基于深度学习的多节点集成 sensing 与通信 4D 环境重建及升降链协作
信号处理
2024-04-24 v1
摘要
利用广布置的通信节点实现环境重建是集成感知与通信 (ISAC) 的重要场景，也是 6G 的关键技术。为实现这一关键功能，本文提出一种基于深度学习的多节点 ISAC 4D 环境重建方法，采用升降链协作 (UL-DL)，通过虚拟孔径技术、恒假阈率 (CFAR) 检测和多信号分类 (MUSIC) 算法最大化单节点感知能力。同时，引入涉及多节点协作与升降链协作的合作环境重建方案，以克服单节点因遮挡和视角有限导致的局限。进而，提出注意力门控网格残差神经网络 (AGGRNN) 和多视角感知融合网络 (MVSFNet) 两款深度学习模型，以增强稀疏重建点云的密度，力争在保留点云空间结构的前提下恢复尽可能多的原始环境细节。此外，本文提出一种融合数据层和特征层的多层融合策略，以充分发挥多节点协作的优势。实验结果表明，该方法的环境重建性能显著优于其他对比方法，使 ISAC 系统能够实现高精度的环境重建。
引用
@article{arxiv.2404.14862,
title = {Deep Learning Based Multi-Node ISAC 4D Environmental Reconstruction with Uplink- Downlink Cooperation},
author = {Bohao Lu and Zhiqing Wei and Huici Wu and Xinrui Zeng and Lin Wang and Xi Lu and Dongyang Mei and Zhiyong Feng},
journal= {arXiv preprint arXiv:2404.14862},
year = {2024}
}
备注
13 pages,21 figures,4 tables