[論文レビュー] Indoor Signal Focusing with Deep Learning Designed Reconfigurable Intelligent Surfaces

Chongwen Huang, George C. Alexandropoulos+2 more|arXiv (Cornell University)|May 19, 2019

Indoor and Outdoor Localization Technologies参考文献 16被引用数 25

ひとこと要約

この論文では、室内環境における再構成可能インテリジェント表面（RIS）のリアルタイムで無線による設定を可能にするディープラーニングベースの手法を提案する。オフラインで訓練されたフィンガープrintベースのデータベースを用い、ディープニューラルネットワーク（DNN）がユーザーの位置を最適なRIS位相シフトにマッピングすることで、信号強度が高く、平均二乗誤差（MSE）が低いRIS設定を実現する。シミュレーションでは、限られたトレーニングエポック数であってもスループットの顕著な向上が得られている。

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) comprised of tunable unit elements have been recently considered in indoor communication environments for focusing signal reflections to intended user locations. However, the current proofs of concept require complex operations for the RIS configuration, which are mainly realized via wired control connections. In this paper, we present a deep learning method for efficient online wireless configuration of RISs when deployed in indoor communication environments. According to the proposed method, a database of coordinate fingerprints is implemented during an offline training phase. This fingerprinting database is used to train the weights and bias of a properly designed Deep Neural Network (DNN), whose role is to unveil the mapping between the measured coordinate information at a user location and the configuration of the RIS's unit cells that maximizes this user's received signal strength. During the online phase of the presented method, the trained DNN is fed with the measured position information at the target user to output the optimal phase configurations of the RIS for signal power focusing on this intended location. Our realistic simulation results using ray tracing on a three dimensional indoor environment demonstrate that the proposed DNN-based configuration method exhibits its merits for all considered cases, and effectively increases the achievable throughput at the target user location.

研究の動機と目的

• 室内環境における複雑で有線のRIS設定の課題に対処すること。
• 従来の制御手法の代わりにディープラーニングを用いて、効率的でオンラインでの無線によるRIS設定を可能にすること。
• 知的なRISチューニングにより、ターゲットユーザーの位置における信号集中と受信信号強度の向上を図ること。
• 運用中の広範なリアルタイムチャネル推定と複雑な最適化の必要性を低減すること。
• 現実的な3次元室内レイトレーシング環境におけるDNNベースのRIS設定の実現可能性と性能を示すこと。

提案手法

• 240のリファレンス位置における座標情報とそれに対応する最適なRIS位相設定を用いて、オフラインでフィンガープrintベースのデータベースを構築する。
• 受信信号強度を最大化する最適なRIS位相シフトとユーザー位置とのマッピングを学習するため、ディープニューラルネットワーク（DNN）を訓練する。
• 予測された位相行列と最適な位相行列の差を最小化する損失関数を用い、50エポックでDNNをトレーニングする。
• オンライン運用時、訓練済みDNNはリアルタイムのユーザー位置推定値を入力とし、無線で最適なRIS位相設定を出力する。
• RISは天井に設置された3次元室内環境を想定し、32アンテナを備えたAPと障害物を含み、レイノルズフォールディングとパスロスモデルを用いる。
• 性能評価にはモンテカルロシミュレーション（200回の実行）を用い、達成可能なレートと予測された位相行列と最適な位相行列との間のMSEを測定する。

実験結果

リサーチクエスチョン

• RQ1 DNNは、信号集中を目的としたユーザー位置と最適なRIS位相設定とのマッピングを効果的に学習できるか？
• RQ2 RIS素子数の増加が、DNNベースの設定手法の精度に与える影響は何か？
• RQ3 DNNで設定されたRISを用いる場合、非RIS伝送と比較して、達成可能なレートにどの程度の向上が得られるか？
• RQ4 トレーニングエポック数を変化させた場合、DNNはどの程度の速さで低誤差に収束するか？
• RQ5 限られたトレーニングデータとオンライン展開において、DNNベースの手法が低MSEのRIS位相行列推定を達成できるか？

主な発見

• DNNベースの手法により、スループットの顕著な向上が達成され、すべてのSNRレベルおよびユーザー距離において、RISを活用したシステムが非RISケースを上回っている。
• RIS位相行列推定においてMSEが低く抑えられており、N=8のケースで最小誤差を示したが、やや多くのトレーニングエポックを要した。
• 20エポックのトレーニングでも、すべてのテストされたRISサイズ（N=8, 16, 32, 64）で良好な性能が得られ、収束が速いことが示された。
• SNRが高くなるほど達成可能なレートが著しく向上し、RIS設定によりターゲットユーザー位置にエネルギーを集約し、周辺のポイントにおける干渉を低減している。
• 限られたトレーニングデータでも推定誤差が低く抑えられ、実用的展開におけるロバストネスとスケーラビリティが示された。
• シミュレーション結果から、ディープラーニングが複雑な有線RIS設定を低遅延で無線によるオンラインソリューションに効果的に置き換えられることを確認した。