CRS-LLM：基于 GPT 结构的合作束预测与开关门控融合
信号处理
2026-05-01 v1
摘要
毫米波（mmWave）通信依赖高度指向性波束成形，而在车联网（V2X）场景中，由于快速移动性、阻挡及几何快速变化，束跟踪极具挑战性。在合作多基站（BS）系统中，传统的分层方法通常将基站选择与束选择分离，可能在束状态突变变化时导致误差传播。为此，本文提出一种基于大语言模型的合作无线感知束预测框架（CRS-LLM），用于下一步联合 BS-束预测。CRS-LLM 将束跟踪表述为在联合 BS-束空间上的单一分类问题，避免级联决策误差。为适应信道状态信息（CSI）至大语言模型的转换，采用双视图 CSI 标记器通过轻量级 CNN 前端和时序标记模块提取频域和时延域信道特征。随后采用截断 GPT 结构的时序模型进行建模，并实现参数高效适配。此外，一种转移感知开关门控预测器结合了稳定分支、残差翻转分支和低秩转移先验，以捕获平滑演化与突变变化。仿真结果表明，CRS-LLM 在不同信噪比条件下，相较于 CSI-Transformer、层次 BS-束以及代表性 CNN 和循环神经网络基线，在 Top-1 准确率和归一化束增益方面均表现更佳，同时显示出强大的少样本性能和前景的零样本迁移能力。
引用
@article{arxiv.2604.27945,
title = {CRS-LLM: Cooperative Beam Prediction with a GPT-Style Backbone and Switch-Gated Fusion},
author = {Fangzhi Li and Cunhua Pan and Hong Ren and Dongming Wang and Jiangzhou Wang},
journal= {arXiv preprint arXiv:2604.27945},
year = {2026}
}