Fugu-MT 論文翻訳(概要): Ray-Tracing-Based Dynamic Channel Sounding With Autoregressive Wi-Fi CSI Prediction

論文の概要: Ray-Tracing-Based Dynamic Channel Sounding With Autoregressive Wi-Fi CSI Prediction

arxiv url: http://arxiv.org/abs/2611.05970v1
Date: Wed, 04 Nov 2026 05:04:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 03:25:57.947975
Title: Ray-Tracing-Based Dynamic Channel Sounding With Autoregressive Wi-Fi CSI Prediction
Title（参考訳）: 自己回帰型Wi-Fi CSI予測を用いたレイトレーシング型動的チャネル音響
Abstract要約: デバイスモビリティはチャネルの老化を引き起こすが、自動回帰CSI予測は音の間隔に蓄積するエラーをもたらす。本稿では,自己回帰CSI予測と信号-干渉-余剰雑音比(SINR)制約区間選択を統合した動的発振フレームワークを提案する。レイトレーシング実験は、チャネル予測、軌道伝達、自己回帰予測誤差を評価する。
参考スコア（独自算出の注目度）: 43.060823776152866
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Channel sounding in Wi-Fi multiple-input multiple-output (MIMO) systems must balance channel state information (CSI) accuracy against CSI acquisition overhead. Device mobility causes channel aging, while autoregressive CSI prediction introduces errors that accumulate over sounding intervals. However, standardized statistical channel models cannot fully capture the environment-specific channel dynamics encountered in physical artificial intelligence (AI) applications, motivating the use of Sionna-based ray tracing to evaluate CSI prediction under device mobility and evolving propagation geometry. This paper develops a dynamic sounding framework that integrates autoregressive CSI prediction with signal-to-interference-plus-noise ratio (SINR)-constrained interval selection. A Transformer with rotary position embedding that converts device positions into CSI sequences predicts CSI across multiple subcarriers for beamforming updates between sounding exchanges. We formulate sounding-interval selection as a predicted average-throughput maximization problem under per-stream SINR lower-bound constraints, including CSI acquisition and processing overhead. A prediction-error perturbation analysis provides the SINR bounds, and cumulative-sum enumeration globally solves the finite single-variable problem. Actual SINR feasibility holds whenever the prediction errors satisfy the bounds. Ray-tracing experiments assess channel prediction, trajectory transfer, and autoregressive prediction errors. In single-STA Wi-Fi 7 link-level simulations, predicted-CSI beamforming improves mean goodput by 67.3%, 112.7%, and 119.1% over stale CSI for linear, circular, and cosine trajectories, respectively.
Abstract（参考訳）: Wi-Fiマルチインプットマルチアウトプット(MIMO)システムでは、チャネル状態情報(CSI)の精度とCSI取得オーバーヘッドのバランスをとる必要がある。デバイスモビリティはチャネルの老化を引き起こすが、自動回帰CSI予測は音の間隔に蓄積するエラーをもたらす。しかし、標準化された統計チャネルモデルでは、物理人工知能(AI)アプリケーションで発生する環境特異的チャネルのダイナミクスを完全に把握することができず、デバイスモビリティ下でのCSI予測と伝播幾何学の進化を評価するために、Sionnaベースのレイトレーシングの利用を動機付けている。本稿では,自己回帰CSI予測と信号-干渉-余剰雑音比(SINR)制約区間選択を統合した動的発振フレームワークを提案する。デバイス位置をCSIシーケンスに変換する回転位置埋め込みを備えた変換器は、複数のサブキャリア間でCSIを予測し、発振交換器間のビームフォーミング更新を行う。我々は,CSI取得や処理オーバーヘッドを含む低拘束条件下での平均スループット最大化問題として,発声区間選択を定式化する。予測-エラー摂動解析はSINR境界を提供し、累積-sum列挙は有限個の単変数問題を全世界的に解決する。実際のSINR実現性は、予測エラーが境界を満たすたびに維持される。レイトレーシング実験は、チャネル予測、軌道伝達、自己回帰予測誤差を評価する。シングルSTA Wi-Fi 7のリンクレベルシミュレーションでは、予測CSIビームフォーミングは平均出力を67.3%、112.7%、そして119.1%で改善している。

関連論文リスト

RAG-CSI: Global Local Retrieval via Joint State and Dynamics Matching for CSI Prediction [16.48964545066723]
RAG-CSIは検索に強化されたトランスフォーマーフレームワークであり、関連する履歴チャネルの知識で予測を強化する。本研究では,現場を横断する代表的観察と,現在のサービス現場からの歴史的観察を含むグローバルローカルなCSI知識ストアを構築した。 Transformer予測器はクロスアテンションを使用して、検索した知識を現在のCSI履歴と融合させ、限られたモデルパラメータで将来のCSIを予測する。
論文参考訳（メタデータ） (2026-10-27T09:19:16Z)
JEPA-kMMVAE: CSI Prediction for Time-Varying Wireless Channels [6.089826534796873]
本稿では, ニューラルネットワークを用いたチャネル状態情報(CSI)予測を, ノイズの多い歴史的観測から検討する。我々は,共同埋め込み型予測アーキテクチャとkメモリ型マルコフ変分オートエンコーダを組み合わせたJEPA-kMMVAEを提案する。
論文参考訳（メタデータ） (2026-10-09T09:58:03Z)
Fast Cross-Scenario Adaptation of CSI Models via Channel Conditional Parameter Generation [71.49439535846827]
Conditional Channel Generation (CCPG) は、動的無線環境におけるCSIモデルの迅速な展開のためのエンドツーエンドパイプラインである。 CCPGは、コンポーネント凍結実験を通じてシーンに敏感な適応ボトルネックを特定し、軽量なLoRA重みのみを生成する。 CSIフィードバックとチャネル推定のためのDeepMIMOとWAIR-Dの実験は、CCPGが1回の前進パスで約3秒で新しいシナリオに適応することを示している。
論文参考訳（メタデータ） (2026-06-22T13:20:01Z)
Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文参考訳（メタデータ） (2026-04-23T03:28:12Z)
Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文参考訳（メタデータ） (2025-11-21T07:25:49Z)
Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems [65.23921727688749]
本稿では,新たなゴシップ生成敵ネットワーク(Gossip-GAN)支援CSIフィードバックトレーニングフレームワークを提案する。 Gossip-GANは、ユーザのプライバシを保護しながら、低オーバーヘッドでCSIフィードバックトレーニングを可能にする。
論文参考訳（メタデータ） (2025-08-31T07:46:16Z)
CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing [19.12026243010111]
CSI予測と分類タスクのための統合フレームワークCSI-BERT2を提案する。このフレームワークはBERTに適応し、双方向の自己認識機構を通じてCSI配列間の複雑な関係をキャプチャする。 CSI-BERT2は、すべてのタスクで最先端のパフォーマンスを達成することを実証している。
論文参考訳（メタデータ） (2024-12-09T06:44:04Z)
Autonomous Self-Trained Channel State Prediction Method for mmWave Vehicular Communications [2.2136561577994853]
5G mmWaveの車載接続は、高いユーザモビリティのために大きな課題となる。我々は,mmWave車両利用者を対象とした自律学習型CSI予測フレームワークを開発した。本稿では,DeepMIMOデータセット生成環境を用いて提案フレームワークの実装と評価を行う。
論文参考訳（メタデータ） (2024-10-03T09:20:48Z)
Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文参考訳（メタデータ） (2022-09-18T03:07:37Z)

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。