論文の概要: Hardware-in-the-Loop Phase-Aware CNN for Real-Time 5G Channel Estimation

• arxiv url: http://arxiv.org/abs/2608.14709v1
• Date: Tue, 11 Aug 2026 10:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.043225
• Title: Hardware-in-the-Loop Phase-Aware CNN for Real-Time 5G Channel Estimation
• Title（参考訳）: リアルタイム5Gチャネル推定のためのハードウェア・イン・ザ・ループ位相対応CNN
• Abstract要約: 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。
• 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: This demo presents real-time AI-based uplink channel-estimation inference using data collected from a hardware-in-the-loop 5G platform. The data-collection setup integrates commercial RF signal generation, programmable channel emulation, an O-RAN Radio Unit, DU emulation, and a lightweight phase-aware convolutional neural network (CNN) that estimates the channel response directly from received DMRS signals. Unlike simulation-only evaluations, the hardware-derived dataset exposes the estimator to practical RF and system-level impairments, including calibration mismatches, synchronization imperfections, quantization effects, phase noise, and implementation-specific nonlinearities. During the demo, attendees will observe real-time CNN inference and channel reconstruction using captured hardware-generated DMRS observations and compare the proposed CNN against Least Squares (LS) and frequency-domain LMMSE baselines. The objective is to showcase a practical AI-native physical-layer inference pipeline that combines hardware-derived 5G data with real-time neural channel estimation for future 5G-Advanced and 6G systems.
• Abstract（参考訳）: 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。 データ収集装置は、商用RF信号生成、プログラマブルチャネルエミュレーション、O-RANラジオユニット、DUエミュレーション、受信したDMRS信号から直接チャネル応答を推定する軽量位相認識畳み込みニューラルネットワーク(CNN)を統合する。 シミュレーションのみの評価とは異なり、ハードウェア由来のデータセットは、キャリブレーションミスマッチ、同期不完全性、量子化効果、位相ノイズ、実装固有の非線形性を含む、実用的なRFおよびシステムレベルの障害に対して推定器を公開する。 デモでは、ハードウェア生成したDMRS観測を用いてリアルタイムCNN推論とチャネル再構築を行い、提案したCNNをLast Squares(LS)と周波数領域LMMSEベースラインと比較する。 目的は、ハードウェア由来の5Gデータと、将来の5G-Advancedおよび6Gシステムのリアルタイムニューラルネットワーク推定を組み合わせた、実用的なAIネイティブな物理層推論パイプラインを示すことである。

関連論文リスト

• Phase-Aware CNN for Real-Time 5G/6G Channel Estimation with Hardware-in-the-loop Validation [36.18140091896351]
  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。
  論文  参考訳（メタデータ） (2026-08-04T11:05:13Z)
• ML-Based Real-Time Downlink Performance Prediction in Standalone 5G NR Using Smartphones [17.884632967810315]
  商用オフザシェルフ(COTS)ユーザ機器(UE)のリアルタイム計測を用いた5Gネットワークにおけるダウンリンク性能予測フレームワークを提案する。 2つのGoogle Pixel 7aスマートフォンは、チャネル品質指標(CQI)、変調および符号化方式(MCS)、ビットレート、伝送時間間隔(TTI)、ブロックエラー率(BLER)などの物理層特性を収集するために使用される。 テストデータには、グローバルなOoklaサーバ(米国、ポルトガル、ガーナ、エジプト、日本)、iperf TCP/UDPデータ、YouTubeのビデオストリーミングセッションが含まれる。
  論文  参考訳（メタデータ） (2026-03-19T18:46:57Z)
• FPGA-Based Real-Time Waveform Classification [0.0]
  我々は、ルックアップテーブルベースのニューラルネットワークについて検討し、バイナリ多層ニューラルネットワークのレイアウト、フットプリント、パフォーマンス、トレーニングの課題に対処する。 これらの構造は遺伝的アルゴリズムを用いてトレーニングでき、オンラインのデッドタイムフリー処理と互換性のある推論レイテンシを実現することができる。
  論文  参考訳（メタデータ） (2025-11-07T18:44:50Z)
• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• 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)
• Wireless Sensing With Deep Spectrogram Network and Primitive Based Autoregressive Hybrid Channel Model [20.670058030653458]
  無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。 現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。 本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
  論文  参考訳（メタデータ） (2021-04-21T06:33:01Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。