彻底改变RIS网络:基于LiDAR的数据驱动方法来增强RIS光束成型
Ahmad M Nazar1, Mohamed Y Selim1, Daji Qiao1
1Department of Electrical and Computer Engineering, Iowa State University of Science and Technology, Ames, IA 50011, USA.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
本研究介绍了一种使用光检测和射程 (LiDAR) 和图形神经网络 (GNN) 来优化可重配置智能表面 (RIS) 以提高无线网络性能和用户本地化的新方法.
科学领域:
- 无线通信无线通信
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 可重新配置的智能表面 (RIS) 对于下一代网络至关重要.
- 准确的用户定位和束形是RIS辅助网络的关键挑战.
- 现有的方法在精确定位和最佳RIS配置方面存在困难.
研究的目的:
- 在RIS辅助网络中提出数据驱动的方法,以增强用户本地化和beamforming.
- 利用光检测和射程 (LiDAR) 传感器进行精确的3D映射和用户定位.
- 优化RIS反射系数,以最大限度地提高多用户场景中的总比率.
主要方法:
- 集成LiDAR传感器以实现高速,精确的3D绘图和用户定位.
- 扩展图形神经网络 (GNN) 通过结合LiDAR捕获的用户位置.
- 训练GNN学习从接收的飞行员到最佳光束造型器和RIS系数的映射.
- 利用GNN的等位变量和不变性属性,以实现高效的LiDAR数据处理.
主要成果:
- 与传统方法相比,总汇率取得了显著的改善.
- 与排除用户位置相比,纳入用户位置的性能提高了高达25%.
- 在不同的飞行员长度下,超出了直线最小平均平方误差 (LMMSE) 通道估计的高达98%.
- 与没有RIS的场景相比,在变化的下游链路功率下,总额率增加了190%.
结论:
- 提议的LiDAR增强的GNN方法有效地优化了RIS辅助网络.
- 通过LiDAR精确地定位用户,对于最大限度地提高网络性能至关重要.
- 这种方法在总比率上提供了显著的收益,并且优于现有的道估计技术.
