How Critical is Site-Specific RAN Optimization? 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data

要約

このペーパーでは、特定のサイトからのチャネル測定データの重要性と、エア インターフェイスの最適化とテストに対するそのデータの影響について考察します。
現在、3GPP 38.901 タップ遅延線 (TDL)、クラスター化遅延線 (CDL)、アーバン マイクロセル (UMi)、およびアーバン マクロセル (UMa) タイプのチャネルを含む一連の統計チャネル モデルが、エア インターフェイスのパフォーマンス テストとシミュレーションに広く使用されています。
ただし、現実世界の測定ベースのチャネルと比較すると、エア インターフェイスのテストと最適化に関するこれらのモデルの現実性にはギャップが残ります。
このギャップに対処するために、ニューラル受信機のトレーニングによるパフォーマンスへの影響を、1) 統計的な 3GPP TDL モデル、および 2) 測定されたマクロセル チャネル インパルス応答 (CIR) データと比較します。
当社では、事前トレーニングに統計的 TDL チャネル モデルを使用するトレーニング手順と、測定されたサイト固有の MIMO CIR データに基づく微調整を行う NR PUSCH アップリンク シミュレーションに OmniPHY-5G ニューラル レシーバーを活用しています。
提案された微調整方法は、シミュレートされた TDL チャネルのみでの事前トレーニングと比較して 1.85 dB 低い信号対雑音比 (SNR) で 10% のブロック誤り率 (BLER) を達成します。
サイト固有のトレーニングによって解決され、「サイト固有のチャネル向けに RAN を微調整することがどの程度役立つか?」という質問に対する最初の答えが得られます。

要約(オリジナル)

In this paper, we consider the importance of channel measurement data from specific sites and its impact on air interface optimization and test. Currently, a range of statistical channel models including 3GPP 38.901 tapped delay line (TDL), clustered delay line (CDL), urban microcells (UMi) and urban macrocells (UMa) type channels are widely used for air interface performance testing and simulation. However, there remains a gap in the realism of these models for air interface testing and optimization when compared with real world measurement based channels. To address this gap, we compare the performance impacts of training neural receivers with 1) statistical 3GPP TDL models, and 2) measured macro-cell channel impulse response (CIR) data. We leverage our OmniPHY-5G neural receiver for NR PUSCH uplink simulation, with a training procedure that uses statistical TDL channel models for pre-training, and fine-tuning based on measured site specific MIMO CIR data. The proposed fine-tuning method achieves a 10% block error rate (BLER) at a 1.85 dB lower signal-to-noise ratio (SNR) compared to pre-training only on simulated TDL channels, illustrating a rough magnitude of the gap that can be closed by site-specific training, and gives the first answer to the question ‘how much can fine-tuning the RAN for site-specific channels help?’

arxiv情報

提供元, 利用サービス

arxiv.jp, Google