深化超可靠 6G：基于 Transformer 和语义定位的毫米波通信鲁棒波束赋形

6G 无线技术的不断进步提升了波束赋形的重要性，尤其是通过毫米波（mmWave）频段实现超高速率传输。尽管前景光明，但mmWave 频段需要大量波束训练才能实现精准波束赋形。虽然初始的深度学习模型使用 RGB 相机图像在降低波束训练开销方面显示出前景，但其性能因对光照和环境变化的敏感性而受到制约。由于这种敏感性，服务质量（QoS）会随环境条件而波动，最终影响动态环境下网络的稳定性和可靠性。这凸显了需要鲁棒解决方案的关键需求。本文提出一种鲁棒的波束赋形技术，以确保在不同环境条件下保持一致的 QoS。我们构建了一个最大化用户数据速率的优化问题。为解决该 NP-hard 优化问题，我们将其分解为两个子问题：语义定位问题和最优波束选择问题。为解决语义定位问题，我们提出一种新方法，利用 K-means 聚类和 YOLOv8 模型。为解决波束选择问题，我们提出一种新型轻量级混合架构，通过加权熵机制将轻量级 Transformer 与 CNN 架构相结合。该混合架构利用多模态数据源动态预测最优波束。我们提出了一种新指标——准确性-复杂度效率（ACE），用于量化该指标。开发了六个测试场景以评估所提模型的鲁棒性。最终，仿真结果表明，在所开发的测试场景中，所提模型在波束预测准确率、接收功率和 ACE 方面均优于多个最新基线方法。