である。
- 参考スコア（独自算出の注目度）: 42.98774141919918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-terrestrial networks (NTNs) are expected to play a pivotal role in sixth-generation (6G) systems by enabling ubiquitous connectivity and massive communication. In this context, channel prediction emerges as a key technique to improve the spectrum utilization efficiency by limiting the pilot overhead. However, many proposed predictors based on artificial intelligence (AI) are characterized by high inference complexity, posing challenges to onboard implementation. In this paper, we address the challenge of designing accurate yet computationally efficient channel prediction techniques tailored to low Earth orbit (LEO) NTNs, where strict power constraints limit model complexity, to enable spectral efficiency gains. We propose an iterative joint channel estimation and prediction framework in the context of 6G NTNs that significantly reduces pilot overhead by transmitting pilots only in the initial slot and relying on data-driven processing for subsequent slots. We introduce Data-driven Refinement and Iterative Forecast for wireless channel Tracking (DRIFT), a lightweight architecture that refines data-aided channel estimates and predicts future channel frequency responses with low computational cost and reduced error propagation. Two predictor variants based on convolutional and long short-term memory layers are investigated. Simulation results in an end-to-end simulation of an uplink LEO NTN scenario show that the proposed approach achieves up to 12% spectral efficiency gain compared to conventional pilot-based systems, with robustness to training-test mismatches and consistent performance across different channel models. Moreover, DRIFT requires fewer than 200k multiply-accumulate operations, making it suitable for on-board satellite implementation under stringent power constraints.
- Abstract（参考訳）: 非地球ネットワーク(NTN)は、ユビキタス接続と大規模な通信を可能にすることにより、第6世代(6G)システムにおいて重要な役割を果たすことが期待されている。
この文脈では、パイロットオーバーヘッドを制限することでスペクトル利用効率を向上させるための重要な手法としてチャネル予測が出現する。
しかし、人工知能(AI)に基づく多くの予測器は、高い推論複雑性を特徴とし、実装上の課題を提起している。
本稿では,低地球軌道 (LEO) NTN に適した高精度かつ計算効率のよいチャネル予測手法を設計する上での課題に対処する。
本稿では,初期スロットのみにパイロットを送信し,その後のスロットに対してデータ駆動処理に依存することにより,パイロットのオーバーヘッドを大幅に低減する6G NTNの文脈で,反復的なジョイントチャネル推定および予測フレームワークを提案する。
DRIFT(Data-driven Refinement and Iterative Forecast for Wireless Channel Tracking)は、データ支援チャネル推定を洗練し、計算コストの低い将来のチャネル周波数応答を予測し、エラーの伝搬を低減する軽量アーキテクチャである。
畳み込みと長期記憶層に基づく2つの予測変数について検討した。
シミュレーションの結果,アップリンクLEO NTNシナリオのエンドツーエンドシミュレーションにより,従来のパイロットベースシステムと比較して最大12%のスペクトル効率向上が達成され,トレーニングテストミスマッチに対する堅牢性と,異なるチャネルモデル間の一貫した性能が得られた。
さらに、DRIFTは200k未満の乗算累積演算を必要としており、強力な電力制約下での衛星実装に適している。
関連論文リスト
- RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
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。
論文 参考訳（メタデータ） (2026-02-18T17:41:20Z) - Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。
提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
論文 参考訳（メタデータ） (2025-09-16T08:48:44Z) - 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) - Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios [41.213515826100696]
高モビリティのシナリオでは、チャネルの老朽化のため、頻繁にアップリンクチャネルを推定する必要がある。
本稿では,空間,周波数,時間領域にまたがる3領域(3D)チャネル外挿フレームワークを提案する。
数値実験の結果,提案手法はパイロット訓練のオーバーヘッドを16倍に抑えることができた。
論文 参考訳（メタデータ） (2024-06-13T07:42:25Z) - A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。
トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。
6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文 参考訳（メタデータ） (2024-05-10T06:37:07Z) - 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) - Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。
次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。
提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
論文 参考訳（メタデータ） (2022-05-25T02:26:34Z) - 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) - CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。
CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。
CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文 参考訳（メタデータ） (2021-10-21T06:26:31Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳（メタデータ） (2020-11-14T02:31:04Z) - Pruning the Pilots: Deep Learning-Based Pilot Design and Channel
Estimation for MIMO-OFDM Systems [8.401473551081748]
本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。
提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。
また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
論文 参考訳（メタデータ） (2020-06-21T13:10:26Z)
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。