利用蜂窝毫米波波束成形数据进行智能阻塞识别的可行性研究
信号处理
2022-11-01 v1
摘要
联合通信与感知(JCAS)被设想用于 6G 蜂窝网络,其中对运行环境(尤其在有人的情况下)的感知与高速无线连接同等重要。感知并随后识别阻塞类型,是避免信号阻塞的第一步。在此背景下,我们通过一组假设验证实验(分别采用定性分析和定量分析,即深度学习(DL)模型的视觉检查和超参数调优),研究使用人体运动识别作为阻塞类型识别替代任务的可行性。替代任务有助于 DL 模型的测试和/或预训练,从而只需从最终 JCAS 环境中收集少量数据。因此,我们收集并使用来自具有混合波束成形的 26 GHz 蜂窝多用户通信设备的小数据集。数据被转换为多普勒频谱(DFS)并用于假设验证。我们的研究表明:(i) 用于学习和推理的数据之间存在域偏移,需要使用能成功处理它的 DL 模型;(ii) 应避免为增加数据集规模而稀释 DFS 输入数据;(iii) 小体量输入数据不足以获得合理的推理性能;(iv) 更高的感知分辨率导致更低的灵敏度,应通过每帧执行更多活动/手势并降低采样率来处理;(v) 预处理时向 STFT 报告更高的采样率可能提升性能,但应始终针对每个学习任务进行测试。
引用
@article{arxiv.2210.16951,
title = {Intelligent Blockage Recognition using Cellular mmWave Beamforming Data: Feasibility Study},
author = {Bram van Berlo and Yang Miao and Rizqi Hersyandika and Nirvana Meratnia and Tanir Ozcelebi and Andre Kokkeler and Sofie Pollin},
journal= {arXiv preprint arXiv:2210.16951},
year = {2022}
}
备注
accepted for presentation at the IEEE GLOBECOM 2022 conference