Vision-Aided Deep Learning Solutions for Hybrid Beamforming and Beam Tracking

RÉSUMÉ Dans les systèmes MIMO (Multiple Input Multiple Output) massifs, les méthodes tradi-tionnelles d’estimation du canal deviennent très complexes, notablement dans les architec-tures hybrides. Pour améliorer la performance de HBF (Hybrid Beamforming), des solutions utilisant l’intelligence artificiel ont été introduits. Cependant, ces solutions nécessitent la connaissance du CSI (Channel State Information) et entraînent les modèles d’une manière supervisée. Ainsi, les solutions optimales doivent être calculées préalablement. Dans ce mémoire, deux solutions utilisant des données visuelles pour réduire la fréquence nécessaire d’estimation du canal sont introduites : HBF basé sur le LiDAR (Light Detection and Rang-ing) avec entraînement non supervisé, et un suiveur des faisceaux basé sur des séquences d’images. Concernant la première solution, un LiDAR peut détecter des usagers et des obstacles en 3D dans la zone de couverture de la station. Il est donc utilisé comme entrée pour notre réseau de neurones. En adoptant l’apprentissage profond, un modèle non supervisé peut être créer afin d’effectuer la formation des faisceaux. Ainsi, la transmission du CSI n’est plus nécessaire durant le fonctionnement en ligne. Une fonction de perte pour maximiser le débit total est définie. Pour la deuxième solution, l’objectif est de suivre les usagers quand ils se déplacent dans la zone de couverture. Un modèle LSTM (Long Short-Term Memory) supervisé est alors utilisée, prenant une séquence d’images et prévoyant le futur faisceau idéal. Le but est de réduire la fréquence nécessaire d’estimation du canal. De plus, il est nécessaire de réduire cette fréquence en utilisant des sources de l’information alternatifs au lieu du CSI pour ne pas augmenter l’utilisation des ressources fréquentielles. Deux modèles sont utilisés, dépen-damment du type d’entrée considéré : ConvLSTM pour les images, et SimpleLSTM pour les faisceaux idéaux antérieures. Il est vérifié que l’information visuelle est utile pour suivre les usagers et prévoir les futurs faisceaux.