arXiv cs.AI· Yijie Bian, Wei Guo, Jie Yang, Shenghui Song, Jun Zhang, Shi Jin, Khaled B. Letaief·· 10 小时前AI 评分18
面向大规模 MIMO 的多模态环境感知波束管理:几何驱动的虚拟基站框架
Multi-Modal Environment-Aware Beam Management for Massive MIMO: A Geometry-Driven Virtual Base Station Framework
AI 导读
研究提出几何驱动的虚拟基站(VBS)框架,利用区域 3D LiDAR 点云与位置信息离线构建 VBS 数据库,通过建筑立面镜像对称建模主要反射路径,实现稀疏的传播环境描述。该框架支持在线粗信道重建与波束空间先验生成,并设计 VBS 辅助正交导频(VOP)部分波束训练方案以减少在线测量。仿真显示其在评估的随机、启发式及传统学习基线之上提升了有效频谱效率,同时在线波束测量更少。
正文 · AI 翻译
摘要:高频大规模多输入多输出(MIMO)系统有望实现超高速数据速率。然而,由于在多用户 MIMO(MU-MIMO)场景中所需的波束训练开销过高且协调复杂,高效的波束管理仍然具有挑战性。为解决这些瓶颈,环境感知通信已成为一种有前景的范式,它利用站点特定知识来规避基于导频的穷举波束训练并简化多用户通信。本文提出了一种几何驱动的框架,该框架利用多模态环境数据,特别是区域 3D 激光雷达(LiDAR)点云和位置信息,来构建离线虚拟基站(VBS)数据库。通过基于点云重建的建筑立面进行镜像对称来建模主要反射路径,VBS 数据库提供了无线传播环境的紧凑且稀疏的描述。给定用户位置,VBS 表示支持在线粗信道重建和波束空间先验的生成。为了细化粗估计,我们设计了一种基于 VBS 辅助正交导频(VOP)的部分波束训练方案,且在线测量有限。最后,为了在用户间干扰下协调波束选择,我们开发了一种分层双智能体竞争双深度 Q 网络用于协调波束选择(DD3QN-CBS)。仿真结果表明,与所评估的随机、启发式和传统基于学习的基线相比,所提出的框架提高了有效频谱效率,同时在更少的在线波束测量下实现了有竞争力的性能。
| 主题: | 信号处理(eess.SP);人工智能(cs.AI) |
| 引用为: | arXiv:2606.26567 [eess.SP] |
| (或此版本的 arXiv:2606.26567v2 [eess.SP]) | |
| https://doi.org/10.48550/arXiv.2606.26567 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Yijie Bian [查看电子邮件]
[v1]
2026年6月25日星期四 03:37:20 UTC(17,816 KB)
[v2]
2026年11月18日星期三 06:21:06 UTC(16,485 KB)
来源:arXiv cs.AI · arxiv.org