[论文解读] Integrated Sensing and Communication for 6G: Ten Key Machine Learning Roles

Umut Demirhan, Ahmed Alkhateeb|arXiv (Cornell University)|Aug 3, 2022

Indoor and Outdoor Localization Technologies被引用 6

一句话总结

本文识别了6G智能感知与通信（ISAC）中机器学习的十大关键角色，展示了机器学习如何在联合感知-通信系统中提升波形设计、波束赋形、干扰消除、资源分配、安全性和网络运行性能，同时通过DeepSense 6G数据集的真实世界数据，实现感知辅助波束跟踪和通信辅助感知。

ABSTRACT

Integrating sensing and communication is a defining theme for future wireless systems. This is motivated by the promising performance gains, especially as they assist each other, and by the better utilization of the wireless and hardware resources. Realizing these gains in practice, however, is subject to several challenges where leveraging machine learning can provide a potential solution. This article focuses on ten key machine learning roles for joint sensing and communication, sensing-aided communication, and communication-aided sensing systems, explains why and how machine learning can be utilized, and highlights important directions for future research. The article also presents real-world results for some of these machine learning roles based on the large-scale real-world dataset DeepSense 6G, which could be adopted in investigating a wide range of integrated sensing and communication problems.

研究动机与目标

• 解决6G中感知与通信共享硬件和频谱资源时，集成感知与通信（ISAC）系统设计的复杂性。
• 克服联合ISAC系统中波形设计、干扰管理、资源分配和系统安全方面的挑战。
• 利用机器学习实现毫米波和亚太赫兹系统中感知辅助的波束预测和链路阻塞预测。
• 探索通信辅助感知，利用现有通信信号和硬件提升感知分辨率和鲁棒性。
• 通过通信基础设施和去中心化机器学习模型，实现可扩展的分布式网络级感知。

提出的方法

• 使用主动学习，自适应优化ISAC波形，以实现目标检测和数据速率最大化。
• 应用在线强化学习，以功率测量作为奖励，实时学习特定站点的波束波形。
• 实施监督深度神经网络（DNN），对全双工ISAC收发器中的非线性自干扰进行建模与消除。
• 采用强化学习，根据系统性能反馈，动态分配感知与通信资源（功率、时间、频率、波束）。
• 利用自编码器检测感知与通信参数中的异常，以增强系统安全性。
• 应用多智能体强化学习，实现在大规模ISAC网络中去中心化、协同的波束赋形与功率控制。

实验结果

研究问题

• RQ1 机器学习如何优化ISAC波形，以同时最大化通信速率和感知检测概率？
• RQ2 机器学习在实时学习中，如何适应环境和硬件特定缺陷，以学习空间波束波形？
• RQ3 深度学习模型能否有效近似并消除全双工ISAC系统中的非线性自干扰？
• RQ4 强化学习如何实现感知与通信功能之间动态、基于性能的资源分配？
• RQ5 机器学习在利用现有通信基础设施实现可扩展、分布式网络感知方面发挥什么作用？

主要发现

• 主动学习实现了自适应波形优化，显著提升了联合ISAC系统中的目标检测概率和可实现数据速率。
• 在线强化学习模型成功利用功率测量作为反馈，学习特定站点的波束波形，适应真实世界硬件和环境条件。
• 监督DNN有效建模并预测全双工ISAC收发器中的非线性自干扰，优于传统基于模型的方法。
• 基于强化学习的资源分配方法动态优化了功率、时间、频率和波束资源，提升了通信与感知性能。
• 自编码器能够检测对象位置和数据速率等系统参数中的异常，增强了ISAC系统的安全性。
• 多智能体强化学习实现了可扩展、低开销的ISAC网络级运行，且协调需求最小化。