[论文解读] Indoor Signal Focusing with Deep Learning Designed Reconfigurable Intelligent Surfaces

Chongwen Huang, George C. Alexandropoulos+2 more|arXiv (Cornell University)|May 19, 2019

Indoor and Outdoor Localization Technologies参考文献 16被引用 25

一句话总结

本文提出一种基于深度学习的方法，用于在室内环境中实现可重构智能表面（RIS）的实时无线配置，以将信号能量聚焦于目标用户。通过离线训练的指纹数据库，深度神经网络（DNN）将用户位置映射到最优的RIS相位偏移，实现了高信号强度和低均方误差（MSE）的RIS配置，仿真结果表明，即使训练轮次有限，也能显著提升吞吐量。

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) comprised of tunable unit elements have been recently considered in indoor communication environments for focusing signal reflections to intended user locations. However, the current proofs of concept require complex operations for the RIS configuration, which are mainly realized via wired control connections. In this paper, we present a deep learning method for efficient online wireless configuration of RISs when deployed in indoor communication environments. According to the proposed method, a database of coordinate fingerprints is implemented during an offline training phase. This fingerprinting database is used to train the weights and bias of a properly designed Deep Neural Network (DNN), whose role is to unveil the mapping between the measured coordinate information at a user location and the configuration of the RIS's unit cells that maximizes this user's received signal strength. During the online phase of the presented method, the trained DNN is fed with the measured position information at the target user to output the optimal phase configurations of the RIS for signal power focusing on this intended location. Our realistic simulation results using ray tracing on a three dimensional indoor environment demonstrate that the proposed DNN-based configuration method exhibits its merits for all considered cases, and effectively increases the achievable throughput at the target user location.

研究动机与目标

• 解决室内环境中复杂有线RIS配置的挑战。
• 通过深度学习而非传统控制方法，实现实时在线无线RIS配置。
• 通过智能RIS调谐，提升目标用户位置的信号聚焦效果和接收信号强度。
• 减少运行过程中对大规模实时信道估计和复杂优化的需求。
• 在真实的3D室内射线追踪环境中，验证基于DNN的RIS配置的可行性与性能。

提出的方法

• 使用240个参考位置的坐标信息及其对应的最优RIS相位配置，构建离线指纹数据库。
• 训练深度神经网络（DNN），学习用户位置与最大化接收信号强度的最优RIS相位偏移之间的映射关系。
• 使用50个训练轮次对DNN进行训练，损失函数旨在最小化预测相位矩阵与最优相位矩阵之间的差异。
• 在线运行时，训练好的DNN将实时用户位置估计作为输入，无线输出最优RIS相位配置。
• 该方法假设为具有天花板上RIS、32根天线的接入点（AP）及障碍物的3D室内环境，采用瑞利衰落和路径损耗模型。
• 通过200次运行的蒙特卡洛仿真评估性能，测量可实现速率和预测相位矩阵与最优相位矩阵之间的均方误差（MSE）。

实验结果

研究问题

• RQ1 DNN能否有效学习用户位置与最优RIS相位配置之间的映射关系，以实现信号聚焦？
• RQ2 RIS单元数量如何影响基于DNN的配置方法的准确性？
• RQ3 与非RIS传输相比，使用DNN配置的RIS在可实现速率方面能带来多大性能增益？
• RQ4 在不同训练轮次下，DNN收敛到低误差水平的速度如何？
• RQ5 所提出方法能否在极少训练数据和在线部署条件下实现RIS相位矩阵估计的低MSE？

主要发现

• 基于DNN的方法实现了显著的吞吐量增益，RIS辅助系统在所有信噪比（SNR）水平和用户距离下均优于非RIS场景。
• 该方法在RIS相位矩阵估计中表现出低MSE，其中N=8时误差最小，但需要略多的训练轮次。
• 即使仅使用20个训练轮次，DNN在所有测试的RIS尺寸（N=8, 16, 32, 64）下均表现出良好性能，表明收敛速度快。
• 可实现速率随SNR升高而显著提升，且RIS配置能有效将能量聚焦于目标用户位置，降低邻近点的干扰。
• 即使训练数据有限，该方法仍保持低估计误差，显示出在实际部署中的鲁棒性与可扩展性。
• 仿真结果证实，深度学习可有效替代复杂的有线RIS配置，实现低时延、无线、在线的解决方案。