[논문 리뷰] CNN aided Weighted Interpolation for Channel Estimation in Vehicular Communications

Abdul Karim Gizzini, Marwa Chafii외 3명|arXiv (Cornell University)|2021. 04. 18.

Millimeter-Wave Propagation and Modeling참고 문헌 36인용 수 39

한 줄 요약

이 논문은 이중 선택성 fading 환경에서 고속 이동 시나리오에서 저지연, 고속도, 강건한 채널 추정을 가능하게 하는 IEEE 802.11p 차량 통신을 위한 새로운 CNN 보조 가중치 보간(WI) 채널 추정기 기법을 제안한다. 시간 도메인 가중치 보간과 최적화된 초해상도 또는 노이즈 제거 CNN을 활용함으로써, 기존의 딥러닝 추정기 대비 뛰어난 성능 향상을 이룩하였으며, ChannelNet 대비 최대 70배 낮은 계산 복잡도와 2D LMMSE 대비 7,027배 낮은 복잡도를 달성하였다. 이와 동시에 전송 데이터 속도를 향상시키고 버퍼링 지연을 감소시켰다.

ABSTRACT

IEEE 802.11p standard defines wireless technology protocols that enable vehicular transportation and manage traffic efficiency. A major challenge in the development of this technology is ensuring communication reliability in highly dynamic vehicular environments, where the wireless communication channels are doubly selective, thus making channel estimation and tracking a relevant problem to investigate. In this paper, a novel deep learning (DL)-based weighted interpolation estimator is proposed to accurately estimate vehicular channels especially in high mobility scenarios. The proposed estimator is based on modifying the pilot allocation of the IEEE 802.11p standard so that more transmission data rates are achieved. Extensive numerical experiments demonstrate that the developed estimator significantly outperforms the recently proposed DL-based frame-by-frame estimators in different vehicular scenarios, while substantially reducing the overall computational complexity.

연구 동기 및 목표

• 이중 선택성 페이딩이 있는 고속 이동 차량 환경에서 정확하고 저복잡도의 채널 추정 문제를 해결한다.
• ChannelNet 및 TS-ChannelNet와 같은 기존의 프레임 단위 딥러닝 추정기의 한계를 극복한다. 이들 방법은 높은 계산 복잡도, 고속 이동에서의 성능 저하, 높은 수신기 버퍼링 지연을 야기한다.
• 데이터 서브케이너에 OFDM 심벌을 전적으로 할당함으로써 전송 데이터 속도를 향상시키고, 전략적 위치에 최소한의 피로트 심벌만 삽입한다.
• 전체 프레임을 기다리지 않고 서브프레임 기반 채널 추정을 통해 수신기 지연을 감소시킨다.
• 이동 조건에 따라 피로트 삽입을 동적으로 조정하는 하이브리드, 적응형, 강건한 추정기를 개발한다. 이는 다양한 차량 환경에서 성능를 유지할 수 있도록 한다.

제안 방법

• 고속도에 비례하여 증가하는 피로트 수를 가진 프레임 끝에 하나 이상의 전체 피로트 OFDM 심벌을 삽입하는 새로운 피로트 할당 방식을 제안한다.
• 삽입된 피로트 심벌만을 사용하여 시간 도메인에서 가중치 보간을 적용함으로써 모든 데이터 심벌의 채널을 추정하며, 주파수 도메인 보간을 피한다.
• 두 가지 변종을 도입한다: 채널 추정을 위해 가중치 교대 최소 제곱(WI-FP-ALS)과 단순 최소 제곱(WI-FP-SLS)을 사용한다.
• 정밀도 향상을 위해 최적화된 초해상도 CNN(SR-CNN) 또는 노이즈 제거 CNN(DN-CNN)을 후처리 모듈로 통합한다.
• 이동 조건에 따라 프레임 구조와 피로트 수를 조정한다: 저속 이동에서는 하나의 피로트 심벌, 고속 및 매우 고속 이동에서는 두 개 또는 세 개로 증가시킨다.
• 프레임을 서브프레임 단위로 처리하여 각 서브프레임 수신 후 즉시 채널 추정을 시작함으로써 버퍼링 시간을 크게 감소시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 채널 추정기가 고속 이동 차량 환경에서 ChannelNet 및 TS-ChannelNet와 같은 기존의 프레임 단위 추정기보다 뛰어난 성능을 달성할 수 있는가?
• RQ2 적응형 피로트 삽입을 가진 수정된 IEEE 802.11p 프레임 구조가 계산 복잡도를 감소시키면서도 추정 정확도를 유지하거나 향상시킬 수 있는가?
• RQ3 가중치 보유 시간 도메인 보간이 이중 선택성 채널에서 전통적인 2D 보간보다 얼마나 뛰어나게 성능을 높일 수 있는가?
• RQ4 실시간 차량 응용에서 서브프레임 기반 처리가 전체 프레임 처리 대비 수신기 버퍼링 지연을 얼마나 감소시키는가?
• RQ5 최적화된 CNN 아키텍처(SR-CNN, DN-CNN)가 경량 보간 프레임워크에 효과적으로 통합되어 복잡도 증가 없이 성능을 향상시킬 수 있는가?

주요 결과

• 제안된 WI-FP-ALS-SR-CNN 추정기는 ChannelNet 대비 70배 낮은 계산 복잡도를 기록했으며, TS-ChannelNet 대비 39배 낮다.
• 제안된 추정기들은 전통적인 2D LMMSE 추정기 대비 최소 7,027.35배 낮은 계산 복잡도를 확보하면서도 수용 가능한 비트 오류율(BER) 성능을 유지한다.
• WI-2P 및 WI-3P 추정기는 표준 IEEE 802.11p 대비 각각 8.08%와 7.83% 높은 전송 데이터 속도(TDR)를 달성하였다. 이는 데이터 서브케이너를 전적으로 할당했기 때문이다.
• WI-2P 및 WI-3P 추정기는 각각 400 µs와 265 µs의 버퍼링 시간을 기록하여, ChannelNet 및 TS-ChannelNet의 800 µs 대비 크게 감소시켰다. 이는 더 이른 채널 추정을 가능하게 한다.
• 고속 및 매우 고속 이동 조건에서 사용된 FP-ALS-DN-CNN 변종은 FP-ALS-SR-CNN 대비 12배 높은 복잡도를 가지나, 여전히 ChannelNet 및 TS-ChannelNet보다는 훨씬 낮은 복잡도를 유지한다.
• 시뮬레이션 결과는 제안된 추정기가 모든 이동 조건에서 ChannelNet 및 TS-ChannelNet를 초월함을 확인하였으며, 특히 이전 방법이 크게 성능 저하를 보이는 고속 이동 조건에서 뚜렷한 우수성을 입증하였다.