Learning-based strategies for millimeter wave radio beamforming and sensing
Susarla, Praneeth (2024-02-09)
Susarla, Praneeth
Oulun yliopisto
09.02.2024
https://rightsstatements.org/vocab/InC/1.0/
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:oulu-202401221376
https://urn.fi/URN:NBN:fi:oulu-202401221376
Kuvaus
Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Information Technology and Electrical Engineering of the University of Oulu for public defence in the OP auditorium (L10), Linnanmaa, on 16 February 2024, at 12 noon
Tiivistelmä
Abstract
This doctoral thesis offers learning-based strategies to perform fast and reliable mmWave radio beamforming in drone-base station (BS) environments. A reinforcement learning (RL)-based framework is proposed to maximize the beamforming gains during drone-BS communication following 3rd generation partnership project (3GPP) communication standards. The simulations showed that RL-based beam alignment is generic and converges faster than the state-of-the-art learning-based and conventional schemes in an online manner under real-time conditions. The proposed learning framework is also analyzed for different BS coverage requirements, antenna arrangements, configurations, and varying channel conditions. RL-based framework can also be extended to perform joint optimization with drones involving mmWave beamforming like connectivity-constrained trajectory planning. The simulations showed that RL-based joint path planning and beam tracking method is on par with the learning-based shortest path planning, besides beam tracking comparable to the heuristic beam searching method.
Learning-based strategies are also proposed to perform fast and accurate mmWave beam sensing during communication without additional hardware requirements. The solutions are based on extracting side information during radio communication and simultaneously sensing information like human radio blockages. The simulations showed that learning-based framework using mulit-layered perceptron can sense coarse-grained and fine-grained mmWave blockage directions with reasonable accuracies using received signal measurements. Tiivistelmä
Tässä tutkimuksessa kehitetään oppimiseen perustuvia strategioita nopeaan ja luotettavaan radiokeilanmuodostukseen droonien ja tukiasemien välisessä millimetriaaltotietoliikenteessä. Ratkaisumalliksi esitetään vahvistusoppimista, jolla sovitettuna kolmannen sukupolven (3GPP) viestintästandardeihin maksimoidaan keilanmuodostuksesta saatava hyöty. Reaaliaikaolosuhteiden simulaatiot osoittavat menettelyn johtavan aiemmin esitettyjä sekä oppimiseen perustuvia että tavanomaisia tekniikoita nopeampaan keilanmuodostukseen ja keilojen kohdistukseen. Esitettyä ratkaisumallia analysoidaan myös erilaisten tukiaseman peittovaatimusten, antennijärjestelyjen, konfiguraatioiden ja vaihtelevien kanavaolosuhteiden suhteen. Vahvistusoppimiseen pohjautuvaa ratkaisumallia kyetään laajentamaan droonien lentoratojen ja millimetriaaltojen keilanmuodostuksen yhteisoptimointiin. Simulaatiot osoittavat tällöin päästävän samaan tehokkuuteen lyhimmän reitin oppivien ja heurististen keilanhakumenetelmien kanssa.
Oppimiseen perustuvia strategioita esitetään myös nopeaan ja tarkkaan millimetriaaltokeilan tarjoaman muun informaation tunnistamiseen laitteistoja muuttamatta. Nämä ratkaisut perustuvat sivuinformaation poimimiseen radiotietoliikenteen aikana ja samalla esimerkiksi ihmisten läsnäolosta aiheutuvien radioaaltoesteiden havaitsemiseen. Simulaatiot osoittavat oppivan monikerros-perceptroniin perustuvan menettelyn pystyvän havaitsemaan karkea- ja hienorakenteiset esteet kohtuullisella tarkkuudella käyttämällä vastaanotetun signaalin mittauksia.
This doctoral thesis offers learning-based strategies to perform fast and reliable mmWave radio beamforming in drone-base station (BS) environments. A reinforcement learning (RL)-based framework is proposed to maximize the beamforming gains during drone-BS communication following 3rd generation partnership project (3GPP) communication standards. The simulations showed that RL-based beam alignment is generic and converges faster than the state-of-the-art learning-based and conventional schemes in an online manner under real-time conditions. The proposed learning framework is also analyzed for different BS coverage requirements, antenna arrangements, configurations, and varying channel conditions. RL-based framework can also be extended to perform joint optimization with drones involving mmWave beamforming like connectivity-constrained trajectory planning. The simulations showed that RL-based joint path planning and beam tracking method is on par with the learning-based shortest path planning, besides beam tracking comparable to the heuristic beam searching method.
Learning-based strategies are also proposed to perform fast and accurate mmWave beam sensing during communication without additional hardware requirements. The solutions are based on extracting side information during radio communication and simultaneously sensing information like human radio blockages. The simulations showed that learning-based framework using mulit-layered perceptron can sense coarse-grained and fine-grained mmWave blockage directions with reasonable accuracies using received signal measurements.
Tässä tutkimuksessa kehitetään oppimiseen perustuvia strategioita nopeaan ja luotettavaan radiokeilanmuodostukseen droonien ja tukiasemien välisessä millimetriaaltotietoliikenteessä. Ratkaisumalliksi esitetään vahvistusoppimista, jolla sovitettuna kolmannen sukupolven (3GPP) viestintästandardeihin maksimoidaan keilanmuodostuksesta saatava hyöty. Reaaliaikaolosuhteiden simulaatiot osoittavat menettelyn johtavan aiemmin esitettyjä sekä oppimiseen perustuvia että tavanomaisia tekniikoita nopeampaan keilanmuodostukseen ja keilojen kohdistukseen. Esitettyä ratkaisumallia analysoidaan myös erilaisten tukiaseman peittovaatimusten, antennijärjestelyjen, konfiguraatioiden ja vaihtelevien kanavaolosuhteiden suhteen. Vahvistusoppimiseen pohjautuvaa ratkaisumallia kyetään laajentamaan droonien lentoratojen ja millimetriaaltojen keilanmuodostuksen yhteisoptimointiin. Simulaatiot osoittavat tällöin päästävän samaan tehokkuuteen lyhimmän reitin oppivien ja heurististen keilanhakumenetelmien kanssa.
Oppimiseen perustuvia strategioita esitetään myös nopeaan ja tarkkaan millimetriaaltokeilan tarjoaman muun informaation tunnistamiseen laitteistoja muuttamatta. Nämä ratkaisut perustuvat sivuinformaation poimimiseen radiotietoliikenteen aikana ja samalla esimerkiksi ihmisten läsnäolosta aiheutuvien radioaaltoesteiden havaitsemiseen. Simulaatiot osoittavat oppivan monikerros-perceptroniin perustuvan menettelyn pystyvän havaitsemaan karkea- ja hienorakenteiset esteet kohtuullisella tarkkuudella käyttämällä vastaanotetun signaalin mittauksia.
Kokoelmat
- Avoin saatavuus [32049]