論文の概要: BeamRMX: Radiation-Pattern-Driven Learning for Generalizable Beam Radio Map Prediction and Beam Management

• arxiv url: http://arxiv.org/abs/2609.00615v1
• Date: Tue, 01 Sep 2026 02:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.248219
• Title: BeamRMX: Radiation-Pattern-Driven Learning for Generalizable Beam Radio Map Prediction and Beam Management
• Title（参考訳）: BeamRMX: 一般化可能なビームラジオマップ予測とビーム管理のための放射パタン駆動学習
• Authors: Yue Zhang, Xiucheng Wang, Wenshuo Chen, Nan Cheng,
• Abstract要約: 6G無線ネットワークは、より大きなアンテナアレイと高指向性マルチビーム伝送を駆動している。 BeamRMXは、空間放射パターンを主要なBeamRMクエリとして扱うための最初の専用のフレームワークである。 XBaseは放射線クエリとシーン幾何学の間のマルチスケール相互作用を学習する。
• 参考スコア（独自算出の注目度）: 26.316069202754473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution toward sixth-generation (6G) wireless networks is driving larger antenna arrays and highly directional multi-beam transmission, making accurate knowledge of beam-dependent spatial coverage important for beam management and environment-aware network operation. Radio maps (RMs) provide such a representation, yet conventional RM prediction assumes omnidirectional or transmitter-level radiation. In beamformed multiple-input multiple-output (MIMO) systems, one propagation scene instead gives rise to many configuration-dependent beam radio maps (BeamRMs), creating challenges in beam representation and generalization. Existing methods either condition prediction on beam descriptors or use beam maps as auxiliary inputs to generic architectures. We propose BeamRMX, which, to the best of our knowledge, is the first dedicated framework to treat the spatial radiation pattern as the primary BeamRM query and learn how scene geometry transforms it into the received power field. XBase learns multiscale interactions between the radiation query and scene geometry, while an optional Evidence Adapter uses a few cross-configuration BeamRMs from the same scene. Matched-domain and zero-shot experiments show consistent gains over deterministic and diffusion baselines, including mean absolute error reductions of 26.1\% on unseen scenes and 47.8\% on an unseen configuration. Cross-configuration evidence further improves reconstruction and intra-sector beam refinement.
• Abstract（参考訳）: 第6世代(6G)無線ネットワークへの進化は、より大きなアンテナアレイと高指向性マルチビーム伝送を駆動し、ビーム管理と環境に配慮したネットワーク運用において、ビーム依存空間カバレッジの正確な知識を提供する。 無線地図(RM)はそのような表現を提供するが、従来のRM予測では全方位または送信機レベルの放射を仮定している。 ビームフォーマド多重出力多重出力(MIMO)システムでは、1つの伝搬シーンが多くの構成依存ビーム無線マップ(BeamRM)を発生させ、ビーム表現と一般化の課題を生み出している。 既存の方法はビームディスクリプタの条件予測か、ジェネリックアーキテクチャへの補助入力としてビームマップを使用する。 本研究では,BeamRMXを提案する。このフレームワークは空間放射パターンを第一のBeamRMクエリとして扱うための最初の専用フレームワークであり,シーン形状が受信電力場に変換する方法を学習する。 XBaseは放射線クエリとシーン幾何学のマルチスケールインタラクションを学習し、オプションのEvidence Adapterは同じシーンからいくつかのクロスコンフィグレーションビームRMを使用する。 一致した領域とゼロショットの実験は、決定論的および拡散的ベースラインよりも一貫した利得を示し、平均的な絶対誤差は、見えないシーンでは26.1\%、見えない構成では47.8\%である。 クロスコンフィグレーションのエビデンスにより、再構築やセクタ内ビームの精製がさらに改善される。

関連論文リスト

• U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach [62.11972168232143]
  XL-MIMOを搭載した上位6GHz帯(U6G)は、第6世代の無線システムにとって重要なイネーブルである。 既存のデータセットは、主に等方性アンテナを持つ小さな配列しかサポートしていない。 本稿では,XL-MIMOラジオマップを3つの側面から予測する。
  論文  参考訳（メタデータ） (2026-03-06T15:44:27Z)
• Sionna RT: Technical Report [55.30691098976664]
  SionnaはオープンソースのGPUアクセラレーションライブラリで、電波伝搬をシミュレートするレイトレーサを備えている。 本論文は、Sionna RTが電波伝搬を効率的にシミュレートするアルゴリズムについて詳述する。
  論文  参考訳（メタデータ） (2025-04-30T15:05:20Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• Beam Management Driven by Radio Environment Maps in O-RAN Architecture [2.0305676256390934]
  M-MIMOは5Gと将来の6Gネットワークの主要な技術の一つと考えられている。 ビームの静的集合、すなわちグリッド・オブ・ビーム(GoB)を利用するM-MIMOネットワークの実装が容易である。 ビームマネジメント(BM)は、無線環境に関する歴史的知識を考慮し、強化することができる。 提案手法はOpen Radio Access Network (O-RAN) アーキテクチャに準拠している。
  論文  参考訳（メタデータ） (2023-03-21T11:09:31Z)
• 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)
• BeamTransformer: Microphone Array-based Overlapping Speech Detection [52.11665331754917]
  BeamTransformerは、異なる空間方向からの信号間の逐次関係のモデリングを最適化することを目指している。 ビームトランスフォーマーは、異なるビームシーケンス間の関係を識別するために学習において超越する。 BeamTransformerはさらに一歩前進し、重なり合うスピーカーからの音声は、内部的に異なるビームに分離されている。
  論文  参考訳（メタデータ） (2021-09-09T06:10:48Z)

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。