基于AI/ML框架的毫米波波束扫描开销优化：稀疏测量驱动的空间重建与时序预测方法

《IEEE Transactions on Machine Learning in Communications and Networking》：AI-Based Spatio-Temporal Beam Prediction from Partial CSI-RS Observations in mmWave Systems

　　

摘要：

毫米波（mmWave）通信涉及高度定向的传输，容易受到遮挡、干扰和移动性的影响。为了维持可靠的通信，基站（BS）和用户设备（UE）必须定期对大量窄波束进行穷尽式扫描，以识别最佳传输方向并评估信道状态。由于搜索空间庞大以及移动环境下需要频繁重新扫描，这一过程会产生巨大的开销。为此，我们提出了一种人工智能/机器学习框架，通过仅探测少量波束子集来预测所有信道状态信息参考信号（CSI-RS）波束的质量。对于任何给定的部署场景，我们首先利用可学习的掩码机制识别出具有信息量的波束子集。然后，我们开发了两个AI/ML模型：（i）SD-UNet，一个空间域预测器，能够从单次稀疏测量中重建完整的波束质量图，从而减少波束扫描开销；（ii）TD-UNet，一个时间域预测器，能够利用波束子集上的历史观测数据预测未来的波束质量，从而实现更长的扫描间隔。我们的模型针对基站和UE端的实时部署进行了优化。我们使用Keysight的WirelessPro模拟器在30 GHz频段以及28 GHz频段下的空中相控阵测量来验证这些模型的性能。结果表明，仅使用32个波束中的8个，所提出的模型在空间波束重建上实现了超过91%的准确率，在未来波束方向预测上实现了高达78.5%的准确率。