视觉辅助的 6G 无线通信：阻塞预测与主动切换

对阻塞的敏感性是高频（5G 毫米波与 6G 亚太赫兹）无线网络的一个关键挑战。由于这些网络主要依赖视距（LOS）链路，突发的链路阻塞严重威胁网络的可靠性。此外，当 LOS 链路被阻塞时，网络通常需要将用户切换到另一个 LOS 基站，这可能带来严重的时延，尤其是在需要对窄波束的大码本进行搜索时。应对可靠性与时延挑战的一个有前景的途径在于使无线网络具备主动性。主动性基本上允许网络预测阻塞（尤其是动态阻塞），并提前发起用户切换。本文提出了一个完整的机器学习框架，用于基于例如部署在基站的 RGB 摄像头捕获的视觉数据来实现无线网络的主动性。具体而言，本文提出了一种视觉辅助无线通信方案，利用双模态机器学习进行主动阻塞预测与用户切换。该方案的基石是一个从视觉与无线数据中学习如何预测 incoming 阻塞的深度学习算法。该算法的预测被无线网络用于主动发起切换决策，避免任何不必要的时延。该算法在利用 ViWi 数据生成框架生成的视觉-无线数据集上开发。在两个具有不同摄像头的基站上的实验结果表明，该算法能够在超过 $\sim 90\%$ 的时间内准确检测 incoming 阻塞。这种阻塞预测能力直接反映在主动切换的准确率上，其也接近 $87\%$。这凸显了在未来无线网络中实现高可靠性与低时延的一个有前景的方向。