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

Riepilogo Tecnico: Beam Tracking Leggero Assistito dalla Visione per Comunicazioni mmWave Cross-Environment

Definizione del Problema
Le comunicazioni in onde millimetriche (mmWave) si affidano a trasmissioni altamente direzionali, il che richiede una gestione dei fasci (beam management) accurata e a basso overhead. Sebbene il beam tracking assistito dalla sensing utilizzando informazioni contestuali (ad esempio, da telecamere) sia emerso come una soluzione promettente per ridurre l'overhead di training dei fasci, gli approcci esistenti affrontano sfide significative nella distribuzione nel mondo reale. Gli attuali metodi si concentrano spesso sulla previsione dei fasci per un singolo slot temporale all'interno di un ambiente specifico, trascurando l'efficienza del modello in termini di memoria e complessità computazionale. Inoltre, la maggior parte delle soluzioni esistenti manca di robustezza quando viene distribuita in ambienti diversi con geometrie, modelli di traffico e condizioni di sfondo variabili. Esiste una lacuna critica nello sviluppo di framework a bassa complessità, assistiti dalla visione, capaci di generalizzare attraverso diversi scenari pur eseguendo una previsione dei fasci a lungo termine (previsione congiunta di fasci correnti e futuri).

Metodologia
Il documento propone un framework leggero, assistito dalla visione, formulato come un compito di classificazione sequence-to-sequence (Seq2Seq). Il sistema mira a prevedere congiuntamente gli indici dei fasci ottimali per lo slot temporale corrente e per $J$ slot temporali futuri sulla base di una sequenza di osservazioni visive RGB passate.

• Architettura: Il nucleo del modello proposto è una rete neurale leggera progettata per un apprendimento spazio-temporale efficiente.

  • Encoder d'Immagine: Invece di backbone pesanti, il modello utilizza uno stem in stile ResNet seguito da quattro blocchi di Convoluzione Separabile per Profondità (DS-Conv). Questi blocchi impiegano strutture a residuo invertito (espansione dei canali tramite convoluzioni $1\times1$, esecuzione del downsampling spaziale tramite convoluzioni depthwise $3\times3$ e proiezione all'indietro tramite convoluzioni $1\times1$) per ridurre la complessità mantenendo la rappresentazione delle caratteristiche.
  • Modellazione Temporale: Le caratteristiche codificate sono elaborate da una Unità Ricorrente Gated (GRU) e da un modulo Multihead Attention (MHA) per catturare le dipendenze temporali della sequenza visiva.
  • Classificatore: Un Perceptron Multistrato (MLP) a tre strati produce le probabilità di selezione dei fasci per tutti i fasci candidati attraverso i $J+1$ slot temporali.

• Strategie di Apprendimento Potenziate: Per migliorare la robustezza e la generalizzazione in contesti cross-environment, vengono introdotte due strategie specifiche:

  1. Data Augmentation Gerarchica: Questa opera sia a livello di sequenza che di frame per simulare condizioni di sensing imperfette preservando i pattern di movimento dell'UE.
     • Livello di sequenza: Perturbazioni morfologiche (erosione/dilatazione) e sfocatura Gaussiana (Gaussian blur) sono applicate coerentemente a tutti i frame di una sequenza per simulare errori di estrazione della maschera di movimento e incertezza del sensing.
     • Livello di frame: Viene introdotto il rumore Gaussiano additivo per gestire le fluttuazioni locali di intensità.
  2. Label Smoothing Basata sulla Potenza del Fascio: Riconoscendo che più fasci possono offrire prestazioni comparabili, gli autori sostituiscono la rigorosa supervisione one-hot con una distribuzione ammorbidita derivata dai vettori di potenza dei fasci. La funzione di perdita totale combina una Focal loss (per etichette hard) e una loss di cross-entropy (per etichette soft), pesate da un iperparametro $\lambda$. Ciò evita che il modello diventi eccessivamente sicuro su una singola classe di fascio.

Contributi Chiave

1. Formulazione Cross-Environment: Il lavoro sposta il focus dal beam tracking per singolo ambiente a un contesto multi-scenario, formulando il problema come un compito Seq2Seq per gestire la previsione a lungo termine attraverso ambienti geometricamente distinti.
2. Architettura Leggera: Un modello compatto è stato sviluppato utilizzando convoluzioni separabili per profondità e un modellamento temporale efficiente, riducendo significativamente il carico computazionale rispetto ai baseline ad alta capacità.
3. Meccanismi di Robustezza: L'integrazione della data augmentation gerarchica e del label smoothing basato sulla potenza del fascio mira specificamente alle sfide della variazione ambientale e delle imperfezioni del sensing.
4. Valutazione Completa: Il framework è valutato su dati reali di due distinti scenari DeepSense 6G (Scenario 9 e Scenario 31), che presentano diverse posizioni della Base Station, campi visivi e pattern di traffico.

Risultati Sperimentali
Il modello proposto è stato testato su un dataset unificato degli Scenari DeepSense 6G 9 e 31, prevedendo i fasci per lo slot corrente e i successivi tre ($J=3$) utilizzando un codebook a 64 fasci.

• Accuratezza: Il modello proposto, quando utilizza sia la data augmentation che il label smoothing, ha raggiunto un'accuratezza media Top-1 del 38,82%, Top-3 del 73,01%, Top-5 del 84,03% e un'Accuratezza Media Basata sulla Distanza (ADBA) dell'83,97%.
• Confronto con i Baseline:
  • Il modello proposto ha superato la soluzione allo stato dell'arte CNN-GRU (specificamente progettata per un singolo scenario) in tutte le metriche sotto le migliori impostazioni.
  • Sebbene un baseline ResNet-GRU ad alta capacità abbia raggiunto un'accuratezza assoluta leggermente superiore (ad esempio, 41,69% Top-1), lo ha fatto a un costo computazionale significativamente più elevato.
• Riduzione della Complessità: Rispetto al baseline ResNet-GRU, il modello leggero proposto ha ridotto il numero di parametri di un fattore di circa 52 (da 11,3M a 0,217M) e la complessità computazionale (FLOPs) di un fattore di circa 79 (da 12,2G a 155M).
• Performance Temporali: Il modello ha mantenuto prestazioni robuste attraverso tutti i quattro slot temporali ($t$ a $t+3$), con un'accuratezza Top-5 superiore all'83,5% e punteggi DBA intorno all'84%, dimostrando la sua capacità di previsione a lungo termine nonostante la riduzione delle dimensioni del modello.

Significatività
Il documento afferma che la sua primaria significatività risiede nel dimostrare che i modelli assistiti dalla visione leggeri, se dotati di appropriate strategie di apprendimento regolarizzate (augmentation gerarchica e label smoothing), possono mantenere prestazioni di beam tracking soddisfacenti attraverso ambienti diversi. Il lavoro affronta il compromesso tra accuratezza di previsione e fattibilità di implementazione, mostrando che è possibile ottenere riduzioni sostanziali della dimensione del modello e della complessità computazionale senza sacrificare la robustezza richiesta per le comunicazioni mmWave cross-environment. I risultati suggeriscono che tali modelli efficienti sono praticabili per l'implementazione reale dove le risorse computazionali sono limitate, offrendo un'alternativa scalabile alle pesanti soluzioni di deep learning specifiche per ogni ambiente.