[論文レビュー] DSIC: Deep Learning based Self-Interference Cancellation for In-Band Full Duplex Wireless

Hanqing Guo, Nan Zhang+2 more|arXiv (Cornell University)|Nov 5, 2018

Full-Duplex Wireless Communications参考文献 10被引用数 6

ひとこと要約

本論文は、トレーニングされた深層ニューラルネットワーク（DNN）を用いて非線形自己干渉をリアルタイムでモデル化・キャンセリングする深層学習ベースの自己干渉キャンセレーション（DSIC）手法を提案する。USRP SDRテストベッド上で評価された結果、デジタルキャンセレーションで最大17 dBの効果が得られ、複数の環境および変調方式（QPSK、16PSK、64PSK）において、ビット誤り率が平均8.5％に低下した。

ABSTRACT

In-band full duplex wireless is of utmost interest to future wireless communication and networking due to great potentials of spectrum efficiency. IBFD wireless, however, is throttled by its key challenge, namely self-interference. Therefore, effective self-interference cancellation is the key to enable IBFD wireless. This paper proposes a real-time non-linear self-interference cancellation solution based on deep learning. In this solution, a self-interference channel is modeled by a deep neural network (DNN). Synchronized self-interference channel data is first collected to train the DNN of the self-interference channel. Afterwards, the trained DNN is used to cancel the self-interference at a wireless node. This solution has been implemented on a USRP SDR testbed and evaluated in real world in multiple scenarios with various modulations in transmitting information including numbers, texts as well as images. It results in the performance of 17dB in digital cancellation, which is very close to the self-interference power and nearly cancels the self-interference at a SDR node in the testbed. The solution yields an average of 8.5% bit error rate (BER) over many scenarios and different modulation schemes.

研究の動機と目的

• インバンドフルデュプレックス（IBFD）無線システムにおける自己干渉の深刻な課題に対処し、実用的導入を制限する要因を解消すること。
• 複雑で非線形性が強い干渉チャネルをモデル化することで、従来の線形手法を凌駕するリアルタイムで非線形の自己干渉キャンセレーションソリューションを開発すること。
• 多様な環境条件下および変調フォーマットで、実世界のUSRP SDRテストベッド上に深層学習ベースのSICフレームワークを実装・評価すること。
• 3つの核心的問いに答えること：（1）トレーニング用に同期されたチャネルデータをどのように収集するか、（2）DNNで無線チャネルをどのようにモデル化するか、（3）実世界のIBFD運用を可能にするオープンソースのSDRフレームワークをどのように構築するか。

提案手法

• 深層ニューラルネットワーク（DNN）は、USRP SDRテストベッドから収集した同期されたリアルタイムの自己干渉（SI）信号サンプルを用いて、自己干渉（SI）チャネルをモデル化するようにトレーニングされる。
• DNNは、過去の送信シンボルのシーケンス（タップ長K）を入力として受け取り、現在の自己干渉信号を予測することで、リアルタイムでの推定とキャンセレーションを可能にする。
• 予測されたSI信号と実際のSI信号の差を最小化するように、平均二乗誤差（MSE）損失を用いてモデルをトレーニングする。収束は、入力シーケンス長（K = 2, 20, 50, 100）を変化させた上で評価される。
• トレーニング済みのDNNはGNURadioベースのプロトタイプにデプロイされ、受信信号から推定されたSI信号を差し引くことで、リアルタイムでのSIキャンセレーションが実現される。
• 本システムは、複数の変調方式（QPSK、16PSK、64PSK）をサポートし、屋内部屋、屋外、通路など多様な伝搬環境で動作する。
• キャンセレーションプロセスには、送信信号の変調、DNNベースのSI推定、受信信号からの差し引き、元のデータを回復するためのデモジュレーションが含まれる。

実験結果

リサーチクエスチョン

• RQ1 実世界のIBFDシステムにおいて、深層学習モデルのトレーニングに適した同期された自己干渉チャネルデータをどのように効果的に収集できるか？
• RQ2 深層ニューラルネットワークは、フルデュプレックス無線チャネルにおける複雑で非線形性の強い自己干渉特性をどの程度正確にモデル化できるか？
• RQ3 深層学習ベースのデジタルキャンセレーションソリューションは、多様な伝搬環境および変調フォーマットにおいて、高い性能の自己干渉抑制を達成できるか？
• RQ4 入力シーケンス長（タップ）は、DNNベースのSI推定モデルの収束および精度にどのように影響するか？
• RQ5 提案された深層学習SICソリューションは、実世界のIBFDシナリオにおいて、どの程度のビット誤り率（BER）性能を達成できるか？

主な発見

• DNNベースの自己干渉キャンセレーションモデルは、最小で7 dB、平均で17.8 dBのキャンセレーションを達成し、実世界のテストで最高17 dBの性能を示した。
• 入力シーケンス長（タップ）が100の場合、モデルは安定的かつ迅速に収束し、低MSE損失と高い推定精度を達成した。
• 全シナリオおよび変調方式において、ビット誤り率（BER）の平均は8.5％であり、屋外環境では最低のBER（8.0％）が観測された一方、通路環境では多径フェージングの影響で最高のBER（45.1％）が観測された。
• 高次変調（64PSK > 16PSK > QPSK）では性能が低下し、干渉およびノイズへの感受性が高まるという予想通りの傾向を示した。
• 本ソリューションは多様な実世界環境に強く、複数の変調フォーマットをサポートしており、実用的なIBFD導入の可能性を裏付けた。
• オープンソースのGNURadioベースのSDRフレームワークにより、深層学習ベースのSICを用いたリアルタイムでエンドツーエンドのIBFD運用が可能となり、広範な現地テストにより検証された。