大型多模态模型辅助的6G自主通信调度

《IEEE Transactions on Cognitive Communications and Networking》：Large Multimodal Model-aided Scheduling for 6G Autonomous Communications

针对6G中动态信道变化导致的调度难题，本文提出基于LMMs的预调度技术。通过融合视觉感知数据与导频信号，LMMs可精准预测用户位置及信道参数（如距离、角度、路径增益），从而动态优化资源分配和调制编码方案，实验表明该技术较传统方法提升吞吐量超30%。

　　

摘要：

近年来，大型语言模型（LLMs）因其能够快速、准确地生成针对给定查询的答案而受到了广泛关注。这些模型已经发展成大型多模态模型（LMMs），能够解释和分析图像和文本等多模态输入。随着自主设备中人工智能功能的指数级增长，执行人工智能推理的数字处理单元（CU）需要处理LMMs以有效控制这些设备。为了确保向设备无缝传递指令，CU必须进行调度，这包括根据信道条件分配资源块（RB）以用于数据传输，以及选择调制编码方案（MCS）索引。在6G的许多实际环境中，这项任务具有挑战性，因为即使是用户的小幅度移动也可能导致信道突然变化。在本文中，我们提出了一种基于LMM的调度技术来应对这一挑战。我们的核心思想是利用LMM通过分析视觉感知信息和导频信号来预测未来的信道参数（例如距离、角度和路径增益）。通过利用LMM从视觉感知信息中预测可靠的路径和用户几何信息，然后结合过去的信道状态和导频信号，我们可以准确预测未来的信道参数。利用这些预测，我们可以提前做出考虑信道条件的调度决策。数值评估表明，与传统的调度技术相比，所提出的技术可以实现超过30%的吞吐量提升。