Channel-Feedback-Free Transmission for Downlink FD-RAN: A Radio Map based Complex-valued Precoding Network Approach

要約

高品質サービスの需要が急増する中、より柔軟な周波数リソースの利用とネットワークコストの削減を実現する革新的なネットワークアーキテクチャ、完全分離型 RAN（FD-RAN）が登場しました。しかし、FD-RANではアップリンク基地局とダウンリンク基地局が切り離されるため、受信機が正確でタイムリーなチャネル状態情報を送信機にフィードバックできないため、リアルタイムのチャネルフィードバックに依存する従来の伝送メカニズムは適していない。本論文では、物理層のチャネルフィードバックに依存しない新しい伝送方式を提案する。具体的には、ユーザ位置に基づいて基地局プリコーディングを出力するRMCPNet（radio map based complex-valued precoding network）モデルを設計する。RMCPNetは複数のサブネットから構成され、各サブネットは多様な入力モダリティからユニークなモーダル特徴を抽出する。さらに、これらの異なるサブネットから得られたマルチモーダル埋め込みは、情報融合層で統合され、最終的に統一された表現となる。また、損失関数として負のスペクトル効率を用いたRMCPNet学習アルゴリズムを開発する。提案スキームの性能を公開DeepMIMOデータセットで評価し、RMCPNetが従来の実数値ニューラルネットワークと統計的コードブックアプローチに対して、それぞれ16％と76％の性能向上を達成できることを示す。

要約(オリジナル)

As the demand for high-quality services proliferates, an innovative network architecture, the fully-decoupled RAN (FD-RAN), has emerged for more flexible spectrum resource utilization and lower network costs. However, with the decoupling of uplink base stations and downlink base stations in FD-RAN, the traditional transmission mechanism, which relies on real-time channel feedback, is not suitable as the receiver is not able to feedback accurate and timely channel state information to the transmitter. This paper proposes a novel transmission scheme without relying on physical layer channel feedback. Specifically, we design a radio map based complex-valued precoding network~(RMCPNet) model, which outputs the base station precoding based on user location. RMCPNet comprises multiple subnets, with each subnet responsible for extracting unique modal features from diverse input modalities. Furthermore, the multi-modal embeddings derived from these distinct subnets are integrated within the information fusion layer, culminating in a unified representation. We also develop a specific RMCPNet training algorithm that employs the negative spectral efficiency as the loss function. We evaluate the performance of the proposed scheme on the public DeepMIMO dataset and show that RMCPNet can achieve 16\% and 76\% performance improvements over the conventional real-valued neural network and statistical codebook approach, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL