[논문 리뷰] Deep Learning-based Compressive Beam Alignment in mmWave Vehicular Systems

Yuyang Wang, Nitin Jonathan Myers외 2명|arXiv (Cornell University)|2021. 02. 27.

Millimeter-Wave Propagation and Modeling참고 문헌 32인용 수 5

한 줄 요약

이 논문은 2차원 컨volution형 압축 센싱(2D-CCS)을 사용하여 mmWave 차량 간 비트 애슬라이언먼트를 위한 딥러닝 기반의 구조적 압축 센싱 프레임워크를 제안한다. 도시 환경의 mmWave 채널의 공간적 및 스펙트럼적 구조에 맞게 학습된 위상 이동 행렬을 통해, 단일 서브카리어조차도 사용함으로써 더 적은 측정 수로도 뛰어난 비트 애슬라이언먼트 성능을 달성하며, 투영된 경사 하강법을 통해 저해상도 위상 이동기 제약 조건을 통합한다.

ABSTRACT

Millimeter wave vehicular channels exhibit structure that can be exploited for beam alignment with fewer channel measurements compared to exhaustive beam search. With fixed layouts of roadside buildings and regular vehicular moving trajectory, the dominant path directions of channels will likely be among a subset of beam directions instead of distributing randomly over the whole beamspace. In this paper, we propose a deep learning-based technique to design a structured compressed sensing (CS) matrix that is well suited to the underlying channel distribution for mmWave vehicular beam alignment. The proposed approach leverages both sparsity and the particular spatial structure that appears in vehicular channels. We model the compressive channel acquisition by a two-dimensional (2D) convolutional layer followed by dropout. We design fully-connected layers to optimize channel acquisition and beam alignment. We incorporate the low-resolution phase shifter constraint during neural network training by using projected gradient descent for weight updates. Furthermore, we exploit channel spectral structure to optimize the power allocated for different subcarriers. Simulations indicate that our deep learning-based approach achieves better beam alignment than standard CS techniques which use random phase shift-based design. Numerical experiments also show that one single subcarrier is sufficient to provide necessary information for beam alignment.

연구 동기 및 목표

• mmWave 차량 시스템에서 전수적 비트 트레이닝의 높은 오버헤드와 지연 문제를 해결하기 위해.
• 도시 환경에서 mmWave 채널의 공간적 구조와 희박성 특성을 활용하여 효율적인 비트 애슬라이언먼트를 수행하기 위해.
• 측정 정보가 없는 상태에서 채널 통계에 적응하는 학습 가능한, 구조적 압축 센싱 행렬을 설계하기 위해.
• 저해상도 위상 이동기 제약 조건을 신경망 학습 과정에 통합하기 위해.
• 비드바운드 대비 와이드밴드 채널 입력이 비트 애슬라이언먼트에 미치는 영향을 평가하기 위해.

제안 방법

• 프레임워크는 비트 트레이닝을 위해 학습 가능한 기본 행렬을 파rameter로 하는 2D-컨볼루션 레이어를 사용하여 2D-컨볼루션 압축 센싱(2D-CCS)를 모방한다.
• 채널 복구 및 비트 애슬라이언먼트 최적화를 위해 완전 연결 네트워크를 사용하며, 정규화를 위해 2D-컨볼루션 레이어에 드롭아웃을 적용한다.
• 역전파 과정에서 투영된 경사 하강법을 사용하여 학습된 위상 이동 행렬에 저해상도 위상 이동기 제약 조건을 강제한다.
• 와이드밴드 시스템에서 서브카리어 간 전력 할당을 최적화하기 위해 대각선 가중치 업데이트를 적용한 선형 레이어를 도입한다.
• 레이저 추적 기반의 도시 차량 채널 데이터셋을 사용하여 엔드 투 엔드로 모델을 학습하며, 주로 비트 포밍 손실을 주요 지표로 사용한다.
• mmWave 채널의 공간적 희박성과 방향성 클러스터링을 활용하여 측정 오버헤드를 감소시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 접근법이 기존 연구에서 이론적으로 유도된 랜덤 위상 이동 기반의 압축 센싱보다 mmWave 비트 애슬라이언먼트 성능에서 뛰어나게 되는가?
• RQ2 도시 차량 채널에서 주요 경로의 구조적 공간 분포를 활용하면 비트 애슬라이언먼트 성능이 향상되는가?
• RQ3 단일 서브카리어가 와이드밴드 mmWave 시스템에서 정확한 비트 구성에 충분한 정보를 제공할 수 있는가?
• RQ4 저해상도 위상 이동이 비트 애슬라이언먼트 성능에 미치는 영향은 무엇이며, 네트워크가 이를 보완할 수 있는가?
• RQ5 와이드밴드 비트 애슬라이언먼트에서 서브카리어 간 최적의 전력 할당 전략은 무엇인가?

주요 결과

• 제안된 딥러닝 기반 방법은 이전 연구에서 이론적으로 도출된 해보다 유의미하게 낮은 비트 포밍 손실과 더 높은 비트 애슬라이언먼트 확률을 달성한다.
• 단일 서브카리어(비드바운드 입력)만으로도 비트 애슬라이언먼트에 충분한 정보를 제공하며, 와이드밴드 입력과 비교해 유사한 성능을 보인다.
• 최적화된 전력 할당 레이어는 DC 서브카리어 근처의 서브카리어에 더 높은 가중치를 할당하며, p₁ ≈ 0.4이고 다른 서브카리어의 pₖ ≈ 0.2이다.
• 저해상도 위상 이동기(q=1 또는 q=3)는 변동성을 유도하지만, 완전 연결 레이어가 효과적으로 보완하여 높은 성능을 유지한다.
• 40회의 측정과 q=3 조건에서의 비트 애슬라이언먼트 성능은 무한 해상도(q=∞)의 이상적 경우와 유사하며, 양자화에 대한 강건성을 입증한다.
• 최소한의 측정 수로도 낮은 비트 포밍 손실을 달성하여, 차량용 mmWave 시스템에서 구조적 CS 행렬을 학습하는 것이 효과적임을 확인한다.