Lightweight Vision-Aided Beam Tracking for Cross-Environment mmWave Communications

Resumen Técnico: Seguimiento de Haz Asistido por Visión Ligero para Comunicaciones mmWave en Entornos Cruzados

Declaración del Problema
Las comunicaciones de ondas milimétricas (mmWave) dependen de una transmisión altamente direccional, lo que requiere un control de haz preciso y de baja sobrecarga. Si bien el seguimiento de haces asistido por detección utilizando información contextual (por ejemplo, de cámaras) ha surgido como una solución prometedora para reducir la sobrecarga del entrenamiento de haces, los enfoques actuales enfrentan desafíos significativos en su despliegue en el mundo real. Los métodos existentes suelen centrarse en predecir haces para un único intervalo de tiempo dentro de un entorno específico, descuidando la eficiencia del modelo en términos de memoria y complejidad computacional. Además, la mayoría de las soluciones existentes carecen de robustez al ser desplegadas en diversos entornos con diferentes geometrías, patrones de tráfico y condiciones de fondo. Existe una brecha crítica en el desarrollo de marcos de trabajo de baja complejidad asistidos por visión que sean capaces de generalizarse a través de diferentes escenarios mientras realizan una predicción de haz a largo plazo (predicción conjunta de haces actuales y futuros).

Metodología
El artículo propone un marco de trabajo ligero asistido por visión, formulado como una tarea de clasificación de secuencia a secuencia (Seq2Seq). El sistema tiene como objetivo predecir conjuntamente los índices de haces óptimos para el intervalo de tiempo actual y $J$ intervalos de tiempo futuros basándose en una secuencia de observaciones visuales RGB pasadas.

• Arquitectura: El núcleo del modelo propuesto es una red neuronal ligera diseñada para un aprendizaje de características espacio-temporales eficiente.

  • Codificador de Imágenes: En lugar de backbones pesados, el modelo utiliza un tallo (stem) de estilo ResNet seguido de cuatro bloques de Convolución Separable en Profundidad (DS-Conv). Estos bloques emplean estructuras de residuo invertido (expandiendo canales mediante convoluciones de $1\times1$, realizando submuestreo espacial mediante convoluciones de profundidad de $3\times3$ y proyectando de vuelta mediante convoluciones de $1\times1$) para reducir la complejidad manteniendo la representación de características.
  • Modelado Temporal: Las características codificadas son procesadas por una Unidad Recurrente de Puerta (GRU) y un módulo de Atención Multicabeza (MHA) para capturar dependencias temporales en la secuencia visual.
  • Clasificador: Un Perceptrón Multicapa (MLP) de tres capas genera las probabilidades de selección de haz para todos los haces candidatos a través de los $J+1$ intervalos de tiempo.

• Estrategias de Aprendizaje Mejoradas: Para mejorar la robustez y la generalización en entornos cruzados, se introducen dos estrategias específicas:

  1. Aumento de Datos Jerárquico: Este opera tanto a nivel de secuencia como de fotograma para emular condiciones de detección imperfectas preservando los patrones de movimiento de la UE.
     • A nivel de secuencia: Se aplican perturbaciones morfológicas (erosión/dilatación) y desenfoque gaussiano de manera consistente en todos los fotogramas de una secuencia para simular errores de extracción de máscara de movimiento e incertidumbre de detección.
     • A nivel de fotograma: Se introduce ruido Gaussiano aditivo para manejar fluctuaciones locales de intensidad.
  2. Suavizado de Etiquetas Basado en la Potencia del Haz: Reconociendo que múltiples haces pueden ofrecer un rendimiento comparable, los autores reemplazan la supervisión estricta de un solo bit (one-hot) por una distribución suavizada derivada de los vectores de potencia de los haces. La función de pérdida total combina una pérdida Focal (para etiquetas duras) y una pérdida de entropía cruzada (para etiquetas suaves), ponderadas por un hiperparámetro $\lambda$. Esto evita que el modelo se vuelva excesivamente confiado en una sola clase de haz.

Contribuciones Clave

1. Formulación de Entornos Cruzados: El trabajo cambia el enfoque del seguimiento de haces de un solo entorno hacia un escenario de múltiples escenarios, formulando el problema como una tarea Seq2Seq para manejar la predicción a largo plazo a través de entornos geométricamente distintos.
2. Arquitectura Ligera: Se desarrolla un modelo compacto utilizando convoluciones separables en profundidad y un modelado temporal eficiente, reduciendo significativamente la carga computacional en comparación con las líneas base de alta capacidad.
3. Mecanismos de Robustez: La integración del aumento de datos jerárquico y el suavizado de etiquetas basado en la potencia del haz aborda específicamente los desafíos de la variación ambiental y las imperfecciones de detección.
4. Evaluación Exhaustiva: El marco se evalúa en datos reales de dos escenarios distintos de DeepSense 6G (Escenario 9 y Escenario 31), que presentan diferentes ubicaciones de la Estación Base, campos de visión y patrones de tráfico.

Resultados Experimentales
El modelo propuesto fue probado en un conjunto de datos fusionado de los Escenarios 9 y 31 de DeepSense 6G, prediciendo haces para el intervalo actual y los siguientes tres ($J=3$) utilizando un libro de códigos de 64 haces.

• Precisión: El modelo propuesto, al utilizar tanto el aumento de datos como el suavizado de etiquetas, logró una precisión promedio Top-1 del 38.82%, Top-3 del 73.01%, Top-5 del 84.03% y una Precisión Basada en la Distancia Promedio (ADBA) del 83.97%.
• Comparación con Baselines:
  • El modelo propuesto superó a la solución CNN-GRU de última generación (diseñada específicamente para un solo escenario) en todas las métricas bajo las mejores configuraciones.
  • Aunque una línea base ResNet-GRU de alta capacidad logró una precisión absoluta ligeramente mayor (por ejemplo, 41.69% Top-1), lo hizo a un costo computacional significativamente mayor.
• Reducción de Complejidad: En comparación con la línea base ResNet-GRU, el modelo ligero propuesto redujo el número de parámetros por un factor de aproximadamente 52 (de 11.3M a 0.217M) y la complejidad computacional (FLOPs) por un factor de aproximadamente 79 (de 12.2G a 155M).
• Rendimiento Temporal: El modelo mantuvo un rendimiento robusto a través de los cuatro intervalos de tiempo ($t$ a $t+3$), manteniendo la precisión Top-5 por encima del 83.5% y los puntajes DBA alrededor del 84%, demostrando su capacidad para la predicción a largo plazo a pesar de la reducción en el tamaño del modelo.

Significancia
El artículo afirma que su principal significancia radica en demostrar que los modelos de detección asistidos por visión ligeros, cuando están equipados con estrategias de aprendizaje regularizadas apropiadas (aumento jerárquico y suavizado de etiquetas), pueden mantener un rendimiento de seguimiento de haces satisfactorio a través de diversos entornos. El trabajo aborda el compromiso entre la precisión de la predicción y la viabilidad del despliegue, mostrando que se pueden lograr reducciones sustanciales en el tamaño del modelo y la complejidad computacional sin sacrificar la robustez requerida para las comunicaciones mmWave en entornos cruzados. Los resultados sugieren que tales modelos eficientes son viables para el despliegue práctico donde los recursos computacionales están restringidos, ofreciendo una alternativa escalable a las soluciones de aprendizaje profundo pesadas y específicas para cada entorno.