用于微控制器中 5G 到达方向估计的资源受限神经网络
信号处理
2021-07-26 v1
摘要
随着共享频谱感知和基于波束成形的多天线收发器的引入，5G 网络需要进行频谱感知以识别时域、频域和空域上的机会。窄波束成形使得难以集中方式进行空间感知（到达方向，DoA，估计），并且随着人工智能物联网、超可靠低延迟通信（URLLC）服务和分布式网络等范式的演进，边缘设备的智能非常令人期待。它有助于减少以云 AI 为中心的网络的数据通信开销，并且更安全且不受可扩展性限制。然而，由于面积、内存和功耗的限制，在微控制器单元（MCU）等边缘设备上实现所需的功能精度是一项挑战。在这项工作中，我们提出了一种基于低复杂度神经网络的算法，用于精确的 DoA 估计及其在现成 MCU 上的高效映射。我们开发了一个临时图形用户界面（GUI），用于配置带有提议算法的 STM32 NUCLEO-H743ZI2 MCU 并验证其功能。针对不同的信噪比（SNR）、字长、天线数量和 DoA 分辨率，分析了所提出算法的性能。深入的实验结果表明，它优于传统的统计空间感知方法。
引用
@article{arxiv.2107.11070,
title = {Resource Constrained Neural Networks for 5G Direction-of-Arrival Estimation in Micro-controllers},
author = {Piyush Sahoo and Romesh Rajoria and Shivam Chandhok and S. J. Darak and Danilo Pau and Hem-Dutt Dabral},
journal= {arXiv preprint arXiv:2107.11070},
year = {2021}
}