[論文レビュー] Learning-based Predictive Beamforming for Integrated Sensing and Communication in Vehicular Networks

Chang Liu, Weijie Yuan+5 more|arXiv (Cornell University)|Aug 26, 2021

Indoor and Outdoor Localization Technologies被引用数 5

ひとこと要約

本稿は、車両通信ネットワークにおける統合センシングと通信（ISAC）のための深層学習ベースの予測ビームフォーミングフレームワークを提案する。履歴チャネル推定値を用いて、明示的なチャネル追跡を必要とせずに最適ビームフォーマーを予測する。シミュレーションにより、10⁻⁴ mまで低下するCRLB性能と、ジェイニ・エイドされたベンチマークに近い和レート性能を達成しており、高いセンシング精度を維持しつつ、近似的に最適な和レート性能を実現している。

ABSTRACT

This paper investigates the integrated sensing and communication (ISAC) in vehicle-to-infrastructure (V2I) networks. To realize ISAC, an effective beamforming design is essential which however, highly depends on the availability of accurate channel tracking requiring large training overhead and computational complexity. Motivated by this, we adopt a deep learning (DL) approach to implicitly learn the features of historical channels and directly predict the beamforming matrix to be adopted for the next time slot to maximize the average achievable sum-rate of an ISAC system. The proposed method can bypass the need of explicit channel tracking process and reduce the signaling overhead significantly. To this end, a general sum-rate maximization problem with Cramer-Rao lower bounds (CRLBs)-based sensing constraints is first formulated for the considered ISAC system taking into account the multiple access interference. Then, by exploiting the penalty method, a versatile unsupervised DL-based predictive beamforming design framework is developed to address the formulated design problem. As a realization of the developed framework, a historical channels-based convolutional long short-term memory (LSTM) network (HCL-Net) is devised for predictive beamforming in the ISAC-based V2I network. Specifically, the convolution and LSTM modules are successively adopted in the proposed HCL-Net to exploit the spatial and temporal dependencies of communication channels to further improve the learning performance. Finally, simulation results show that the proposed predictive method not only guarantees the required sensing performance, but also achieves a satisfactory sum-rate that can approach the upper bound obtained by the genie-aided scheme with the perfect instantaneous channel state information available.

研究の動機と目的

• ISACベースのV2Iネットワークにおける従来のチャネル追跡の高いトレーニングオーバーヘッドと計算複雑性を解決すること。
• チャネル状態情報が急速に陳腐化する高移動度の車両環境において、リアルタイムのビームフォーミングを可能にすること。
• 実用的なハードウェアおよびスペクトル制約下で、通信レートとセンシング精度を共同最適化すること。
• 履歴チャネル推定値から学習するモデルフリーで教師なしの深層学習フレームワークを構築し、将来のビームフォーマーを予測すること。
• 高スペクトル効率と高精度ロケーションの両立を実現すること。

提案手法

• 必要なセンシング精度を保証するため、Cramer-Rao下界（CRLB）に基づく制約を含む一般化された和レート最大化問題を定式化する。
• 制約付き最適化問題をエンドツーエンドのディープラーニングトレーニングに適した無制約問題に変換するために、ペナルティ法を適用する。
• 空間的および時間的チャネル依存性を効果的に捉えるために、畳み込み層と長短期記憶（LSTM）ネットワークを組み合わせた新しいHCL-Netアーキテクチャを設計する。
• 履歴推定チャネル行列をHCL-Netの入力として用い、即時のCSIを必要とせずにチャネルダイナミクスを暗黙的に学習可能にする。
• 和レート最大化とCRLBに基づくセンシング制約を組み合わせた損失関数を用いて、HCL-Netを教師なしでトレーニングする。
• 各タイムスロットでの明示的チャネル推定を回避するために、トレーニング中にセンシング性能制約をペナルティに基づく緩和で強制する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高移動度V2I環境において、十分に高い通信和レートを維持できるほど、将来のビームフォーマーを正確に予測できるか？
• RQ2 即時のCSIが完全に利用可能でない状況下で、履歴チャネル推定値のみでトレーニングされたモデルが、完全な即時CSIを持つシステムと同等のセンシング性能を達成できるか？
• RQ3 提案手法は、ISACシステムにおける通信レートとロケーション精度のトレードオフをどのようにバランスさせるか？
• RQ4 異なる移動度およびシステムパラメータ下で、HCL-Netの収束特性と一般化能力はいかがなっているか？
• RQ5 提案された教師なし学習フレームワークは、ジェイニ・エイドされた上界に近い性能を維持しつつ、明示的なチャネル追跡の必要性を排除できるか？

主な発見

• 提案されたHCL-Netは、完全な即時CSIを前提としたジェイニ・エイドされた手法で得られる上限に近いテスト平均和レートを達成している。
• 48本の送信および受信アンテナを用いた場合、距離推定におけるCRLB^(1/2)が10⁻⁴ mまで低下し、高速車両追跡に十分な精度を達成している。
• HCL-Netは、和レートおよびCRLB指標の両方において、6トレーニングエポック以内に安定した性能に収束しており、高速かつ効率的なトレーニングが可能であることが示された。
• センシング・通信のトレードオフが定量的に評価され、CRLBしきい値が9×10⁻³を超えると和レートが飽和することが示され、緩いセンシング制約下でも性能のプラトーが生じることを示している。
• モデルは送信電力レベルやアンテナ構成の違いに対してもロバストであり、最小限のシグナリングオーバーヘッドで高い性能を維持している。
• 畳み込みLSTM構造は、チャネルダイナミクスの空間的および時間的特徴を効果的に捉えており、単純なアーキテクチャーよりも優れたビームフォーミング予測性能を示している。