ML 辅助的 UE 定位：性能分析与 5G 架构增强
网络与互联网体系结构
2021-08-26 v1 信号处理
摘要
人工智能与数据驱动网络将成为 6G 系统不可或缺的组成部分。在本文中，我们全面讨论了在 5G 无线接入网中集成机器学习（ML）解决方案所面临的实现挑战与架构变革需求。作为示例用例，我们研究了 5G 及未来网络中由深度学习（DL）辅助的用户设备（UE）定位。与当今网络中使用的最先进定位算法相比，无线电信号指纹识别与机器学习（ML）辅助定位需要更小的额外反馈开销；并且定位估计直接在无线接入网（RAN）内部完成，从而辅助无线资源管理。在这方面，我们研究了 ML 辅助定位方法，并利用室外场景的系统级仿真评估了其性能。该研究基于光线追踪工具、符合 3GPP 5G NR 标准的系统级仿真器以及 DL 框架来估计 UE 的定位精度。我们评估并比较了各种 DL 模型的性能，结果表明，在具备适当特征建模的情况下，采用 2 隐层 DL 架构的平均定位误差在 1-1.5m 范围内。基于我们的性能分析，我们讨论了实现未来网络 ML 解决方案的各种架构的优缺点，并就最合适的架构得出了结论。
引用
@article{arxiv.2108.11365,
title = {ML-Assisted UE Positioning: Performance Analysis and 5G Architecture Enhancements},
author = {M. Majid Butt and Anna Pantelidou and István Z. Kovács},
journal= {arXiv preprint arXiv:2108.11365},
year = {2021}
}
备注
IEEE Open Journal of Vehicular Technology Society. arXiv admin note: substantial text overlap with arXiv:2001.00977