“Vision Aided Environment Semantics Extraction and Its Application in mmWave Beam Selection” 《视觉辅助环境语义提取及其在毫米波波束选择中的应用》
本文仅对该论文进行分析,如有侵权请及时告知
原文链接:https://arxiv.org/abs/2301.08973
研究目的
在 vehicle-to-infrastructure (V2I)中预测base station(BS)和设备之间的最佳波束对 top-K以及吞吐量
研究背景
直接输入图像来预测最佳波束对的方案存在大量的冗余,在NLOS径中只有少数散射体对无线信道起到显著作用,仅用环境图像来进行预测计算效率很低
研究方法
利用用户端摄像头所拍摄的信息以及位置信息来进行最佳波束对的预测,用户摄像头所得到的图片以及位置信息通过神经网络表达为环境热图,通过环境热图以及用户位置信息来预测出最优波束对(另一个神经网络
系统模型
考虑了一个下行V2I通信系统,其中一个固定的BS在毫米波波段为车辆上的MS服务。BS和MS均采用均匀平面阵列(UPA),天线数分别为NB=Nx N和NM =Nx N。固定波束码本
语义热图定义
将有效反射体映射到MS摄像头来生成语义热图忽略掉一部分功率低于阈值的路径,该阈值可调
对于NLOS径,定义最后一跳的反射体为有效反射体( effective scatterers)
推导出(x,y)坐标与仰角,方位角,摄像头水平角的映射关系(5)
基于映射关系生成两种热图:
空间分布热图( spatial distribution heatmap)Di,包含所有信息,
强度热图( strength heatmap)Si,仅包含功率在一定范围之上的信息
研究内容
如图2,波束选择方案分为两阶段
阶段1: MS将位置信息和多视角图像发送至DNN以抽取语义热图,将图像使用: 参考文献链接link方案,将x,y输入高频函数,网络结构如图2所示
阶段2: 基于语义热图和位置信息发送至另一DNN网络来预测最优波束对,波束选择网络将预测语义热图和位置向量作为输入,损失函数采用文献【5】中的处理
模拟结果
采用CARLA进行自动驾驶模拟,SUMO进行交通模拟。光线追踪采用wireless insite模拟(此光线追踪软件在不至一篇文献中出现
本文结果与“LIDAR and position-aided mmWave beam selection with non-local CNNs and curriculum training”和“Computer vision
aided mmWave beam alignment in V2X communications,”进行对比,测评指标为TOP-K波束选择精准度以及吞吐量。结果如下
实验结论
提出了一种视觉辅助环境语义提取方法,并将其应用于毫米波波束选择。我们将环境语义定义为有效散射点的空间分布,并将其表示为语义热图,并通过关键点检测技术对其进行提取。与现有的基于图像或激光雷达的方法相比,该方法能更深入地了解无线传播环境。仿真结果表明,该方法在精度上明显优于现有方法,并降低了波束选择开销。
个人评价
本论文应该还未发表,不过工作同样我近期研究的方向,以BS UE位置信息以及周围环境信息辅助进行最优波束选择以降低开销,正如文中所见,大部分环境信息其实是冗余的,在进行深度学习过程中容易造成浪费,如何对环境信息进行合理的预处理,也即如何在图像中提取对最优波束选择有效的信息至关重要。最近刚刚开始文献分析工作以提升阅读质量,如有问题或想法,欢迎在评论区进行讨论。