基于深度学习的雷达辅助多用户毫米波车到基础设施通信链路配置
信号处理
2022-01-14 v1
摘要
按照当前蜂窝标准提出的传统波束训练协议来配置毫米波链路会引入巨大的通信开销，在信道高度动态的车载系统中尤为突出。本文中，我们提议使用无源雷达阵列来感知来自道路上多辆车辆的汽车雷达发射，并采用雷达处理链为道路基础设施与每辆车之间链路提供一组缩减的候选波束信息。该先验信息随后可被波束训练协议利用，以显著减少开销。该雷达处理链估计雷达信号的时序与啁啾率，通过滤除干扰雷达啁啾来隔离各个信号，并估计每个独立雷达发射的空间协方差。随后，深度网络用于将这些雷达空间协方差的特征转化为通信空间协方差的特征，通过在视距与非视距环境下学习雷达与通信信道间复杂的映射实现。该方法的通信速率与中断概率对照穷举搜索与纯雷达辅助波束训练方法（无基于深度学习的映射）进行比较，并在射线追踪模拟的多用户信道上评估。结果显示：(i) 所提处理链能可靠隔离各雷达的空间协方差；(ii) 基于深度学习的雷达到通信转化策略在 LOS 与 NLOS 信道中均较纯雷达辅助方法提供显著改进。
引用
@article{arxiv.2201.04657,
title = {Deep Learning-based Link Configuration for Radar-aided Multiuser mmWave Vehicle-to-Infrastructure Communication},
author = {Andrew Graff and Yun Chen and Nuria González-Prelcic and Takayuki Shimizu},
journal= {arXiv preprint arXiv:2201.04657},
year = {2022}
}