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

Resumo Técnico: Rastreamento de Feixe Auxiliado por Visão Leve para Comunicações mmWave em Ambientes Cruzados

Definição do Problema
As comunicações de ondas milimétricas (mmWave) dependem de transmissões altamente direcionais, o que exige um gerenciamento de feixe preciso e de baixo overhead. Embora o rastreamento de feixe auxiliado por sensoriamento usando informações contextuais (ex: de câmeras) tenha surgido como uma solução promissora para reduzir o overhead de treinamento de feixe, as abordagens existentes enfrentam desafios significativos em implantações no mundo real. Os métodos atuais frequentemente focam na predição de feixes para um único slot de tempo dentro de um ambiente específico, negligenciando a eficiência do modelo em termos de memória e complexidade computacional. Além disso, a maioria das soluções existentes carece de robustez ao serem implantadas em diversos ambientes com geometrias, padrões de tráfego e condições de fundo variadas. Existe uma lacuna crítica no desenvolvimento de frameworks de baixa complexidade, auxiliados por visão, capazes de generalizar entre diferentes cenários enquanto realizam a predição de feixe de longo prazo (predizendo conjuntamente o feixe atual e futuros).

Metodologia
O artigo propõe um framework leve, auxiliado por visão, formulado como uma tarefa de classificação sequência-para-sequência (Seq2Seq). O sistema visa prever conjuntamente os índices de feixe ideais para o slot de tempo atual e para $J$ slots de tempo futuros com base em uma sequência de observações visuais RGB passadas.

• Arquitetura: O núcleo do modelo proposto é uma rede neural leve projetada para aprendizado de características espaço-temporais eficiente.

  • Codificador de Imagem: Em vez de backbones pesados, o modelo utiliza um stem do tipo ResNet seguido por quatro blocos de Convolução Separável por Profundidade (DS-Conv). Esses blocos empregam estruturas de resíduo invertido (expandindo canais via convoluções $1\times1$, realizando downsampling espacial via convoluções de profundidade $3\times3$ e projetando de volta via $1\times1$) para reduzir a complexidade enquanto mantêm a representação de características.
  • Modelagem Temporal: As características codificadas são processadas por uma Unidade Recorrente de Porta (GRU) e um módulo de Atenção Multi-Cabeça (MHA) para capturar dependências temporais na sequência visual.
  • Classificador: Um Perceptron Multicamadas (MLP) de três camadas gera as probabilidades de seleção de feixe para todos os candidatos a feixes ao longo dos $J+1$ slots de tempo.

• Estratégias de Aprendizado Aperfeiçoadas: Para melhorar a robustez e a generalização em configurações de ambientes cruzados, duas estratégias específicas foram introduzidas.

  1. Aumento de Dados Hierárquico: Opera tanto nos níveis de sequência quanto de quadro para emular condições de sensoriamento imperfeitas, preservando os padrões de movimento do UE.
     • Nível de Sequência: Perturbações morfológicas (erosão/dilatação) e desfoque Gaussiano (Gaussian blur) são aplicados consistentemente em todos os quadros de uma sequência para simular erros de extração de máscara de movimento e incerteza de sensoriamento.
     • Nível de Quadro: Ruído Gaussiano aditivo é introduzido para lidar com flutuações locais de intensidade.
  2. Suavização de Rótulo Baseada na Potência do Feixe: Reconhecendo que múltiplos feixes podem oferecer desempenho comparável, os autores substituem a supervisão estrita de um-hot pela distribuição suavizada derivada de vetores de potência de feixe. A função de perda total combina uma perda Focal (para rótulos rígidos) e uma perda de entropia cruzada (para rótulos suaves), ponderadas por um hiperparâmetro $\lambda$. Isso evita que o modelo se torne excessivamente confiante em uma única classe de feixe.

Principais Contribuições

1. Formulação de Ambiente Cruzado: O trabalho muda o foco do rastreamento de feixe de um único ambiente para um cenário de múltiplos cenários, formulando o problema como uma tarefa Seq2Seq para lidar com a predição de longo prazo em ambientes geometricamente distintos.
2. Arquitetura Leve: Um modelo compacto é desenvolvido utilizando convoluções separáveis por profundidade e modelagem temporal eficiente, reduzindo significativamente a carga computacional em comparação com baselines de alta capacidade.
3. Mecanismos de Robustez: A integração do aumento de dados hierárquico e da suavização de rótulo baseada na potência do feixe visa especificamente os desafios da variação ambiental e das imperfeições de sensoriamento.
4. Avaliação Abrangente: O framework é avaliado em dados reais de dois cenários distintos do DeepSense 6G (Cenário 9 e Cenário 31), que apresentam diferentes localizações de Estação Base, campos de visão e padrões de tráfego.

Resultados Experimentais
O modelo proposto foi testado em um dataset fundido dos Cenários 9 e 31 do DeepSense 6G, prevendo feixes para o slot atual e para os próximos três ($J=3$) utilizando um codebook de 64 feixes.

• Acurácia: O modelo proposto, ao utilizar tanto o aumento de dados quanto a suavização de rótulo, alcançou uma acurácia média Top-1 de 38,82%, Top-3 de 73,01%, Top-5 de 84,03% e uma Acurácia Baseada em Distância Média (ADBA) de 83,97%.
• Comparação com Baselines:
  • O modelo proposto superou a solução CNN-GRU de última geração (especificamente projetada para um único cenário) em todas as métricas sob as melhores configurações.
  • Embora um baseline ResNet-GRU de alta capacidade tenha alcançado uma acurácia absoluta ligeiramente superior (ex: 41,69% Top-1), ele o fez com um custo computacional significativamente maior.
• Redução de Complexidade: Comparado ao baseline ResNet-GRU, o modelo leve proposto reduziu o número de parâmetros por um fator de aproximadamente 52 (de 11,3M para 0,217M) e a complexidade computacional (FLOPs) por um fator de aproximadamente 79 (de 12,2G para 155M).
• Desempenho Temporal: O modelo manteve um desempenho robusto através de todos os quatro slots de tempo ($t$ a $t+3$), com a acurácia Top-5 permanecendo acima de 83,5% e os scores de DBA em torno de 84%, demonstrando sua capacidade de predição de longo prazo apesar da redução no tamanho do modelo.

Significância
O artigo afirma que sua principal significância reside em demonstrar que modelos de sensoriamento auxiliados por visão leves, quando equipados com estratégias de aprendizado regularizadas apropriadas (aumento hierárquico e suavização de rótulo), podem manter um desempenho satisfatório de rastreamento de feixe através de diversos ambientes. O trabalho aborda o compromisso entre precisão de predição e viabilidade de implantação, mostrando que reduções substanciais no tamanho do modelo e na complexidade computacional podem ser alcançadas sem sacrificar a robustez necessária para comunicações mmWave em ambientes cruzados. Os resultados sugerem que tais modelos eficientes são viáveis para implantação prática onde os recursos computacionais são limitados, oferecendo uma alternativa escalável às soluções de deep learning pesadas e específicas de cada ambiente.