利用激光雷达与带内特征主动预测动态6G链路阻塞
信号处理
2022-11-18 v1 信息论
math.IT
摘要
视距链路阻塞是毫米波(mmWave)与太赫兹(THz)通信网络可靠性与时延面临的关键挑战。为应对该挑战,本文利用毫米波与激光雷达(LiDAR)传感数据来感知通信环境,并在动态链路阻塞发生前主动预测之。这使网络能够做出切换/波束切换的主动决策,从而提升网络可靠性与时延性能。更具体地,本文解决以下关键问题:(i) 能否利用带内毫米波/THz信号与LiDAR传感数据,在视距链路阻塞发生前对其进行预测?(ii) 能否进一步预测该阻塞发生的时间?(iii) 能否预测阻塞持续时间?以及 (iv) 能否预测移动阻塞物的方向?为此,我们开发了机器学习方案,学习接收信号与传感数据的特殊模式(我们称之为预阻塞特征(pre-blockage signatures))以推断未来阻塞。为评估所提方法,我们构建了一个大规模真实世界数据集,包含室外车载场景中共存的LiDAR与毫米波通信测量数据。随后,我们开发了一种高效的LiDAR数据去噪算法,对LiDAR数据施加预处理。基于该真实世界数据集,所开发方法在预测100毫秒内发生的阻塞时准确率超过95%,对一秒内发生的阻塞预测准确率超过80%。鉴于此种未来阻塞预测能力,本文还表明所开发方案可使网络时延实现数量级级别的降低,进一步凸显了所开发阻塞预测方案在无线网络中的潜力。
引用
@article{arxiv.2211.09535,
title = {Proactively Predicting Dynamic 6G Link Blockages Using LiDAR and In-Band Signatures},
author = {Shunyao Wu and Chaitali Chakrabarti and Ahmed Alkhateeb},
journal= {arXiv preprint arXiv:2211.09535},
year = {2022}
}
备注
Submitted to IEEE. The dataset is available on the DeepSense 6G website: http://deepsense6g.net/. arXiv admin note: text overlap with arXiv:2111.09581, arXiv:2111.08242