要約
無線チャネルは環境物体との複雑な相互作用から生じるため、無線伝播モデリングは電気通信研究において不可欠です。
最近、機械学習は、これらのインタラクションを詳細にモデル化できるレイ トレーシングのような、計算量の多いツールに代わる可能性のあるツールとして注目を集めています。
ただし、既存の機械学習アプローチは、カバレッジ マップなどの特定のチャネル特性を直接学習しようとすることが多いため、周波数や材料特性に非常に特異的であり、基礎となる伝播メカニズムを完全に捉えることができません。
したがって、レイ トレーシング、特にポイントツーポイントのバリアントは、送信ノードと受信ノードの間で考えられるすべてのパスを正確に識別するために依然として人気があります。
それでも、テストされるパスの数は指数関数的に増加する一方、有効なパスはほんの一部にすぎないため、パスの識別には大量の計算が必要です。
この論文では、潜在的なレイ パスを効率的にサンプリングし、高精度を維持しながら計算負荷を大幅に軽減する、機械学習支援のレイ トレーシング アプローチを提案します。
私たちのモデルは、すべての可能なパスの中から潜在的に有効なパスの優先順位を動的に学習し、シーンの複雑さに応じて線形にスケールします。
最近の代替案とは異なり、私たちのアプローチはジオメトリの移動、スケーリング、回転に対して不変であり、特定の環境特性への依存を回避します。
要約(オリジナル)
Radio propagation modeling is essential in telecommunication research, as radio channels result from complex interactions with environmental objects. Recently, Machine Learning has been attracting attention as a potential alternative to computationally demanding tools, like Ray Tracing, which can model these interactions in detail. However, existing Machine Learning approaches often attempt to learn directly specific channel characteristics, such as the coverage map, making them highly specific to the frequency and material properties and unable to fully capture the underlying propagation mechanisms. Hence, Ray Tracing, particularly the Point-to-Point variant, remains popular to accurately identify all possible paths between transmitter and receiver nodes. Still, path identification is computationally intensive because the number of paths to be tested grows exponentially while only a small fraction is valid. In this paper, we propose a Machine Learning-aided Ray Tracing approach to efficiently sample potential ray paths, significantly reducing the computational load while maintaining high accuracy. Our model dynamically learns to prioritize potentially valid paths among all possible paths and scales linearly with scene complexity. Unlike recent alternatives, our approach is invariant with translation, scaling, or rotation of the geometry, and avoids dependency on specific environment characteristics.
arxiv情報
著者 | Jérome Eertmans,Nicola Di Cicco,Claude Oestges,Laurent Jacques,Enrico M. Vittuci,Vittorio Degli-Esposti |
発行日 | 2024-11-04 18:42:07+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google