太赫兹无人机与飞行智能表面的深度学习：波束与切换预测
信息论
2021-02-23 v1 网络与互联网体系结构
math.IT
摘要
我们考虑由可重构智能表面(RIS)辅助的太赫兹(THz)无人机通信网络中的主动切换与波束选择问题。无人机已成为下一代无线网络的关键资产，用以提供无缝连接并扩展覆盖，且可通过在 THz 频段工作大幅获益以实现高数据速率（如6G所考虑）。然而，THz 通信极易受信道损伤与阻塞效应影响，在考虑无人机移动性时更趋严峻。RIS 通过适应信道动态提供扩展覆盖的灵活性。为将 RIS 集成至 THz 无人机通信，我们提出一种基于循环神经网络的新型深度学习方案，即门控循环单元(GRU)，其依据先前的无人机位置/波束轨迹观测，主动预测每架无人机的服务基站/RIS 及服务波束。该方案有望扩展无人机覆盖并增强下一代无线通信的可靠性。基于无人机波束/位置轨迹预测未来波束显著降低了波束训练开销及其相关时延，从而成为服务时延敏感应用的可行方案。基于真实三维射线追踪仿真数值结果表明，所提深度学习方案在未来 RIS 辅助 THz 网络中大有前景，可实现近最优的主动切换性能及超过90%的波束预测准确率。
引用
@article{arxiv.2102.11222,
title = {Deep Learning for THz Drones with Flying Intelligent Surfaces: Beam and Handoff Prediction},
author = {Nof Abuzainab and Muhammad Alrabeiah and Ahmed Alkhateeb and Yalin E. Sagduyu},
journal= {arXiv preprint arXiv:2102.11222},
year = {2021}
}