Multi-Modality Sensing in mmWave Beamforming for Connected Vehicles Using Deep Learning

要約

ビームフォーミング技術は、ミリ波（MMWAVE）通信の深刻なパス損失を補うために不可欠な部分と見なされます。
特に、これらの手法は大きなアンテナアレイを採用し、狭いビームを処方して、満足のいく受信力を得ます。
ただし、従来の標準標準のビーム選択アプローチにより、効率的なリンク構成のために狭いビーム上で正確なビームアライメントを実行します。これは、主にチャネル状態情報に依存し、徹底的な検索を通して掃除するビームに依存し、計算および通信のオーバーヘッドを課します。
そして、そのような結果として生じるオーバーヘッドは、非常に動的なシナリオを含む、車両間（V2I）および車両から車両（V2V）通信での潜在的な使用を制限します。
それに比べて、センサーデバイスから取得したセンシングデータなど、帯域外のコンテキスト情報を使用すると、オーバーヘッドを削減するためのより良い代替手段が提供されます。
このペーパーでは、最適なV2IおよびV2Vラインオブスサイトリンクを積極的に確保できるように、十分なMMWaveを受信した最適なビームを予測するためのマルチモダリティセンシングデータを利用するための深い学習ベースのソリューションを提示します。
提案されたソリューションは、現実世界で測定されたMMWaveセンシングと通信データでテストされており、結果は、トップ13ビームを予測しながら最大98.19％の精度を達成できることを示しています。
それに対応して、既存のスイープアプローチと比較すると、ビームの掃引検索スペースと時間のオーバーヘッドは、それぞれ79.67％と91.89％大幅に短縮され、MMWAVE有効通信でのビームフォーミングの有望なソリューションを確認します。

要約(オリジナル)

Beamforming techniques are considered as essential parts to compensate severe path losses in millimeter-wave (mmWave) communications. In particular, these techniques adopt large antenna arrays and formulate narrow beams to obtain satisfactory received powers. However, performing accurate beam alignment over narrow beams for efficient link configuration by traditional standard defined beam selection approaches, which mainly rely on channel state information and beam sweeping through exhaustive searching, imposes computational and communications overheads. And, such resulting overheads limit their potential use in vehicle-to-infrastructure (V2I) and vehicle-to-vehicle (V2V) communications involving highly dynamic scenarios. In comparison, utilizing out-of-band contextual information, such as sensing data obtained from sensor devices, provides a better alternative to reduce overheads. This paper presents a deep learning-based solution for utilizing the multi-modality sensing data for predicting the optimal beams having sufficient mmWave received powers so that the best V2I and V2V line-of-sight links can be ensured proactively. The proposed solution has been tested on real-world measured mmWave sensing and communication data, and the results show that it can achieve up to 98.19% accuracies while predicting top-13 beams. Correspondingly, when compared to existing been sweeping approach, the beam sweeping searching space and time overheads are greatly shortened roughly by 79.67% and 91.89%, respectively which confirm a promising solution for beamforming in mmWave enabled communications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google