基于Transformer的车联网mmWave波束赋形多模态感知与融合框架
网络与互联网体系结构
2026-02-17 v1 人工智能
新兴技术
机器学习
摘要
毫米波（mmWave）通信利用波束赋形技术来克服固有的路径损耗限制，被视为支持日益增长的高吞吐量和低延迟需求的关键技术之一。然而，在高度动态的车联环境中采用标准定义的波束赋形方法常常会导致高波束训练开销以及通信可用空时缩减，这主要是由于交换 pilot 信号和进行穷举波束测量所致。为此，我们提出一种多模态感知与融合学习框架作为潜在的替代方案，以减少此类开销。在该框架中，我们首先通过模态特定编码器提取感知模态的代表性特征，然后利用多头跨模态注意力来学习不同模态之间的依赖性和相关性，随后将多模态特征融合以获得预测的 top-k 波束，从而主动建立最佳直线视距链接。为展示所提出框架的通用性，我们在四个不同的车路（V2I）和车车（V2V）场景中进行了来自真实世界多模态和60 GHz mmWave 无线感知数据的综合实验。实验结果表明，所提出的框架（i）在预测前15个波束正确性方面达到最高96.72%准确率，（ii）平均功率损耗约为0.77 dB，（iii）对于前15个波束，整体延迟和波束搜索空间开销分别提高了86.81%和76.56%。
关键词
引用
@article{arxiv.2602.13606,
title = {Multi-Modal Sensing and Fusion in mmWave Beamforming for Connected Vehicles: A Transformer Based Framework},
author = {Muhammad Baqer Mollah and Honggang Wang and Mohammad Ataul Karim and Hua Fang},
journal= {arXiv preprint arXiv:2602.13606},
year = {2026}
}
备注
13 Pages. arXiv admin note: text overlap with arXiv:2509.11112