[论文解读] MmWave Beam Prediction with Situational Awareness: A Machine Learning Approach

Yuyang Wang, Murali Narasimha+1 more|arXiv (Cornell University)|May 23, 2018

Millimeter-Wave Propagation and Modeling参考文献 14被引用 3

一句话总结

本文提出了一种机器学习框架，利用情境感知——特别是车辆位置和周边交通状况——以最小的反馈开销预测毫米波波束功率。通过使用基于射线追踪信道数据训练的回归模型，该方法实现了近乎零开销的波束选择，与理想波束训练相比吞吐量损失小于2%。

ABSTRACT

Millimeter-wave communication is a challenge in the highly mobile vehicular context. Traditional beam training is inadequate in satisfying low overheads and latency. In this paper, we propose to combine machine learning tools and situational awareness to learn the beam information (power, optimal beam index, etc) from past observations. We consider forms of situational awareness that are specific to the vehicular setting including the locations of the receiver and the surrounding vehicles. We leverage regression models to predict the received power with different beam power quantizations. The result shows that situational awareness can largely improve the prediction accuracy and the model can achieve throughput with little performance loss with almost zero overhead.

研究动机与目标

• 解决由于快速阻塞和高移动性导致的毫米波车载网络中波束训练延迟高、开销大的挑战。
• 利用车辆传感器（GPS、雷达、V2X）获取的情境感知信息，预测最优波束配置，而无需依赖实时波束训练。
• 通过使用车辆位置作为输入特征来预测波束功率，以替代传统训练方式，从而减少毫米波波束选择中的反馈开销。
• 评估CQI量化粒度和情境感知水平对预测准确性和波束选择性能的影响。
• 证明多波束功率回归在实现吞吐量方面优于基于分类的波束选择。

提出的方法

• 使用射线追踪仿真（Wireless Insite）在具有固定建筑物和移动车辆的双车道城市峡谷场景中生成毫米波信道数据。
• 基于射线追踪输出，使用几何信道建模方法对毫米波信道进行建模，提取到达/出发角和路径增益等路径参数。
• 训练回归模型（如随机森林、梯度提升）以使用车辆位置作为输入特征，预测码本中每个波束对的接收功率。
• 引入情境感知特征，包括接收机位置、车辆类型（卡车与汽车）以及周围车辆密度，以提高预测准确性。
• 对波束功率预测结果应用CQI量化以减少反馈开销，量化参数根据数据集统计特性进行调整。
• 从波束对齐概率和吞吐量两个方面，比较基于回归的功率预测与基于分类的波束索引预测的波束选择性能。

实验结果

研究问题

• RQ1 情境感知——特别是车辆位置和周围交通状况——是否能显著提升车载网络中毫米波波束功率预测的准确性？
• RQ2 CQI量化粒度如何影响基于机器学习的毫米波波束训练中预测准确性和波束选择性能？
• RQ3 在吞吐量和波束对齐概率方面，多波束功率回归是否优于基于分类的波束索引选择？
• RQ4 在使用学习到的波束预测模型时，反馈开销能降低到何种程度，同时仍保持高波束对齐准确性？
• RQ5 在真实毫米波V2X场景中，为保持高预测准确性，CQI量化边界（P_u, P_l）和分辨率（r_CQI）的最优配置是什么？

主要发现

• 与仅使用接收机位置相比，包含车辆位置和周围交通的完整情境感知显著提高了波束功率预测的准确性。
• 当CQI量化粒度为1 dBm或更小时，超过50%的预测中预测误差保持在1 dBm以内，表明与全分辨率预测相比性能退化可忽略。
• 上限P_u对预测准确性的影响大于下限P_l，因为波束功率通常较高，P_u过小导致的低估会引发较大误差。
• 尽管波束对齐概率略低，但对所有波束对功率进行回归的吞吐量（98.8%）高于分类方法（98.4%），原因在于其对波束顺序的更好区分能力。
• 即使CQI量化粒度为5 dBm，吞吐量仍保持在97.8%的高水平，表明当分辨率足够时，粗粒度CQI量化对性能影响极小。
• 通过用学习到的预测替代传统波束训练，该模型实现了近乎零反馈开销，同时吞吐量保持在理想波束训练性能的2%以内。