[논문 리뷰] Sensing Integrated DFT-Spread OFDM Waveform and Deep Learning-powered Receiver Design for Terahertz Integrated Sensing and Communication Systems

Yongzhi Wu, Filip Lemić외 2명|arXiv (Cornell University)|2021. 09. 30.

Millimeter-Wave Propagation and Modeling참고 문헌 46인용 수 6

한 줄 요약

이 논문은 테라헤르츠 통합 센싱 및 통신 시스템을 위한 감지 통합 DFT 스프레드 OFDM(SI-DFT-s-OFDM) 웨이브폼과 딥 러닝 기반 ISAC 수신기를 제안한다. 웨이브폼은 피크 대 평균 전력비(PAPR)를 약 3.2 dB 감소시키며, 밀리미터 수준의 거리 및 디시미터당 초당 속도 추정을 가능하게 한다. 딥 러닝 수신기는 10⁻³ BER에서 BER을 5 dB 향상시키고 도플러, 위상 노이즈 및 다중 경로 효과에 대한 강건성을 향상시킨다.

ABSTRACT

Terahertz (THz) communications are envisioned as a key technology of next-generation wireless systems due to its ultra-broad bandwidth. One step forward, THz integrated sensing and communication (ISAC) system can realize both unprecedented data rates and millimeter-level accurate sensing. However, THz ISAC meets stringent challenges on waveform and receiver design to fully exploit the peculiarities of THz channel and transceivers. In this work, a sensing integrated discrete Fourier transform spread orthogonal frequency division multiplexing (SI-DFT-s-OFDM) system is proposed for THz ISAC, which can provide lower peak-to-average power ratio than OFDM and is adaptive to flexible delay spread of the THz channel. Without compromising communication capabilities, the proposed SI-DFT-s-OFDM realizes millimeter-level range estimation and decimeter-per-second-level velocity estimation accuracy. In addition, the bit error rate (BER) performance is improved by 5 dB gain at the $10^{-3}$ BER level compared with OFDM. At the receiver, a deep learning based ISAC receiver with two neural networks is developed to recover transmitted data and estimate target range and velocity, while mitigating the imperfections and non-linearities of THz systems. Extensive simulation results demonstrate that the proposed deep learning methods can realize mutually enhanced performance for communication and sensing, and is robust against Doppler effects, phase noise, and multi-target estimation.

연구 동기 및 목표

• 고경로 손실, 도플러 스프레드, 위상 노이즈 및 높은 PAPR 등 테라헤르츠 통합 센싱 및 통신(THz ISAC)에서의 엄격한 과제를 해결한다.
• THz 채널 특성과 송수신기 제약 조건에 적합한 저PAPR 웨이브폼을 설계한다.
• 공통된 수신기 아키텍처를 통해 데이터 검출 및 센싱 파rameter 추정(거리, 속도)을 동시에 수행하는 딥 러닝 기반 수신기를 개발하며, 강건성을 향상시킨다.
• 단일 웨이브폼과 수신기 아키텍처를 통합함으로써 스펙트럼 효율성과 하드웨어 비용을 향상시킨다.
• 통신 성능을 저하시키지 않은 채 높은 정밀도의 센싱(밀리미터 수준의 거리, 디시미터당 초당 속도)을 달성한다.

제안 방법

• CP 기반 및 FGI 기반의 두 가지 SI-DFT-s-OFDM 웨이브폼을 제안하며, DFT 스프레딩을 활용해 PAPR를 감소시키고 THz 채널의 가변적 지연 스프레드에 적응한다.
• 파ilot 신호를 통합하고 채널 인과적 응답을 활용하여 타겟의 거리 및 속도 추정을 위한 감지 기능을 통합한다.
• 이중 브런치 딥 러닝 수신기 아키텍처를 설계한다: ComNet은 데이터 검출을, SensingNet은 센싱 파rameter 추정을 담당하며, ISACNet 내 공유 밀집층을 통해 복잡도를 감소시킨다.
• 채널 변동에 대한 강건성을 확보하기 위해 무작위 파rameter를 가진 스토하스틱 채널 샘플을 사용해 딥 러닝 모델을 훈련시킨다.
• ISACNet 내에서 공동 손실 함수를 적용하여 통신 및 센싱 작업 간 상호 강화를 가능하게 한다.
• 신경망 내부에서 채널 추정 및 등화 기법을 적용하여 위상 노이즈 및 도플러 효과를 완화한다.

실험 결과

연구 질문

• RQ1 DFT 스프레드 OFDM 웨이브폼은 THz ISAC에 적합하게 조정되어 PAPR를 감소시키면서도 높은 스펙트럼 효율성을 유지할 수 있는가?
• RQ2 딥 러닝 기반의 공동 검출 및 추정 기법은 THz 시스템에서 도플러 및 위상 노이즈 조건 하에서 BER 성능을 얼마나 향상시킬 수 있는가?
• RQ3 통신 및 센싱 작업 간의 작업 유사성은 공유된 딥 러닝 모델의 성능에 어떤 영향을 미치는가?
• RQ4 단일 딥 러닝 수신기가 별도의 처리 체인 없이도 고정밀 센싱과 신뢰성 있는 통신을 동시에 달성할 수 있는가?
• RQ5 기본 MMSE 및 별도의 딥 러닝 모델 대비 제안된 ISAC 수신기는 강건성과 복잡도 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 SI-DFT-s-OFDM 웨이브폼은 기존 OFDM 대비 약 3.2 dB의 PAPR 감소를 달성한다.
• OFDM 대비 10⁻³ BER 수준에서 BER 성능을 5 dB 향상시켜 통신 신뢰성을 향상시킴을 입증한다.
• 20 dB SNR에서 FGI 기반 SI-DFT-s-OFDM는 10⁻⁵ BER 성능을 유지하면서 평균 가능 전송률 174 Gbps를 달성한다.
• 시스템은 밀리미터 수준의 거리 추정 정밀도와 디시미터당 초당 수준의 속도 추정 정밀도를 제공한다.
• ISACNet 모델은 별도의 ComNet과 SensingNet 모델 대비 네트워크 복잡도를 37% 감소시키며, 거리 추정 정밀도를 향상시킨다.
• 작업 유사도가 높음(0.9643, CP 방식 기준)을 보이며, 통신 및 센싱 작업 간 강력한 상호보완성이 존재해 공동 학습에서 더 큰 성능 향상을 이룬다.