CAR-BRAINet：面向异构车联网的 Sub-6GHz 辅助空间自适应波束预测与多头注意力机制
网络与互联网体系结构
2025-09-16 v1 人工智能
信号处理
摘要
异构车联网通过叠加 sub-6GHz、毫米波和 DSRC 等不同通信技术，在满足 5G/B5G 车联网的多样化连接需求方面发挥着关键作用。HetVNet 有助于应对庞大的用户需求，但在高移动性的真实世界条件下维持稳定连接仍是一项挑战。尽管已有大量关于波束预测模型的研究，但针对 HetVNet 的专用解决方案却鲜有探讨。因此，当前迫切需要开发一种专门针对 HetVNet 的可靠波束预测解决方案。本文提出了一种轻量级的基于深度学习的解决方案——“CAR-BRAINet”，它由卷积神经网络和强大的多头注意力机制组成。现有的波束预测文献大多在有限的、理想化的车辆场景下进行研究，往往忽略了车联网的实时复杂性与细微差异。因此，本研究旨在通过将关键因素纳入三个与城市、乡村和高速公路车联网相关的高质量动态数据集，来模拟真实驾驶场景的复杂性，这些因素包括主流 MAC 协议（3GPP-C-V2X 和 IEEE 802.11BD）、高速下的多普勒频移效应以及变化的距离和信噪比（SNR）水平。CAR-BRAINnet 在所有车辆场景中均表现出色，实现了精确的波束预测，且波束开销极小，频谱效率相比现有方法稳定提升了 17.9422%。因此，本研究证明了 CAR-BRAINet 在复杂 HetVNet 中的有效性，在不依赖移动用户的位置角度和天线维度的情况下提供了优异的性能，从而减少了冗余的传感器延迟。
引用
@article{arxiv.2509.10508,
title = {CAR-BRAINet: Sub-6GHz Aided Spatial Adaptive Beam Prediction with Multi Head Attention for Heterogeneous Vehicular Networks},
author = {Aathira G Menon and Prabu Krishnan and Shyam Lal},
journal= {arXiv preprint arXiv:2509.10508},
year = {2025}
}
备注
10 pages, 10 figures, 6 tables, (to be published)