[論文レビュー] Model-Driven End-to-End Learning for Integrated Sensing and Communication

José Miguel Mateos-Ramos, Christian Häger+3 more|arXiv (Cornell University)|Dec 20, 2022

Fault Detection and Control Systems被引用数 5

ひとこと要約

本稿では、MIMOレーダーおよびMISO通信システムにおける統合センシングおよび通信（ISAC）のためのモデル駆動型エンドツーエンド学習アーキテクチャを提案する。物理的信号モデルとニューラルネットワークを統合することで、ハードウェア制限下でも耐障害性が向上する。計算複雑性の制限下では、モデル駆動型学習が標準的なニューラルネットワークを上回り、未観測のシナリオへの一般化性能も優れている。

ABSTRACT

Integrated sensing and communication (ISAC) is envisioned to be one of the pillars of 6G. However, 6G is also expected to be severely affected by hardware impairments. Under such impairments, standard model-based approaches might fail if they do not capture the underlying reality. To this end, data-driven methods are an alternative to deal with cases where imperfections cannot be easily modeled. In this paper, we propose a model-driven learning architecture for joint single-target multi-input multi-output (MIMO) sensing and multi-input single-output (MISO) communication. We compare it with a standard neural network approach under complexity constraints. Results show that under hardware impairments, both learning methods yield better results than the model-based standard baseline. If complexity constraints are further introduced, model-driven learning outperforms the neural-network-based approach. Model-driven learning also shows better generalization performance for new unseen testing scenarios.

研究の動機と目的

• 非一様なアンテナ間隔といったハードウェア制限が原因で生じるISACシステムの性能低下を解消すること。
• 物理的信号モデルとニューラルネットワークを統合した学習フレームワークを構築し、現実世界の不具合に適応しながらも性能保証を維持すること。
• 計算複雑性が無制限および制限されている両状況下で、モデル駆動型学習と標準的なニューラルネットワークおよびモデルベースのベースラインを比較すること。
• 学習データに含まれない未確認の方位領域における一般化性能を評価すること。
• 不完全なハードウェアを伴う実用的な6G ISACシナリオにおいて、向上した耐障害性と適応性を実証すること

提案手法

• MIMO送信機と、センシングおよびリモート通信を統合した受信機を用いて、ISAC問題を共同センシングおよび通信タスクとして定式化する。
• 信号モデル（例：摂動したアンテナ間隔を伴うスティーリングベクトル）を深層アンフォールディングを介して構造化されたニューラルネットワークに埋め込むことで、モデル駆動型学習アーキテクチャを設計する。
• ハードウェア制限下でのセンシングと通信性能のバランスを最適化する送信ビームフォーマーを学習するために、オートエンコーダー（AE）を用いる。
• シンボル誤り率（SER）、誤検出確率、角度推定のための平均二乗誤差（RMSE）を組み合わせた微分可能損失関数を用いて、モデル駆動型ネットワークを学習する。
• 隠れニューロン数（N=21）およびグリッドポイント数（N_grid=156）の制限により計算複雑性を制限し、モデル駆動型アプローチとパラメータ数を一致させる。
• 同じハードウェア制限条件下で、標準的なニューラルネットワーク（NN）およびモデルベースのベースラインと性能を比較する

実験結果

リサーチクエスチョン

• RQ1 ISACシステムにおけるハードウェア制限下で、モデル駆動型エンドツーエンド学習は標準的なニューラルネットワークおよびモデルベースのベースラインに比べてどのように性能を発揮するか？
• RQ2 パラメータ数が制限される計算複雑性の制限下でも、モデル駆動型学習は性能を維持できるか？
• RQ3 学習データに含まれない未確認の方位領域に対して、モデル駆動型学習はデータ駆動型ニューラルネットワークよりも一般化性能が優れているか？
• RQ4 ランダムなアンテナ間隔のずれといったハードウェア制限が、モデルベースおよび学習ベースのISACシステムの性能にどのように影響を与えるか？
• RQ5 学習ベースのISAC設計において、性能、一般化、複雑性のトレードオフはどのように変化するか？

主な発見

• ハードウェア制限下（アンテナ間隔の摂動がi.i.d.ガウス分布でσ_λ = λ/30）では、モデル駆動型学習とニューラルネットワークベースの学習の両方が、モデルマッチングの不一致に適応できるため、モデルベースのベースラインを上回る性能を発揮する。
• 計算複雑性が制限された状況（N=21, N_grid=156）では、モデル駆動型学習は無制限複雑性バージョンと同等の性能を維持するが、ニューラルネットワークベースの学習は検出性能および角度推定性能が著しく低下する。
• 未学習のテストシナリオ（例：訓練データに含まれない[−20°, 20°]のターゲット）では、モデル駆動型学習が誤検出確率および角度推定のRMSEにおいて、ベースラインおよびニューラルネットワークベースの学習を上回る性能を示す。
• モデル駆動型学習はニューラルネットワークよりも一般化性能に優れており、学習データに過剰適合していないことが示され、劣化したスティーリングベクトルの構造を効果的に捉えている。
• モデル駆動型アプローチは約2,500の複素数パラメータを有するが、ニューラルネットワークは約5,000の実数パラメータを有しており、同等の複雑性で優れた耐障害性を達成している。
• 結果から、モデル駆動型学習は実用的なISACシステムにおける性能、一般化、複雑性の良好なトレードオフを提供することが示された。