[论文解读] Deep Learning-based Compressive Beam Alignment in mmWave Vehicular Systems

Yuyang Wang, Nitin Jonathan Myers+2 more|arXiv (Cornell University)|Feb 27, 2021

Millimeter-Wave Propagation and Modeling参考文献 32被引用 5

一句话总结

本文提出了一种基于深度学习的结构化压缩感知框架，用于毫米波车辆通信中的波束赋形对准，采用二维卷积压缩感知（2D-CCS）。通过学习一种针对城市毫米波信道空间与频谱结构量身定制的相位移矩阵，该方法在仅使用较少测量次数的情况下实现了优异的波束对准性能，即使仅使用单个子载波亦可实现，同时通过投影梯度下降法整合了低分辨率相移器约束。

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.

研究动机与目标

• 解决毫米波车辆系统中全范围波束训练带来的高开销与高延迟问题。
• 利用城市环境中毫米波信道的空间结构与稀疏性，实现高效的波束对准。
• 设计一种可学习的、结构化的压缩感知矩阵，能够自适应信道统计特性，而无需额外的信道信息。
• 将低分辨率相移器约束整合进神经网络的训练过程。
• 评估窄带与宽带信道输入在波束对准中的有效性。

提出的方法

• 该框架使用二维卷积层模拟二维卷积压缩感知（2D-CCS），其参数由一个可学习的基础矩阵定义，用于波束训练。
• 采用全连接网络优化信道恢复与波束对准，同时在二维卷积层中应用Dropout进行正则化。
• 在反向传播过程中采用投影梯度下降法，以强制学习到的相位移矩阵满足低分辨率相移器约束。
• 引入一个具有对角化权重更新的线性层，以优化宽带系统中子载波间的功率分配。
• 模型采用基于射线追踪的城市车辆信道数据集进行端到端训练，以波束成形损失为主要优化指标。
• 该方法利用毫米波信道中的空间稀疏性与波束聚类特性，有效降低了测量开销。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在毫米波波束对准中优于基于随机相移的压缩感知方法？
• RQ2 利用城市车辆信道中主导路径的空间结构分布是否能提升波束对准性能？
• RQ3 单个子载波是否足以提供准确波束配置所需的信息？
• RQ4 低分辨率相移对波束对准性能有何影响？神经网络能否有效补偿该影响？
• RQ5 在宽带波束对准中，子载波间的最优功率分配策略是什么？

主要发现

• 所提出的基于深度学习的方法在波束成形损失和波束对准概率方面显著优于先前工作中理论推导的解。
• 仅使用单个子载波（窄带输入）即可提供足够的信息实现波束对准，性能与宽带输入相当。
• 优化后的功率分配层在直流子载波附近分配更高的权重，其中p₁ ≈ 0.4，其他子载波的权重pₖ ≈ 0.2。
• 低分辨率相移器（如q=1或q=3）引入了扰动，但全连接层能有效补偿，维持高性能。
• 在使用40次测量且q=3时，波束对准性能与无限分辨率理想情况（q=∞）相当，证明了对量化效应的强鲁棒性。
• 该框架在极少测量次数下实现了可忽略的波束成形损失，证实了学习结构化压缩感知矩阵在车辆毫米波系统中的有效性。