基于LIDAR与位置辅助及非局部CNN和课程训练的毫米波波束选择
信息论
2021-11-18 v3 机器学习
信号处理
math.IT
摘要
在车对基础设施（V2I）通信中，高效的毫米波（mmWave）波束选择是一项关键却具挑战性的任务，原因在于毫米波波束窄且用户移动性高。为降低迭代波束发现过程的搜索开销，数据驱动方法已利用车载光探测与测距（LIDAR）传感器的上下文信息来产生有用的边信息。本文提出一种轻量神经网络（NN）架构及相应的LIDAR预处理方法，其显著优于以往工作。我们的方案包含多项提升模型收敛速度与最终精度的新设计。特别地，我们定义了受知识蒸馏思想启发的新型损失函数，引入利用视距（LOS）/非视距（NLOS）信息的课程训练方法，并提出非局部注意力模块以改善更具挑战性的NLOS情形下的性能。在基准数据集上的仿真结果表明，仅利用LIDAR数据与接收机位置，我们基于NN的波束选择方案可在无任何波束搜索开销下达到穷举波束扫描方法79.9%的吞吐量，而在仅搜索少至6个波束时达到95%。在典型毫米波V2I场景中，与反指纹与分层波束选择方案相比，我们所提方法显著减少了达到期望吞吐量所需的波束搜索时间。
引用
@article{arxiv.2104.14579,
title = {LIDAR and Position-Aided mmWave Beam Selection with Non-local CNNs and Curriculum Training},
author = {Matteo Zecchin and Mahdi Boloursaz Mashhadi and Mikolaj Jankowski and Deniz Gunduz and Marios Kountouris and David Gesbert},
journal= {arXiv preprint arXiv:2104.14579},
year = {2021}
}
备注
Submitted for publication