亚利桑那州立大学的研究人员首次亮相AI /计算机视觉毫米波光束指南ViWi-BT

 
蜂窝行业从长距离无线电信号到短距离毫米波的转变是5G时代最大的变化之一，预计在未来十年内，亚毫米波将继续发展。为了更精确地将毫米波和未来的太赫兹频率信号引向用户设备，亚利桑那州立大学的研究人员开发了ViWi-BT，这是一种视觉无线框架，可以使用计算机视觉和深度学习来改善光束跟踪。
从历史上看，智能手机的操作与其他长途无线电非常相似，它扫描无线电波以获取全向塔式信号，并调谐到最强和/或最接近的无线电信号。但是在5G和6G时代，小型蜂窝网络将使用波束成形天线将其信号更特定地定向到发现的客户端设备的给定方向，这可能是一次考虑从多个基站进行的连接。 ViWi-BT的目标是使用AI和设备的摄像头或激光雷达功能来识别光束瞄准过程的物理障碍和优势，从而实现“视觉辅助无线通信”。
简而言之，具有ViWi-BT功能的系统将使用以前发送的毫米波光束和可视图像的数据库来了解其3D环境，然后为在相同空间内移动的未来用户预测最佳光束。通过静态元素(建筑物，道路和开放天空)，移动障碍物(车辆和人)的常见位置以及一般开放空间的视觉和无线信号信息来教授该框架。基于该知识，该系统将能够预测需要发送直接视距光束和反射非视距光束的位置，并根据有关已知状况的实时信息进行调整。
研究人员开发了模型物理数据如何工作的模拟，将高度详细的3D对象提取为更简单的近似值，计算机可以更有效地将其用于计算，而对结果的准确性“没有重大影响”。每个对象在仿真中都具有固定或移动的作用，包括其相对于28GHz毫米波信号的实际电磁特性，因此可以考虑吸收，反射和衍射。
通过在从空间内基站收集到的先前观察到的波束序列上训练的递归神经网络(RNN)进行预测。尽管RNN在没有计算机视觉协助的情况下可以很好地预测单束光束的未来方向，但是当要求预测三束或五束光束时，RNN变得更糟，而在进行更深入的训练时却不会变得更好。 ASU的研究人员说，将经过适当训练的计算机视觉添加到组合中，将使该系统能够识别出将来可能存在的障碍，反射的表面以及用户在空间内的运动方式。
尽管研究仍处于早期阶段，但对于超低延迟通信而言，毫米波和亚毫米波系统必不可少，因此对于提高性能而言，它可能变得越来越重要。至少，这可能会为具有自己的摄像头硬件的基站铺平道路-这种发展可能会将现代监控转变为可改进无线通信的可行情报。