[论文解读] Integrating Sensing and Communication in Cellular Networks via NR Sidelink

Dariush Salami, Ramin Hasibi+3 more|arXiv (Cornell University)|Sep 15, 2021

Antenna Design and Analysis参考文献 44被引用 5

一句话总结

本论文提出利用符合3GPP标准的NR侧链路，在后5G网络中实现设备发起的、灵活的射频感知，通过旋转不变的点云处理和基于图的编码器解决角度和旋转依赖性问题。研究引入四种多角度学习方法，并基于一个包含15名受试者、8个角度共25,000个样本的新公开数据集，展示了在手势识别准确率上优于基线方法的性能。

ABSTRACT

RF-sensing, the analysis and interpretation of movement or environment-induced patterns in received electromagnetic signals, has been actively investigated for more than a decade. Since electromagnetic signals, through cellular communication systems, are omnipresent, RF sensing has the potential to become a universal sensing mechanism with applications in smart home, retail, localization, gesture recognition, intrusion detection, etc. Specifically, existing cellular network installations might be dual-used for both communication and sensing. Such communications and sensing convergence is envisioned for future communication networks. We propose the use of NR-sidelink direct device-to-device communication to achieve device-initiated,flexible sensing capabilities in beyond 5G cellular communication systems. In this article, we specifically investigate a common issue related to sidelink-based RF-sensing, which is its angle and rotation dependence. In particular, we discuss transformations of mmWave point-cloud data which achieve rotational invariance, as well as distributed processing based on such rotational invariant inputs, at angle and distance diverse devices. To process the distributed data, we propose a graph based encoder to capture spatio-temporal features of the data and propose four approaches for multi-angle learning. The approaches are compared on a newly recorded and openly available dataset comprising 15 subjects, performing 21 gestures which are recorded from 8 angles.

研究动机与目标

• 利用标准化的NR侧链路，在未来蜂窝网络中实现设备发起的、灵活的射频感知。
• 解决分布式侧链路式射频感知中角度和旋转依赖性的关键挑战。
• 开发一种鲁棒的多角度学习框架，实现对不同传感器朝向的泛化能力。
• 创建并发布一个公开可用的、高保真的毫米波手势数据集，该数据集从8个角度采集自15名受试者。
• 提供开源工具用于数据采集和模型训练，以加速射频感知领域的研究。

提出的方法

• 利用3GPP NR侧链路实现资源分配和设备间直接通信，实现无需回传链路依赖的感知。
• 对毫米波点云数据应用几何变换，实现旋转不变性，降低对设备朝向的敏感性。
• 提出一种基于图的编码器，用于建模来自分布式、角度多样的传感器的点云数据中的时空依赖性。
• 引入四种多角度学习策略：最大池化、注意力池化、投票池化和方向跟踪，用于融合多视角数据。
• 采用一种新颖的方向跟踪机制，根据传感器相对于目标的相对朝向，为传感器输入分配学习到的权重。
• 使用通过开源毫米波雷达平台从8个角度采集的真实世界数据集，包含25,000个手势样本。

实验结果

研究问题

• RQ1 NR侧链路如何被有效用于在蜂窝网络中实现灵活的、用户设备发起的射频感知？
• RQ2 在基于侧链路的射频感知中，传感器朝向在多大程度上影响手势识别的准确率？
• RQ3 能否在毫米波点云数据中实现旋转不变性，以减轻朝向依赖性？
• RQ4 哪种多角度学习策略能在不同传感器配置下提供最鲁棒且准确的手势识别？
• RQ5 当推理过程中可用传感器的数量或朝向发生变化时，所提出系统的表现如何？

主要发现

• 所提出的定向跟踪方法在所有测试的角度组合中均实现了最高的平均准确率，并优于所有基线方法。
• 即使在推理过程中可用角度数量减少时，系统仍保持高性能，表现出强大的泛化能力。
• 随着角度排列组合的增加，准确率的标准差也随之上升，证实了方向信息对实现最佳性能至关重要。
• 位于0°、45°和315°（正前方）的雷达传感器对识别贡献最大，而180°（后方）传感器影响较小，除非手势从背面可见。
• 对于单侧手势，与动作同侧的传感器表现出更高的重要性，证实了模型的空间敏感性。
• 已公开发布数据集和代码库，支持结果复现，并加速未来毫米波感知领域的研究。