基于深度学习的雷达辅助毫米波车到基础设施链路配置
信号处理
2021-11-17 v1
摘要
波束训练过程的高开销是在建立毫米波通信链路时的主要挑战，尤其是对于信道高度动态的车联网（V2X）场景。在本文中，我们通过实现两个深度神经网络（DNNs）来获取先验信息以加速波束训练过程，这两个网络在车到基础设施（V2I）系统中实现雷达到通信（R2C）信道信息转换。具体而言，第一个 DNN 用于从雷达方位功率谱（APS）中提取信息以重建通信 APS，而第二个 DNN 利用从雷达信道空间协方差中提取的信息来实现 R2C 协方差预测。所获得的数据速率以及估计通信 APS 与真实通信 APS 之间的相似度被用于评估预测性能。协方差估计方法通常提供更高的相似度，因为 APS 预测并非总能捕捉雷达与通信 APS 之间的失配。与直接利用雷达 APS 而不尝试将其转换为通信信道的波束训练方法相比，我们提出的深度学习（DL）辅助方法显著降低了波束训练开销，在使用通信 APS 预测和协方差预测时分别实现了 13.3% 和 21.9% 的速率提升。
引用
@article{arxiv.2111.08527,
title = {Radar Aided mmWave Vehicle-to-InfrastructureLink Configuration Using Deep Learning},
author = {Yun Chen and Andrew Graff and Nuria González-Prelcic and Takayuki Shimizu},
journal= {arXiv preprint arXiv:2111.08527},
year = {2021}
}