Beam Tracking Using Deep Learning Applied to 6G MIMO
Beam Tracking, mmWave, deep learning, 6G, V2I
Este trabalho investiga o uso de aprendizado de máquina para aprimorar o rastreamento de feixes em comunicações 6G MIMO Vehicle-to-Infrastructure (V2I). O rastreamento de feixes, crucial para manter conexões mmWave confiáveis, representa um desafio significativo devido à alta mobilidade e sobrecarga associadas à formação de feixes MIMO de ondas milimétricas. Ao contrário da seleção de feixes, o rastreamento de feixes baseado em ML é pouco explorado na literatura, em parte devido à falta de conjuntos de dados abrangentes. Para abordar isso, uma das principais contribuições deste trabalho é o desenvolvimento de um novo conjunto de dados multimodais públicos, com base nos requisitos definidos pelo 3GPP, que integra dados de canal sem fio, informações LIDAR e posicionamento GNSS. Este conjunto de dados facilita a avaliação de algoritmos de fusão de dados adaptados a cenários V2I. Além disso, a arquitetura de rede neural profunda proposta, combinando camadas ResNet e LSTM, aproveita os dados LIDAR e as informações de feixe selecionadas anteriormente, superando significativamente outros modelos de rastreamento de feixe de última geração.