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

技術要約：クロス環境mmWave通信のための軽量なビジョン支援型ビームトラッキング

問題提起
ミリ波（mmWave）通信は高度に指向性の高い伝送に依存しており、正確かつ低オーバーヘッドなビーム管理を必要とする。コンテキスト情報（カメラなど）を用いたセンシング支援型のビームトラッキングは、ビームトレーニングのオーバーヘッドを削減するための有望な解決策として台頭しているが、既存の手法は実環境への展開において重大な課題に直面している。現在の手法は、特定の環境における単一のタイムスロットに対するビーム予測に焦点を当てることが多く、メモリや計算量に関するモデルの効率性を軽視している。さらに、ほとんどの既存のソリューションは、幾何学的構造、トラフィックパターン、背景条件が異なる多様な環境に展開される際の堅牢性に欠けている。低複雑度で、異なるシナリオ間でも汎化可能であり、かつ長期的なビーム予測（現在および将来のビームの同時予測）を実行できるビジョン支援型フレームワークの開発には、決定的なギャップが存在する。

手法
本論文では、シーケンス・トゥ・シーケンス（Seq2Seq）分類タスクとして定式化された、軽量なビジョン支援型フレームワークを提案する。このシステムは、過去のRGB視覚観測シーケンスに基づき、現在のタイムスロットおよび $J$ 個の将来のタイムスロットにおける最適なビームインデックスを同時に予測することを目的とする。

• アーキテクチャ: 提案モデルの核となるのは、効率的な時空間特徴学習のために設計された軽量なニューラルネットワークである。

  • 画像エンコーダ: 重いバックボーンの代わりに、モデルはResNetスタイルのステムと、それに続く4つの深度分離畳み込み（DS-Conv）ブロックを利用する。これらのブロックは、反転残差構造（$1\times1$ 畳み込みによるチャネル拡張、$3\times3$ 深度畳み込みによる空間ダウンサンプリング、および $1\times1$ 畳み込みによる再投影）を採用しており、特徴表現を維持しながら複雑性を軽減している。
  • 時間的モデリング: エンコードされた特徴量は、視覚シーケンスの時系列的依存関係を捉えるために、ゲート付き回帰ユニット（GRU）とマルチヘッドアテンション（MHA）モジュールによって処理される。
  • 分類器: 3層の多層パーセプトロン（MLP）が、全候補ビームに対する $J+1$ 個のタイムスロットのビーム選択確率を出力する。

• 強化された学習戦略: クロス環境設定における堅牢性と汎化性能を向上させるため、2つの特定の手法を導入している。

  1. 階層的データ拡張: これは、UE（ユーザー端末）の移動パターンを維持しつつ、不完全なセンシング条件を模倣するために、シーケンスレベルとフレームレベルの両方で機能する。
     • シーケンスレベル: モルフォロジー変換（浸食/膨張）とガウスぼかしをシーケンス内のすべてのフレームに一貫して適用し、モーションマスク抽出のエラーやセンシングの不確地性をシミュレートする。
     • フレームレベル: ローカルな輝度変動を扱うために、加法的ガウスノイズを導入する。
  2. ビーム電力に基づくラベル平滑化: 複数のビームが同等の性能を提供し得ることを認識し、厳格なワンホット（one-hot）教師あり学習の代わりに、ビーム電力ベクトルから導出された軟化された分布を採用する。総損失関数は、Focal Loss（ハードラベル用）とクロスエントロピー損失（ソフトラベル用）を組み合わせ、ハイパーパラメータ $\lambda$ によって重み付けを行う。これにより、モデルが単一のビームクラスに対して過剰に自信を持ちすぎることを防ぐ。

主な貢献

1. クロス環境の定式化: 本研究は、単一環境のビームトラッキングからマルチシナリオ設定へと焦点を移し、幾何学的に異なる環境間での長期予測を扱うためのSeq2Seqタスクとして問題を定式化した。
2. 軽量アーキテクチャ: 深度分離畳み込みと効率的な時間的モデリングを用いてコンパクトなモデルを開発し、高容量のベースラインと比較して計算負荷を大幅に軽減した。
3. 堅牢性メカニズム: 階層的データ拡張とビーム電力ベースのラベル平滑化の統合は、環境の変化とセンシングの不完全性に特に対処している。
4. 包括的な評価: フレームワークは、基地局の位置、視野、トラフィックパターンが異なる2つの異なるDeepSense 6Gシナリオ（シナリオ9およびシナリオ31）の現実世界のデータを用いて評価されている。

実験結果
提案モデルは、DeepSense 6Gのシナリオ9と31を統合したデータセットを用いてテストされ、64個のビームコードブックを用いて、現在のスロットおよび次の3つ（$J=3$）のスロットのビームを予測した。

• 精度: データ拡張とラベル平滑化の両方を利用した場合、提案モデルは平均Top-1精度 38.82%、Top-3 73.01%、Top-5 84.03%、および平均距離ベース精度（ADBA） 83.97% を達成した。
• ベースラインとの比較:
  • 提案モデルは、最適の設定下において、すべての指標で最先端のCNN-GRUソリューション（特定のシナリオ向けに設計されたもの）を上回った。
  • 高容量のResNet-GRUベースラインは、わずかに高い絶対精度（例：Top-1で41.69%）を達成したが、これは大幅に高い計算コストを伴うものであった。
• 複雑性の削減: ResNet-GRUベースラインと比較して、提案された軽量モデルは、パラメータ数を約 52 分の1（11.3Mから0.217Mへ）、計算量（FLOPs）を約 79 分の1（12.2Gから155Mへ）に削減した。
• 時間的パフォーマンス: モデルは、4つのタイムスロット（$t$ から $t+3$）にわたって堅牢な性能を維持し、Top-5精度は83.5%以上、DBAスコアは約84%を維持しており、モデルサイズの縮小にもかかわらず長期予測能力があることを示した。

意義
本論文の主な意義は、適切な正則化学習戦略（階層的拡張とラベル平滑化）を備えた軽量なセンシング支援型モデルが、多様な環境において満足のいくビームトラッキング性能を維持できることを実証した点にある。本研究は、予測精度と展開の実現可能性の間のトレードオフに対処しており、大幅なモデルサイズおよび計算量の削減が、クロス環境のmmWave通信に必要な堅牢性を損なうことなく達成可能であることを示している。これらの結果は、計算リソースが制約されている環境において、このような効率的なモデルが実用的な展開が可能であることを示唆しており、重厚で環境依存的なディープラーニング・ソリューションに代わるスケーラブルな選択肢を提供するものである。