[논문 리뷰] Integrated Sensing and Communication for 6G: Ten Key Machine Learning Roles

Umut Demirhan, Ahmed Alkhateeb|arXiv (Cornell University)|2022. 08. 03.

Indoor and Outdoor Localization Technologies인용 수 6

한 줄 요약

이 논문은 6G의 통합 감지 및 통신(ISAC)에서 기계학습(ML)의 열 가지 핵심 역할을 규명하며, ML이 복합 감지-통신 시스템에서 웨이브폼 설계, 빔포밍, 간섭 제거, 자원 할당, 보안 및 네트워크 운영을 향상시키는 방식을 입증한다. 또한 실세계 데이터를 활용한 DeepSense 6G 데이터셋을 통해 감지 보조 빔 추적과 통신 보조 감지를 가능하게 한다.

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.

연구 동기 및 목표

• 감지 및 통신이 하드웨어 및 스펙트럼 자원을 공유하는 6G에서 통합 감지 및 통신(ISAC) 시스템 설계의 복잡성을 해결한다.
• 통합 ISAC 시스템에서 웨이브폼 설계, 간섭 관리, 자원 할당 및 시스템 보안 문제를 극복한다.
• 기계학습을 활용해 mmWave 및 sub-THz 시스템에서 감지 보조 빔 예측 및 차단 예측을 가능하게 한다.
• 기존의 통신 신호와 하드웨어를 활용해 해상도 향상과 강인성을 높이는 통신 보조 감지를 탐색한다.
• 기존 통신 인프라와 분산된 기계학습 모델을 활용해 확장 가능하고 분산된 네트워크 수준의 감지를 가능하게 한다.

제안 방법

• 목표 탐지 및 데이터 전송률 최대화를 위해 적응형으로 ISAC 웨이브폼을 최적화하기 위해 주도 학습을 사용한다.
• 전력 측정값을 보상으로 사용해 실시간으로 현장 특화 빔 패턴을 학습하기 위해 온라인 강화학습을 적용한다.
• 전체 이중성 ISAC 수신기에서 비선형 자기 간섭을 모델링하고 제거하기 위해 지도 학습 기반의 심층 신경망(DNN)을 구현한다.
• 시스템 성능 피드백 기반으로 감지 및 통신 자원(전력, 시간, 주파수, 빔)을 동적으로 할당하기 위해 강화학습을 활용한다.
• 시스템 보안 향상을 위해 감지 및 통신 파rameter의 이질적 행동을 탐지하기 위해 오토에코더를 활용한다.
• 대규모 ISAC 네트워크에서 분산된, 상호 조율된 빔포밍 및 전력 제어를 위해 다중 에이전트 강화학습을 적용한다.

실험 결과

연구 질문

• RQ1 기계학습은 어떻게 동시에 통신 전송률을 극대화하고 감지 탐지 확률을 극대화하는 ISAC 웨이브폼을 최적화할 수 있는가?
• RQ2 ML은 환경적 요소와 하드웨어 고유의 결함을 실시간으로 반영하는 공간 빔 패턴을 어떻게 학습할 수 있는가?
• RQ3 딥 러닝 모델은 전체 이중성 ISAC 시스템에서 비선형 자기 간섭을 효과적으로 근사하고 제거할 수 있는가?
• RQ4 강화학습은 감지 및 통신 기능 간의 성능 기반 동적 자원 할당을 어떻게 가능하게 하는가?
• RQ5 ML은 기존 통신 인프라를 활용해 확장 가능하고 분산된 네트워크 수준의 감지를 어떻게 가능하게 할 수 있는가?

주요 결과

• 주도 학습은 복합 ISAC 시스템에서 목표 탐지 확률과 이행 가능한 데이터 전송률을 향상시키는 적응형 웨이브폼 최적화를 가능하게 한다.
• 온라인 강화학습 모델은 전력 측정값을 피드백으로 사용해 실세계 하드웨어 및 환경 조건에 적응하는 현장 특화 빔 패턴을 성공적으로 학습한다.
• 지도 학습 기반 DNN은 전체 이중성 ISAC 수신기에서 비선형 자기 간섭을 효과적으로 모델링하고 예측하며, 전통적인 모델 기반 접근 방식을 능가한다.
• 강화학습 기반 자원 할당은 전력, 시간, 주파수 및 빔 자원을 동적으로 최적화하여 통신 및 감지 성능을 향상시킨다.
• 오토에코더는 물체 위치 및 데이터 전송률과 같은 시스템 파rameter의 이질적 행동을 탐지하여 ISAC 시스템의 보안을 강화한다.
• 다중 에이전트 강화학습은 최소한의 조율으로 확장 가능하고 저오버헤드의 네트워크 수준 운영을 가능하게 한다.