[论文解读] DeepMIMO: A Generic Deep Learning Dataset for Millimeter Wave and Massive MIMO Applications

Ahmed Alkhateeb|arXiv (Cornell University)|Feb 18, 2019

Millimeter-Wave Propagation and Modeling被引用 259

一句话总结

DeepMIMO 提供基于光线追踪的、参数化的数据集，用于 mmWave/massive MIMO ML 研究，能够可重复基准测试；一个 outdoor 的示例，18 个 BS and over a million users demonstrates beam prediction use.

ABSTRACT

Machine learning tools are finding interesting applications in millimeter wave (mmWave) and massive MIMO systems. This is mainly thanks to their powerful capabilities in learning unknown models and tackling hard optimization problems. To advance the machine learning research in mmWave/massive MIMO, however, there is a need for a common dataset. This dataset can be used to evaluate the developed algorithms, reproduce the results, set benchmarks, and compare the different solutions. In this work, we introduce the DeepMIMO dataset, which is a generic dataset for mmWave/massive MIMO channels. The DeepMIMO dataset generation framework has two important features. First, the DeepMIMO channels are constructed based on accurate ray-tracing data obtained from Remcom Wireless InSite. The DeepMIMO channels, therefore, capture the dependence on the environment geometry/materials and transmitter/receiver locations, which is essential for several machine learning applications. Second, the DeepMIMO dataset is generic/parameterized as the researcher can adjust a set of system and channel parameters to tailor the generated DeepMIMO dataset for the target machine learning application. The DeepMIMO dataset can then be completely defined by the (i) the adopted ray-tracing scenario and (ii) the set of parameters, which enables the accurate definition and reproduction of the dataset. In this paper, an example DeepMIMO dataset is described based on an outdoor ray-tracing scenario of 18 base stations and more than one million users. The paper also shows how this dataset can be used in an example deep learning application of mmWave beam prediction.

研究动机与目标

• 为 mmWave/massive MIMO ML 研究提供一个大规模、具环境感知能力的数据集的必要性作为动机。
• 提出一个通用、参数化的数据集生成框架，捕捉环境几何和发射/接收位置。
• 通过使数据集完全由光线追踪场景和参数集定义来确保可重复性。
• 通过一个 mmWave 波束预测的示例应用来演示数据集。
• 提供一个实际工作流和代码，用于生成和使用数据集来完成 ML 任务。

提出的方法

• 从准确的光线追踪输出（Wireless InSite）构建通道以捕捉环境依赖性。
• 定义一个带有情景 R 和参数集 S 的参数化数据集框架，以定制数据集。
• 在选定的子载波上使用一个包含 L 路径的和声道阵列响应 a(·) 计算 h_k^{b,u}（方程1–5）。
• 包括用户位置等特征，以便将输入扩展为超越通道的 ML 输入。
• 输出一个 MATLAB MAT-file DeepMIMO_dataset.mat，提供对通道和用户位置的结构化访问。
• 提供一个详细的工作流，用于为选定情景和参数设置生成数据集。

实验结果

研究问题

• RQ1 如何为 mmWave/MIMO ML 研究构建一个大规模、具环境感知能力、可参数化的数据集？
• RQ2 如何将光线追踪输出转化为适用于 ML 的通道输入和波束成形目标？
• RQ3 数据集参数（天线、带宽、OFDM、路径数量）对学习任务如波束预测的影响是什么？
• RQ4 DeepMIMO 能否实现跨不同 ML 方法在 mmWave/MIMO 的可重复基准测试？

主要发现

• DeepMIMO 数据集由准确的光线追踪数据驱动，捕捉环境几何和发射/接收位置。
• 该框架是通用且参数化的，研究人员可通过调整 S 和选择情景 R 来定制数据集以适应其 ML 任务。
• 一个示例 DeepMIMO 数据集（O1）包含 18 base stations 和 over one million users，便于大规模 ML 实验。
• 该数据集支持构建输入/输出，用于监督学习应用，如 mmWave 波束预测。
• 论文演示了一个波束预测应用，使用在多个 BS 接收的 Omni 序列来预测波束成形向量。
• 数据集及附带代码实现了可重复性，并便于在不同 ML 方法之间进行比较。