Joint Sensing and Task-Oriented Communications with Image and Wireless Data Modalities for Dynamic Spectrum Access

要約

このペーパーでは、潜在的な送信機の識別にマルチモーダル画像とスペクトル データの相乗効果を活用する、動的スペクトル アクセスへの深層学習アプローチを紹介します。
送信機を収容している可能性のある車両などの潜在的なオブジェクトの画像を撮影するカメラを備えたエッジ デバイスを考えます。
オンデバイスの計算に関連する計算上の制約と信頼性の問題を認識して、エッジデバイスが選択的に処理された情報を融合センターとして機能する信頼できる受信機に通信し、そこで潜在的な送信機が存在するかどうかを識別する決定が行われる協調システムを提案します。
、 か否か。
これを達成するために、送信機でエンコーダを利用して共同ソースコーディング、チャネルコーディング、変調を行うタスク指向通信を採用しています。
このアーキテクチャは、オブジェクト分類に必要な次元を削減した重要な情報を効率的に送信します。
同時に、送信された信号が物体に反射して送信機に戻り、ターゲット検知データの収集が可能になります。
次に、収集されたセンシング データは送信機で 2 回目のエンコードを受け、次元が削減された情報がタスク指向の通信を通じて融合センターに返送されます。
受信側では、デコーダがジョイント センシングとタスク指向の通信を通じて受信したデータを融合することで、送信機を識別するタスクを実行します。
送信機の 2 つのエンコーダーと受信機のデコーダーは共同でトレーニングされ、画像分類とワイヤレス信号検出のシームレスな統合が可能になります。
AWGN およびレイリー チャネル モデルを使用して、提案されたアプローチの有効性を実証し、意思決定の低遅延を維持しながら、さまざまなチャネル条件にわたる送信機識別の高精度を示します。

要約(オリジナル)

This paper introduces a deep learning approach to dynamic spectrum access, leveraging the synergy of multi-modal image and spectrum data for the identification of potential transmitters. We consider an edge device equipped with a camera that is taking images of potential objects such as vehicles that may harbor transmitters. Recognizing the computational constraints and trust issues associated with on-device computation, we propose a collaborative system wherein the edge device communicates selectively processed information to a trusted receiver acting as a fusion center, where a decision is made to identify whether a potential transmitter is present, or not. To achieve this, we employ task-oriented communications, utilizing an encoder at the transmitter for joint source coding, channel coding, and modulation. This architecture efficiently transmits essential information of reduced dimension for object classification. Simultaneously, the transmitted signals may reflect off objects and return to the transmitter, allowing for the collection of target sensing data. Then the collected sensing data undergoes a second round of encoding at the transmitter, with the reduced-dimensional information communicated back to the fusion center through task-oriented communications. On the receiver side, a decoder performs the task of identifying a transmitter by fusing data received through joint sensing and task-oriented communications. The two encoders at the transmitter and the decoder at the receiver are jointly trained, enabling a seamless integration of image classification and wireless signal detection. Using AWGN and Rayleigh channel models, we demonstrate the effectiveness of the proposed approach, showcasing high accuracy in transmitter identification across diverse channel conditions while sustaining low latency in decision making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google