Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data

要約

統合センシングおよび通信 (ISAC) は 6G 通信にとって極めて重要であり、再構成可能なインテリジェント サーフェス (RIS) の急速な開発によって後押しされています。
複数の周波数帯域にわたるチャネル状態情報 (CSI) を使用することで、RIS 支援マルチバンド ISAC システムは、ユーザーの位置を高精度で追跡できる可能性があります。
CSI による追跡は通信オーバーヘッドが発生しないため望ましいですが、CSI サンプルのマルチモダリティ、不規則で非同期のデータ トラフィック、追跡機能を学習するためのまばらなラベル付きデータによる課題に直面しています。
このペーパーでは、X2Track フレームワークを提案します。このフレームワークでは、階層アーキテクチャによって追跡機能をモデル化し、複数のバンドにわたるマルチモーダル CSI インジケーターを共同利用し、クロスドメイン方式で最適化し、ターゲットの展開環境のラベル付きデータの希薄さに対処します。
別の環境 (つまり、ソース ドメイン) から学習した知識を適応させることによって (つまり、ターゲット ドメイン)。
X2Track では、トランスフォーマー ニューラル ネットワークと敵対的学習手法に基づいて、追跡エラーを最小限に抑える効率的な深層学習アルゴリズムを設計します。
シミュレーション結果では、X2Track が、希少な UL データ トラフィックや強い干渉条件下でもデシメートル レベルの軸方向トラッキング エラーを達成し、ラベル付けされるトレーニング データが 5% 未満、または同等の 5 分間の UE トラックで多様な導入環境に適応できることが検証されています。

要約(オリジナル)

Integrated sensing and communications (ISAC) is pivotal for 6G communications and is boosted by the rapid development of reconfigurable intelligent surfaces (RISs). Using the channel state information (CSI) across multiple frequency bands, RIS-aided multi-band ISAC systems can potentially track users’ positions with high precision. Though tracking with CSI is desirable as no communication overheads are incurred, it faces challenges due to the multi-modalities of CSI samples, irregular and asynchronous data traffic, and sparse labeled data for learning the tracking function. This paper proposes the X2Track framework, where we model the tracking function by a hierarchical architecture, jointly utilizing multi-modal CSI indicators across multiple bands, and optimize it in a cross-domain manner, tackling the sparsity of labeled data for the target deployment environment (namely, target domain) by adapting the knowledge learned from another environment (namely, source domain). Under X2Track, we design an efficient deep learning algorithm to minimize tracking errors, based on transformer neural networks and adversarial learning techniques. Simulation results verify that X2Track achieves decimeter-level axial tracking errors even under scarce UL data traffic and strong interference conditions and can adapt to diverse deployment environments with fewer than 5% training data, or equivalently, 5 minutes of UE tracks, being labeled.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google