面向 6G V2X 通信的可迁移 MIMO 信道模态深度学习
机器学习
2022-06-29 v1 信号处理
摘要
在采用毫米波（mmWave）与亚太赫兹的新兴高移动性车辆到一切（V2X）通信中，多输入多输出（MIMO）信道估计是一项极具挑战的任务。在毫米波/亚太赫兹频段，MIMO 信道在时空域（即到达/离开方向与延迟）呈现少数主导路径。代数低秩（LR）信道估计利用覆盖小区内周期性训练车辆通行，通过计算位置相关的 MIMO 信道特征模态来挖掘时空信道稀疏性。LR 需要车辆的地理位置以及每个位置数十至数百次训练车辆通行，导致显著的复杂度与控制信令开销。在此，我们设计一种基于深度学习（DL）的 LR 信道估计方法，用于推断 V2X 城市场景中的 MIMO 信道特征模态，该方法从单一 LS 信道估计出发且无需车辆位置信息。数值结果表明，所提方法取得了与基于位置的 LR 相当的均方误差（MSE）性能。此外，我们表明所提模型可在参考场景上训练并有效迁移至具有不同时空信道特征的城市场景，在无显式迁移学习过程下提供相当的 MSE 性能。该结果简化了在任意密集城市场景中的部署。
引用
@article{arxiv.2108.13831,
title = {Deep Learning of Transferable MIMO Channel Modes for 6G V2X Communications},
author = {Lorenzo Cazzella and Dario Tagliaferri and Marouan Mizmizi and Damiano Badini and Christian Mazzucco and Matteo Matteucci and Umberto Spagnolini},
journal= {arXiv preprint arXiv:2108.13831},
year = {2022}
}