[论文解读] Map-based Millimeter-Wave Channel Models: An Overview, Hybrid Modeling, Data, and Learning

Yeon Geun Lim, Yae Jee Cho+4 more|arXiv (Cornell University)|Nov 24, 2017

Millimeter-Wave Propagation and Modeling参考文献 12被引用 6

一句话总结

本文提出了一套全面的基于地图的毫米波（mm-Wave）信道建模框架，结合了射线追踪与混合建模及机器学习方法。研究引入了一个公开共享的、涵盖室内与室外场景的真实信道参数数据库，表明基于地图的模型对于准确评估基于机器学习的波束选择算法至关重要，相较于使用传统基于几何的随机模型时仅12.8%的准确率，基于地图模型的算法准确率可达到45.2%。

ABSTRACT

Compared to the current wireless communication systems, millimeter wave (mm-Wave) promises a wide range of spectrum. As viable alternatives to existing mm-Wave channel models, various map-based channel models with different modeling methods have been widely discussed. Map-based channel models are based on a ray-tracing algorithm and include realistic channel parameters in a given map. Such parameters enable researchers to accurately evaluate novel technologies in the mm-Wave range. Diverse map-based modeling methods result in different modeling objectives, including the characteristics of channel parameters and different complexities of the modeling procedure. This article outlines an overview of map-based mm-Wave channel models and proposes a concept of how they can be utilized to integrate a hardware testbed/sounder with a software testbed/sounder. In addition, we categorize map-based channel parameters and provide guidelines for hybrid modeling. Next, we share the measurement data and the map-based channel parameters with the public. Lastly, we evaluate a machine learning-based beam selection algorithm through the shared database. We expect that the offered guidelines and the shared database will enable researchers to readily design a map-based channel model.

研究动机与目标

• 解决传统基于几何的随机信道模型（GSCMs）在捕捉多样化5G应用场景中用户特定、真实毫米波传播特性方面的局限性。
• 提出一种系统化的分类方法，将基于地图的信道参数划分为确定性、随机性和混合类型，以提升建模灵活性。
• 开发并发布一个公开可访问的、涵盖室内与室外场景的基于地图的毫米波信道参数数据库。
• 证明基于地图的模型在训练和评估基于机器学习的波束选择算法方面优于GSCMs。
• 通过基于数字地图和射线追踪的统一、真实感仿真框架，实现硬件与软件测试平台的集成。

提出的方法

• 使用WiSE软件进行射线追踪（RT），基于真实城市环境的数字地图（如延世大学的江南站和Veritas C）生成确定性信道参数。
• 将信道参数分类为基于地图的确定性参数（如路径损耗、延迟、出发与到达角度）、随机参数（如大尺度衰落）以及混合类型。
• 提出一种混合建模方法，将基于GSCM的随机参数与基于RT的确定性参数相结合，以平衡真实感与计算复杂度。
• 构建一个大规模、公开共享的发射机/接收机网格对数据库，包含相关信道参数，如功率延迟分布（PDP）、到达角（DoA）与出发角（DoD），适用于多种链路类型（如D2D、V2X、A2X）。
• 使用该数据库训练深度神经网络（DNN）波束选择算法，输入为功率延迟分布（PDP），输出为波束码书索引。
• 通过系统级仿真验证DNN算法性能，与随机波束选择进行对比，并以分贝（dB）为单位评估信噪比增益（χ）指标。

实验结果

研究问题

• RQ1 如何系统化地对基于地图的毫米波信道模型进行分类，以支持多样化5G应用需求？
• RQ2 在使用GSCMs与基于地图的模型时，基于机器学习的波束选择算法性能评估存在哪些关键差异？
• RQ3 相较于传统随机模型，基于地图的数据库在多大程度上提升了基于机器学习的波束选择算法训练的准确率与可行性？
• RQ4 基于地图的模型如何在毫米波系统开发中作为硬件与软件测试平台之间的桥梁？
• RQ5 在毫米波研究与算法验证中，使用公开共享的高保真信道参数数据库具有哪些实际优势？

主要发现

• 所提出的基于地图的信道模型数据库可为数字地图中任意发射机/接收机网格对生成准确且用户特定的信道参数，支持包括D2D、V2X和A2X在内的多种链路类型。
• 在训练基于DNN的波束选择算法时，基于地图的数据库实现了45.2%的准确率，显著高于基于GSCM训练集所获得的12.8%准确率。
• 当基于地图数据库训练时，DNN波束选择算法相较于随机波束选择实现了3–6 dB的波束成形增益，证明了其可行性与性能优势。
• 使用GSCMs训练机器学习算法会导致性能低估，原因在于PDP与角度参数之间缺乏足够的用户特定相关性。
• 基于地图的模型对于真实评估基于机器学习的毫米波算法至关重要，因其能够完整捕捉真实世界环境中空间与传播特性。
• 通过基于地图的建模实现硬件与软件测试平台的集成，可在昂贵的硬件测量之前高效完成毫米波系统的预验证。