[論文レビュー] Integrated Sensing and Communication for 6G: Ten Key Machine Learning Roles

Umut Demirhan, Ahmed Alkhateeb|arXiv (Cornell University)|Aug 3, 2022

Indoor and Outdoor Localization Technologies被引用数 6

ひとこと要約

本論文は、6G向け統合センシングおよび通信（ISAC）における機械学習（ML）の10の重要な役割を特定し、MLが波形設計、ビームフォーミング、干渉除去、リソース割り当て、セキュリティ、ネットワーク運用をどのように向上させるかを示している。また、DeepSense 6Gデータセットからの実世界のデータを用いて、センシング支援型ビームトラッキングと通信支援型センシングを実現している。

ABSTRACT

Integrating sensing and communication is a defining theme for future wireless systems. This is motivated by the promising performance gains, especially as they assist each other, and by the better utilization of the wireless and hardware resources. Realizing these gains in practice, however, is subject to several challenges where leveraging machine learning can provide a potential solution. This article focuses on ten key machine learning roles for joint sensing and communication, sensing-aided communication, and communication-aided sensing systems, explains why and how machine learning can be utilized, and highlights important directions for future research. The article also presents real-world results for some of these machine learning roles based on the large-scale real-world dataset DeepSense 6G, which could be adopted in investigating a wide range of integrated sensing and communication problems.

研究の動機と目的

• センシングと通信がハードウェアおよびスペクトルリソースを共有する6Gにおける統合センシングおよび通信（ISAC）システムの設計の複雑さに対処する。
• 共同ISACシステムにおける波形設計、干渉管理、リソース割り当て、システムセキュリティの課題を克服する。
• 機械学習を活用して、ミリ波およびサブテラヘルツシステムにおけるセンシング支援型ビーム予測および遮断予測を実現する。
• 既存の通信信号およびハードウェアを活用して、分解能と耐障害性を向上させる通信支援型センシングを検討する。
• 通信インfraストラクチャと分散型MLモデルを活用して、スケーラブルかつ分散型のネットワークレベルのセンシングを実現する。

提案手法

• アクティブラーニングを用いて、ターゲット検出とデータレートの最大化を同時に最適化するISAC波形を段階的に最適化する。
• 電力測定値を報酬として用いるオンライン強化学習を適用し、リアルタイムでサイト固有のビームパターンを学習する。
• 教師あり深層ニューラルネットワーク（DNN）を実装し、フルデュプレックスISACレシーバーにおける非線形自己干渉をモデル化および除去する。
• 強化学習を用いて、システム性能フィードバックに基づき、センシングおよび通信リソース（電力、時間、周波数、ビーム）を動的に割り当てる。
• 自己符号化器を用いて、物体の位置やデータレートなどのセンシングおよび通信パラメータの異常を検出することで、システムセキュリティを強化する。
• マルチエージェント強化学習を用いて、大規模なISACネットワークにおける分散型で協調的なビームフォーミングおよび電力制御を実現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いることで、通信レートとセンシング検出確率の両方を最適化するISAC波形をどのように最適化できるか？
• RQ2 MLは、リアルタイムで環境的およびハードウェア固有の欠陥に適応する空間的ビームパターンをどのように学習できるか？
• RQ3 深層学習モデルは、フルデュプレックスISACシステムにおける非線形自己干渉を効果的に近似および除去できるか？
• RQ4 強化学習は、センシングおよび通信機能間で、パフォーマンスに応じた動的で最適化されたリソース割り当てをどのように可能にするか？
• RQ5 MLは、既存の通信インfraストラクチャを活用して、スケーラブルかつ分散型のネットワークレベルのセンシングをどのように可能にするか？

主な発見

• アクティブラーニングにより、ターゲット検出確率と実現可能なデータレートの両方を向上させる、適応的波形最適化が可能になった。
• オンライン強化学習モデルは、電力測定値をフィードバックとして用いることで、現実のハードウェアおよび環境条件に適応するサイト固有のビームパターンを効果的に学習した。
• 教師ありDNNは、フルデュプレックスISACレシーバーにおける非線形自己干渉を効果的にモデル化および予測し、従来のモデルベースの手法を上回った。
• 強化学習に基づくリソース割り当てにより、電力、時間、周波数、ビームリソースの動的最適化が実現され、通信およびセンシングの両方のパフォーマンスが向上した。
• 自己符号化器は、物体の位置やデータレートなどのシステムパラメータの異常を検出でき、ISACシステムにおけるセキュリティが強化された。
• マルチエージェント強化学習により、最小限の調整で、スケーラブルで低オーバーヘッドなネットワークレベルのISACシステム運用が可能になった。