[论文解读] Generative Neural Network Channel Modeling for Millimeter-Wave UAV Communication

William Xia, Sundeep Rangan+5 more|arXiv (Cornell University)|Dec 16, 2020

Millimeter-Wave Propagation and Modeling被引用 9

一句话总结

该论文提出了一种用于毫米波无人机通信信道建模的两阶段生成神经网络，首先预测链路状态（视 Line-of-Sight (LOS)/非视 Line-of-Sight (NLOS)/中断），然后利用条件变分自编码器（cVAE）生成路径损耗、延迟以及到达/离开角。该方法在捕捉多样城市环境中信道参数的统计分布方面，显著优于经过微调的3GPP模型。

ABSTRACT

The millimeter wave bands are being increasingly considered for wireless communication to unmanned aerial vehicles (UAVs). Critical to this undertaking are statistical channel models that describe the distribution of constituent parameters in scenarios of interest. This paper presents a general modeling methodology based on data-training a generative neural network. The proposed generative model has a two-stage structure that first predicts the link state (line-of-sight, non-line-of-sight, or outage), and subsequently feeds this state into a conditional variational autoencoder (VAE) that generates the path losses, delays, and angles of arrival and departure for all the propagation paths. The methodology is demonstrated for 28 GHz air-to-ground channels between UAVs and a cellular system in representative urban environments, with training datasets produced through ray tracing. The demonstration extends to both standard base stations (installed at street level and downtilted) as well as dedicated base stations (mounted on rooftops and uptilted). The proposed approach is able to capture complex statistical relations in the data and it significantly outperforms standard 3GPP models, even after refitting the parameters of those models to the data.

研究动机与目标

• 解决毫米波无人机通信中缺乏准确统计信道模型的问题，特别是在6 GHz以上的频段。
• 克服分析性3GPP模型的局限性，这些模型在毫米波无人机场景中校准不足，且无法捕捉复杂的空域与环境依赖关系。
• 开发一种数据驱动、可泛化的信道建模框架，从射线追踪数据集中学习复杂的概率关系，而无需强先验假设。
• 证明该模型能够捕捉真实依赖关系，例如随距离增加而变窄的波束宽度，这是标准模型所缺失的。
• 提供一个公开可用、灵活的框架，仅需足够代表性的数据，即可针对任意环境、频段或部署场景进行校准。

提出的方法

• 训练一个两阶段生成模型：首先使用分类器基于无人机位置和环境几何结构预测链路状态（LOS、NLOS、中断）。
• 将预测的链路状态输入条件变分自编码器（cVAE），以生成完整的信道参数：路径损耗、延迟、到达角和离开角。
• 利用射线追踪生成城市环境中28 GHz频段的大规模、高保真度训练数据集，包括街道层和屋顶基站。
• 采用基于似然的目标函数训练cVAE，以建模在链路状态和空间位置条件下信道参数的联合分布。
• 应用数据分箱和基于直方图的估计方法计算经验LOS概率用于评估，并与3GPP模型进行比较。
• 使用Wasserstein-1距离定量评估生成路径损耗分布与多个城市实测数据之间的相似性。

实验结果

研究问题

• RQ1 数据驱动的生成神经网络能否有效建模在多样城市环境中毫米波空中-地面信道的复杂统计依赖关系？
• RQ2 所提出的生成模型在预测LOS概率方面，与默认和微调后的3GPP信道模型相比表现如何？
• RQ3 该生成模型在多大程度上能捕捉到真实的路径损耗分布，特别是与针对同一数据集微调后的3GPP模型相比？
• RQ4 该模型是否揭示了物理上合理的依赖关系（如随距离增加而变窄的波束宽度），而这些关系在标准模型中缺失？
• RQ5 在仅提供空间和环境输入的前提下，该模型是否能在无需微调的情况下，泛化至不同城市地形（如东京、北京、波士顿）？

主要发现

• 在东京，所提出的生成模型在LOS概率预测中实现了0.036的平均绝对误差（MAE），优于微调后的3GPP模型（MAE：0.040），显著优于默认3GPP模型（MAE：0.272）。
• 在路径损耗分布建模方面，所提出的模型在东京的测试数据中与真实数据的Wasserstein-1距离为6.70 dB，而微调后的3GPP模型为10.7 dB，默认3GPP模型为15.8 dB。
• 在所有五个测试环境（东京、北京、伦敦、莫斯科、波士顿）中，该模型在LOS概率和路径损耗分布精度方面均持续优于默认和微调后的3GPP模型。
• 该模型捕捉到了一个符合物理直觉的趋势：多径分量的波束宽度随距离增加而变窄，而这一依赖关系在标准3GPP模型中并不存在。
• 该生成模型成功学习了无人机位置、环境几何结构与信道参数之间的复杂非线性关系，即使在异质城市环境中亦然。
• 该模型公开可用，仅需足够代表性的数据，即可针对任意新频段、部署类型或环境进行再训练，展现出强大的泛化潜力。