Large AI Model for Delay-Doppler Domain Channel Prediction in 6G OTFS-Based Vehicular Networks

要約

チャネルの予測は、将来のチャネル条件の予測と通信戦略の積極的な調整を可能にするため、高モビリティ車両ネットワークにとって重要です。
ただし、正確な車両チャネルの予測を達成することは、重要なドップラー効果と、高速車両の動きと複雑な伝播環境に起因する急速なチャネルの変動のために困難です。
このホワイトペーパーでは、高モビリティ車両ネットワークに合わせた新しい遅延ドップラー（DD）ドメインチャネル予測フレームワークを提案します。
チャネル表現をDDドメインに変換することにより、基礎となる物理的プロダクションプロセスと密接に整合する直感的でまばらで安定した描写を取得し、複雑な車両チャネルを予測可能性を強化したタイムシリーズパラメーターのセットに効果的に削減します。
さらに、大規模な人工知能（AI）モデルを活用して、これらのDDドメインの時系列パラメーターを予測し、時間的相関をモデル化する高度な能力を活用します。
事前に訓練された大型AIモデルのゼロショット機能は、タスク固有のトレーニングを必要とせずに正確なチャネル予測を促進しますが、特定の車両チャネルデータのその後の微調整により、予測の精度がさらに向上します。
広範なシミュレーション結果は、DDドメインチャネル予測フレームワークの有効性と、時系列チャネルパラメーターの予測における大規模AIモデルの優れた精度を示しているため、堅牢な車両通信システムのアプローチの可能性を強調しています。

要約(オリジナル)

Channel prediction is crucial for high-mobility vehicular networks, as it enables the anticipation of future channel conditions and the proactive adjustment of communication strategies. However, achieving accurate vehicular channel prediction is challenging due to significant Doppler effects and rapid channel variations resulting from high-speed vehicle movement and complex propagation environments. In this paper, we propose a novel delay-Doppler (DD) domain channel prediction framework tailored for high-mobility vehicular networks. By transforming the channel representation into the DD domain, we obtain an intuitive, sparse, and stable depiction that closely aligns with the underlying physical propagation processes, effectively reducing the complex vehicular channel to a set of time-series parameters with enhanced predictability. Furthermore, we leverage the large artificial intelligence (AI) model to predict these DD-domain time-series parameters, capitalizing on their advanced ability to model temporal correlations. The zero-shot capability of the pre-trained large AI model facilitates accurate channel predictions without requiring task-specific training, while subsequent fine-tuning on specific vehicular channel data further improves prediction accuracy. Extensive simulation results demonstrate the effectiveness of our DD-domain channel prediction framework and the superior accuracy of the large AI model in predicting time-series channel parameters, thereby highlighting the potential of our approach for robust vehicular communication systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google