[논문 리뷰] Learning-based Predictive Beamforming for Integrated Sensing and Communication in Vehicular Networks

Chang Liu, Weijie Yuan외 5명|arXiv (Cornell University)|2021. 08. 26.

Indoor and Outdoor Localization Technologies인용 수 5

한 줄 요약

이 논문은 차량 간 통신(V2I) 네트워크에서 통합 감지 및 통신(ISAC)을 위한 딥러닝 기반 예측 비음향형 프레임워크를 제안한다. 이는 실시간 채널 추적 없이 이전 채널 추정치를 사용하여 최적의 비음향형을 예측한다. 시뮬레이션을 통해 검증된 결과, 이 방법은 엄밀한 감지 정확도를 유지하면서도 거의 최적의 합산 속도 성능을 달성하였으며, CRLB 성능이 10⁻⁴ m까지 저하됨을 확인하였다. 합산 속도는 지니-보조 기준에 근접하였다.

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.

연구 동기 및 목표

• ISAC 기반 V2I 네트워크에서 기존 채널 추적 기법의 높은 학습 오버헤드와 계산 복잡도 문제를 해결하기 위해.
• 채널 상태 정보가 급격히 노후화되는 고속 이동 차량 환경에서 실시간 비음향형을 가능하게 하기 위해.
• 실제 하드웨어 및 스펙트럼 제약 조건 하에서 통신 속도와 감지 정확도를 동시에 최적화하기 위해.
• 기존 모델 기반 접근법 없이, 이전 채널 추정치에서 학습하여 향후 비음향형을 예측하는 비지도 딥러닝 프레임워크를 개발하기 위해.
• 통합 시스템에서 높은 스펙트럼 효율성과 고정밀 위치 추적 간의 균형을 이루기 위해.

제안 방법

• 필수 감지 정확도를 보장하기 위해 크래머-라오 하한(CRLB) 기반 제약 조건을 포함한 일반적인 합산 속도 최대화 문제를 수립한다.
• 제약 최적화 문제를 엔드 투 엔드 딥러닝 학습을 위해 비제약 최적화 문제로 변환하기 위해 페널티 방법을 적용한다.
• 공간적 및 시간적 채널 의존성을 활용하기 위해 합성곱층과 장기 기억단기 기억(LSTM) 네트워크를 조합한 새로운 HCL-Net 아키텍처를 설계한다.
• 기존 추정 채널 행렬을 HCL-Net의 입력으로 사용하여, 즉각적인 CSI가 필요 없이 채널 동역학을 암묵적으로 학습할 수 있도록 한다.
• 합산 속도 최대화와 CRLB 기반 감지 제약 조건을 통합한 손실 함수를 사용하여 HCL-Net을 비지도 방식으로 학습시킨다.
• 각 타임슬롯에서의 명시적 채널 추정을 피하기 위해, 학습 중 감지 성능 제약 조건을 페널티 기반의 완화 방법으로 강제한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 고속 이동 V2I 환경에서 충분히 정확하게 향후 비음향형을 예측할 수 있는가? 이는 높은 통신 합산 속도를 유지하는 데 기여하는가?
• RQ2 오직 이전 채널 추정치에서만 학습된 모델이, 완전한 즉각적 CSI를 갖춘 시스템과 비교해 감지 성능을 어느 정도 유사하게 달성할 수 있는가?
• RQ3 제안된 방법은 ISAC 시스템에서 통신 속도와 위치 정확도 간의 트레이드오프를 어떻게 균형 잡는가?
• RQ4 이동성 및 시스템 파rameter가 다양할 경우 HCL-Net의 수렴 특성과 일반화 능력은 어떠한가?
• RQ5 제안된 비지도 학습 프레임워크는 명시적 채널 추적을 완전히 제거하면서도 지니-보조 상한에 근접한 성능을 유지할 수 있는가?

주요 결과

• 제안된 HCL-Net은 지니-보조 기준에서 얻은 완전한 즉각적 CSI를 가진 경우의 상한에 근접한 테스트 평균 합산 속도를 달성하였다.
• 48개의 송신 및 수신 안테나를 사용할 경우, 거리 추정에 대해 CRLB^(1/2)가 10⁻⁴ m에 도달하여 고속 차량 추적에 충분한 정밀도를 확보하였다.
• HCL-Net은 합산 속도 및 CRLB 지표 모두에서 6개의 학습 에포크 내에 안정된 성능에 도달하였으며, 이는 빠르고 효율적인 학습을 의미한다.
• 감지-통신 트레이드오프가 정량화되었으며, CRLB 임계값이 9×10⁻³를 초과할 경우 합산 속도가 포화 상태에 도달함을 보여주었고, 이는 느슨한 감지 제약 조건 하에서 성능의 정체를 의미한다.
• 모델은 다양한 송신 전력 수준과 안테나 구성에서 뛰어난 강인성을 보였으며, 최소한의 신호 전송 오버헤드로 높은 성능를 유지하였다.
• 합성곱 LSTM 아키텍처는 채널 동역학의 공간적 및 시간적 특징을 효과적으로 포착하여, 더 단순한 아키텍처보다 비음향형 예측 성능에서 뛰어난 성능을 보였다.