論文の概要: Phase-Aware CNN for Real-Time 5G/6G Channel Estimation with Hardware-in-the-loop Validation

• arxiv url: http://arxiv.org/abs/2608.14676v1
• Date: Tue, 04 Aug 2026 11:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.957922
• Title: Phase-Aware CNN for Real-Time 5G/6G Channel Estimation with Hardware-in-the-loop Validation
• Title（参考訳）: ハードウェア・イン・ザ・ループ検証によるリアルタイム5G/6Gチャネル推定のための位相対応CNN
• Abstract要約: この研究は、深層学習を用いたパイロットベースのチャネル推定に焦点を当て、全サブキャリアグリッドの規模と位相の両方を再構築する。 提案システムは,シネ表現とコサイン表現を用いた位相認識型入力符号化と,軽量な畳み込みニューラルネットワーク(CNN)アーキテクチャを組み合わせた。
• 参考スコア（独自算出の注目度）: 36.18140091896351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In 5G/6G wireless systems, accurate and timely channel estimation is critical to ensure reliable communication under complex, fast-changing radio conditions. This work focuses on pilot-based channel estimation using deep learning to reconstruct both magnitude and phase across the full subcarrier grid, with particular emphasis on evaluation using emulated data collected from an end-to-end O-RAN testbed. The testbed includes hardware in the loop and controlled channel emulation to better reflect deployment conditions beyond pure software simulation. It addresses major limitations in classical estimators such as LS and MMSE, as well as deep learning-based approaches that struggle with phase prediction due to discontinuities at $\pm π$, poor generalization to different UE and antenna configurations, and computational inefficiency for real-time deployment. The proposed system combines a phase-aware input encoding using sine and cosine representations with a lightweight Convolutional Neural Network (CNN) architecture. This design achieves high accuracy, stable phase reconstruction, strong generalization across testbed-derived datasets, and real-time inference suitable for edge devices.
• Abstract（参考訳）: 5G/6G無線システムでは、複雑で高速に変化する無線条件下での信頼性の高い通信を確保するために、正確かつタイムリーなチャネル推定が重要である。 本研究は,全サブキャリアグリッドの規模と位相を再構築するためにディープラーニングを用いたパイロットベースのチャネル推定に焦点を当て,特にエンドツーエンドのO-RANテストベッドから収集したエミュレートデータを用いた評価に重点を置いている。 テストベッドにはループ内のハードウェアとコントロールされたチャネルエミュレーションが含まれており、純粋なソフトウェアシミュレーション以上のデプロイメント条件をよりよく反映する。 LS や MMSE などの古典的推定器や、不連続な$\pm π$ での位相予測に苦しむディープラーニングベースのアプローチ、異なるUE やアンテナ構成への低一般化、リアルタイムデプロイメントにおける計算効率の低下など、大きな制限に対処する。 提案システムは,シネ表現とコサイン表現を用いた位相認識型入力符号化と,軽量な畳み込みニューラルネットワーク(CNN)アーキテクチャを組み合わせた。 この設計は、高精度で安定した位相再構成、テストベッド由来のデータセット間の強力な一般化、エッジデバイスに適したリアルタイム推論を実現する。

関連論文リスト

• Hardware-in-the-Loop Phase-Aware CNN for Real-Time 5G Channel Estimation [36.18140091896351]
  このデモでは、ハードウェア・イン・ザ・ループ5Gプラットフォームから収集したデータを使用して、リアルタイムでAIベースのアップリンクチャネル推定を行う。 デモの間、参加者は、キャプチャーされたハードウェア生成DMRS観測を使用して、リアルタイムCNN推論とチャネル再構築を観察する。
  論文  参考訳（メタデータ） (2026-08-11T10:45:37Z)
• 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)
• 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)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• Machine Learning for Phase Estimation in Satellite-to-Earth Quantum Communication [0.24578723416255752]
  グローバル連続可変量子鍵分布(CV-QKD)ネットワークは、衛星から地球への一連のチャネルを用いて確立することができる。 CV-QKDの実装には,信号位相誤差推定アルゴリズムの高速化と精度が不可欠である。
  論文  参考訳（メタデータ） (2025-02-14T05:07:59Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• 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)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。