RIS 辅助多频段 ISAC 系统中基于稀疏标记数据的跨域用户跟踪学习框架
信号处理
2024-05-13 v1 人工智能
摘要
通信感知一体化(ISAC)对于 6G 通信至关重要,并因可重构智能表面(RIS)的快速发展而得到推动。利用跨多个频段的信道状态信息(CSI),RIS 辅助的多频段 ISAC 系统有望实现高精度的用户位置跟踪。尽管利用 CSI 进行跟踪因不产生通信开销而极具吸引力,但由于 CSI 样本的多模态性、不规则且异步的数据流量,以及用于学习跟踪函数的标记数据稀疏,该方法面临诸多挑战。本文提出了 X2Track 框架,通过分层架构对跟踪函数进行建模,联合利用跨多个频段的多模态 CSI 指标,并以跨域方式进行优化,通过适配从另一环境(即源域)学到的知识,来解决目标部署环境(即目标域)中标记数据稀疏的问题。在 X2Track 框架下,我们基于 Transformer 神经网络和对抗学习技术设计了一种高效的深度学习算法,以最小化跟踪误差。仿真结果验证了 X2Track 即使在上行数据流量稀缺和强干扰条件下也能实现分米级的轴向跟踪误差,并且能够适应多种部署环境,所需标记的训练数据少于 5%,或等效为 5 分钟的 UE 轨迹。
引用
@article{arxiv.2405.06299,
title = {Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data},
author = {Jingzhi Hu and Dusit Niyato and Jun Luo},
journal= {arXiv preprint arXiv:2405.06299},
year = {2024}
}