移動(dòng)場(chǎng)景下基于深度學(xué)習(xí)的圖像輔助毫米波波束預(yù)測(cè)方案

李中捷，韋金迎，熊吉源，高偉

（中南民族大學(xué) a.電子信息工程學(xué)院； b.智能無(wú)線(xiàn)通信湖北重點(diǎn)實(shí)驗(yàn)室， 武漢 430074）

高速無(wú)線(xiàn)通信的快速發(fā)展，促進(jìn)了毫米波及大規(guī)模多輸入多輸出（Multiple Input Multiple Output，MIMO）天線(xiàn)系統(tǒng)的使用.雖然毫米波具有較高的傳輸帶寬，但是其傳播受限于嚴(yán)重的路徑損耗.為了提高毫米波通信的可靠性，一般采用大規(guī)模MIMO 天線(xiàn)系統(tǒng).通過(guò)配備數(shù)百個(gè)甚至數(shù)千個(gè)天線(xiàn)［1］，采用波束成形技術(shù)，可以顯著提高網(wǎng)絡(luò)傳輸?shù)目蛇_(dá)速率［2］.

由于傳統(tǒng)的波束成形技術(shù)具有較大的控制開(kāi)銷(xiāo)［3-4］，因此對(duì)高速移動(dòng)性用戶(hù)的傳輸可靠性提出了重大挑戰(zhàn).針對(duì)控制開(kāi)銷(xiāo)問(wèn)題，文獻(xiàn)［4-7］嘗試采用機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)方法作為數(shù)據(jù)驅(qū)動(dòng)智能解決方案.如文獻(xiàn)［5］提出一種基于深度學(xué)習(xí)方法，構(gòu)建高維非線(xiàn)性關(guān)系，通過(guò)使用微波信道預(yù)測(cè)毫米波信道最佳波束索引，但是由于輸入是高維的微波信道，該方案的時(shí)延和復(fù)雜度較高.文獻(xiàn)［6］中通過(guò)混合噪聲張量補(bǔ)全預(yù)測(cè)毫米波波束，需要對(duì)40%的離散位置進(jìn)行功率測(cè)量，計(jì)算復(fù)雜度較高.文獻(xiàn)［7］中提出利用創(chuàng)建知識(shí)數(shù)據(jù)庫(kù)，使用過(guò)去用戶(hù)檢測(cè)內(nèi)存來(lái)加快進(jìn)入該區(qū)域新用戶(hù)的波束向量.由于真實(shí)環(huán)境中數(shù)據(jù)量龐大，創(chuàng)建知識(shí)數(shù)據(jù)庫(kù)會(huì)加劇計(jì)算復(fù)雜度提升，導(dǎo)致系統(tǒng)冗雜.以上方案均涉及到復(fù)雜度高的問(wèn)題.

目前采用深度學(xué)習(xí)的大部分研究工作集中在無(wú)線(xiàn)感知數(shù)據(jù)上，通過(guò)無(wú)線(xiàn)接收數(shù)據(jù)驅(qū)動(dòng)智能解決方案的學(xué)習(xí)和部署.文獻(xiàn)［8-9］提出一種利用激光雷達(dá)和深度圖像輔助無(wú)線(xiàn)通信的方案.文獻(xiàn)［10］提出一種基于視覺(jué)輔助的波束及阻礙預(yù)測(cè)方案，并證明該方案可行.文獻(xiàn)［11］提出一種深度學(xué)習(xí)協(xié)同波束成形方案，利用卷積神經(jīng)網(wǎng)絡(luò)從多個(gè)基站接收的導(dǎo)頻信號(hào)中直接預(yù)測(cè)最佳波束，可以顯著減少對(duì)準(zhǔn)開(kāi)銷(xiāo).文獻(xiàn)［12］提出一種利用車(chē)輛位置信息和多路徑指紋數(shù)據(jù)庫(kù)的波束對(duì)準(zhǔn)方案.文獻(xiàn)［13］提出了一種基于RGB 和深度攝像機(jī)的主動(dòng)式毫米波通信基站選擇系統(tǒng)，用于預(yù)測(cè)用戶(hù)阻塞情況.以上工作表明通過(guò)視頻圖像或用戶(hù)坐標(biāo)輔助預(yù)測(cè)最佳波束可行.

為了解決移動(dòng)環(huán)境下，毫米波大規(guī)模MIMO通信系統(tǒng)的可靠性傳輸問(wèn)題，本文提出一種基于深度學(xué)習(xí)的視頻圖像輔助波束預(yù)測(cè)方案，提升系統(tǒng)可達(dá)速率和降低模型復(fù)雜度.該方案利用文獻(xiàn)［14］中的ViWi數(shù)據(jù)集，訓(xùn)練學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)參數(shù)，用于建立通信環(huán)境中用戶(hù)圖像和最佳毫米波波束向量的非線(xiàn)性關(guān)系.通過(guò)基站RGB 相機(jī)采集的RGB 視頻圖像.在部署于基站的移動(dòng)邊緣計(jì)算（Mobile Edge Computing，MEC）服務(wù)器上將圖像作為Faster RCNN 網(wǎng)絡(luò)模型［15］的輸入，進(jìn)行目標(biāo)檢測(cè)，并在輸出層后添加DNN 神經(jīng)網(wǎng)絡(luò)模塊預(yù)測(cè)毫米波下行鏈路的波束向量.仿真結(jié)果表明：本文算法和基線(xiàn)算法相比，能夠顯著降低模型復(fù)雜度，且趨近于最優(yōu)的可達(dá)速率.

1 系統(tǒng)模型

圖1所示為高速移動(dòng)環(huán)境下的毫米波無(wú)線(xiàn)通信系統(tǒng)模擬圖.基站部署了MEC服務(wù)器，并配置毫米波大規(guī)模天線(xiàn)陣列和RGB相機(jī)，移動(dòng)用戶(hù)配置單天線(xiàn).大規(guī)模天線(xiàn)陣列采用平面陣列（Uniform Linear Array，ULA），總天線(xiàn)數(shù)量為Nr.基站RGB 相機(jī)拍攝覆蓋范圍內(nèi)的通信環(huán)境圖像，上傳到MEC 服務(wù)器進(jìn)行處理.該系統(tǒng)采用正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）技術(shù)，基站與移動(dòng)用戶(hù)毫米波信道定義為：

圖1 毫米波MIMO通信系統(tǒng)模擬圖Fig. 1 Simulation diagram of millimeter wave MIMO communication system

式中：L是信道路徑數(shù)，K是子載波個(gè)數(shù)，p是余弦脈沖整形函數(shù)，a是陣列響應(yīng)向量，a?，τ?，θ?，φ?分別是第?信道路徑的路徑增益（包括路徑損耗）、延遲、到達(dá)方位角和仰角，TS為采樣時(shí)間，D為循環(huán)前綴長(zhǎng)度（假設(shè)最大延遲小于DTS）.

假設(shè)毫米波基站大規(guī)模MIMO 天線(xiàn)系統(tǒng)采用模擬波束成形架構(gòu)，每個(gè)波束成形向量f的波束成形權(quán)重由恒模移相器實(shí)現(xiàn).毫米波下行鏈路波束成形向量從碼本中選取，其中碼本定義為：

第n個(gè)波束成形向量定義為：

式中：d是天線(xiàn)間距，ωn是轉(zhuǎn)向角，a(ωn)是在ωn方向上的陣列轉(zhuǎn)向向量，Nr是天線(xiàn)數(shù)量.

將F中的波束成形向量索引定義為：

波束向量是通過(guò)索引I選取波束碼本中所對(duì)應(yīng)的向量，得到最佳波束向量f*.將該波束向量用于下行數(shù)據(jù)傳輸，則用戶(hù)接收的信號(hào)表示為：

式中：h∈CNr×K為毫米波信道，s為傳輸信號(hào)，n～NC(0，σ2)為高斯噪聲樣本.

2 圖像輔助波束預(yù)測(cè)深度學(xué)習(xí)方案

本文提出的圖像輔助毫米波波束預(yù)測(cè)深度學(xué)習(xí)方案，采用目標(biāo)檢測(cè)方法定位通信環(huán)境中移動(dòng)用戶(hù)的位置，根據(jù)檢測(cè)出的用戶(hù)坐標(biāo)預(yù)測(cè)最佳波束向量，實(shí)現(xiàn)毫米波下行鏈路的可靠性傳輸.該方案中波束預(yù)測(cè)是基于碼本的選擇，找到為用戶(hù)服務(wù)的最佳波束向量f*，從而使該用戶(hù)下行鏈路的平均可達(dá)速率Ru(h，f*) ∈R+最大化.毫米波下行鏈路可達(dá)速率定義為：

圖2所示為圖像預(yù)測(cè)最佳波束向量的神經(jīng)網(wǎng)絡(luò)模型，采用Faster RCNN 模型識(shí)別圖像中用戶(hù)坐標(biāo)，流程圖如圖2Faster RCNN 模塊所示：（1）首先將基站捕獲的圖像上傳到MEC 服務(wù)器；（2）MEC 服務(wù)器將上傳的圖像輸入到Faster RCNN 的主干網(wǎng)絡(luò)提取特征得到特征圖；（3）通過(guò)區(qū)域選取結(jié)構(gòu)生成檢測(cè)的候選框，將生成的候選框投影到特征圖上獲得相應(yīng)的特征矩陣；（4）每個(gè)特征矩陣通過(guò)池化層縮放到7×7大小的特征圖；（5）最后將特征圖展平通過(guò)一系列全連接層得到預(yù)測(cè)結(jié)果和邊界框回歸參數(shù)，將預(yù)測(cè)邊界框中心化輸出為用戶(hù)坐標(biāo).其中深度學(xué)習(xí)損失函數(shù)定義為：

圖2 圖像輔助毫米波波束預(yù)測(cè)流程圖Fig.2 Image assisted millimeter wave beam prediction flowchart

其中Lcls（Lreg）表示針對(duì)用戶(hù)分類(lèi)和用戶(hù)定位的損失函數(shù).

圖2DNN 網(wǎng)絡(luò)模塊所示為預(yù)測(cè)用戶(hù)坐標(biāo)與最佳波束向量的非線(xiàn)性關(guān)系，其中網(wǎng)絡(luò)結(jié)構(gòu)有兩個(gè)主要部分，即基礎(chǔ)網(wǎng)絡(luò)和分類(lèi)層.（1）基本網(wǎng)絡(luò)：該網(wǎng)絡(luò)包括4 層全連接層，每層都具有1024 個(gè)神經(jīng)單元.每層全連接層采用ReLU 非線(xiàn)激活函數(shù)，并添加失活函數(shù)Dropout 防止模型過(guò)擬合.相比較文獻(xiàn)［5］選取5 層全連接層，每層具有2048 個(gè)神經(jīng)單元，本文所提出的網(wǎng)絡(luò)架構(gòu)復(fù)雜度顯著降低.（2）分類(lèi)層：本文選用Softmax 用來(lái)對(duì)基本網(wǎng)絡(luò)層的輸出進(jìn)行分類(lèi).通過(guò)輸出碼本對(duì)應(yīng)索引的概率分布P={p1，....，pB}，選取最大概率的元素作為波束向量索引，定義為：

為了使網(wǎng)絡(luò)訓(xùn)練達(dá)到更好的擬合效果，本文對(duì)所預(yù)測(cè)用戶(hù)坐標(biāo)進(jìn)行歸一化預(yù)處理.采用離差標(biāo)準(zhǔn)化，使得用戶(hù)坐標(biāo)矩陣的值映射在［0，1］之間，這樣不僅能夠加快梯度下降求最優(yōu)解的速度，同時(shí)能夠提高訓(xùn)練精度.波束預(yù)測(cè)數(shù)據(jù)集標(biāo)簽構(gòu)造，通過(guò)預(yù)測(cè)的用戶(hù)坐標(biāo)的獨(dú)熱編碼向量與通過(guò)公式（6）窮舉算法所得最佳波束成形向量的索引相對(duì)應(yīng)來(lái)實(shí)現(xiàn).數(shù)據(jù)集準(zhǔn)備好之后，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)最小化交叉熵定義為：

其中t=[t1，...，tD]是目標(biāo)獨(dú)熱編碼向量，pd代表神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的輸入用戶(hù)坐標(biāo)屬于dth的概率.

3 仿真分析

本文采用文獻(xiàn)［14］的ViWi 數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，研究基于深度學(xué)習(xí)圖像輔助波束預(yù)測(cè)方案的性能.該數(shù)據(jù)集是一個(gè)室外場(chǎng)景，其中包含RGB圖像和mmWave信道，描述一輛汽車(chē)行駛在城市街道.在基站上配備毫米波天線(xiàn)和具有100°視野的攝像機(jī).BS的高度設(shè)置為5 m（不考慮遮擋情況），汽車(chē)共有五個(gè)軌跡可直線(xiàn)行走，每個(gè)軌跡長(zhǎng)100 m，并具有1000個(gè)等距點(diǎn).通過(guò)labelImg 軟件標(biāo)注生成目標(biāo)檢測(cè)訓(xùn)練集和測(cè)試集，對(duì)于波束預(yù)測(cè)設(shè)定參數(shù)如表1.

表1 波束預(yù)測(cè)信道生成參數(shù)Tab.1 Beam prediction channel generation parameters

在本小節(jié)中，使用文獻(xiàn)［14］數(shù)據(jù)集通過(guò)Faster RCNN 網(wǎng)絡(luò)從圖像中預(yù)測(cè)的用戶(hù)坐標(biāo)，研究基于用戶(hù)坐標(biāo)預(yù)測(cè)毫米波波束方案性能.以及評(píng)估m(xù)mWave天線(xiàn)陣列規(guī)模大小對(duì)預(yù)測(cè)性能的影響，并將文獻(xiàn)［5］作為基線(xiàn)算法進(jìn)行對(duì)比.

圖3 表示在基站天線(xiàn)數(shù)為32，SNR=20 dB 時(shí)，不同數(shù)據(jù)集大小的情況下，參考文獻(xiàn)［5］，選取Top-1和Top-3作為波束預(yù)測(cè)精度評(píng)判標(biāo)準(zhǔn)，其中x軸表示數(shù)據(jù)集大小的百分比，y軸表示模型預(yù)測(cè)準(zhǔn)確率.Top-1 定義為預(yù)測(cè)概率最大的波束向量，Top-3 定義為預(yù)測(cè)概率前三的波束向量.由圖3可見(jiàn)：當(dāng)使用全部數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，Top-1 和Top-3 分別達(dá)到77%和99%，當(dāng)訓(xùn)練集大小在40%時(shí)就十分接近理想狀態(tài).圖4 表示在基站天線(xiàn)數(shù)32 時(shí)，不同SNR 情況下預(yù)測(cè)的Top-1 和Top-3 最佳波束向量通過(guò)公式（6）計(jì)算得到的可達(dá)速率.由圖4 中可見(jiàn)，Top-1 的準(zhǔn)確度已經(jīng)可以接近理論上限可達(dá)速率.上述結(jié)果表明通過(guò)深度神經(jīng)網(wǎng)絡(luò)可以由用戶(hù)坐標(biāo)有效地預(yù)測(cè)毫米波波束向量.

圖3 訓(xùn)練集大小對(duì)準(zhǔn)確率的影響Fig. 3 Effect of training set size on accuracy

圖4 信噪比對(duì)Top-1和Top-3可達(dá)速率的影響Fig. 4 Effect of SNR on Top-1 and Top-3 reachable rates

圖5表示基站毫米波天線(xiàn)陣列數(shù)為4、16、32、64和128時(shí)，SNR 對(duì)Top-1評(píng)價(jià)標(biāo)準(zhǔn)下平均可達(dá)速率的影響.由圖5 可見(jiàn)：小規(guī)模天線(xiàn)陣列的情況下（如天線(xiàn)陣列數(shù)為4時(shí)），Top-1可達(dá)數(shù)率幾乎接近理論上限.隨著天線(xiàn)陣列數(shù)量的增加，Top-1 可達(dá)速率性能出現(xiàn)下降，這是因?yàn)楫?dāng)天線(xiàn)數(shù)增加時(shí)，波束分類(lèi)的數(shù)量也相應(yīng)增加，導(dǎo)致分類(lèi)的準(zhǔn)確度下降，從而影響波束預(yù)測(cè)的性能.因此對(duì)于大規(guī)模天線(xiàn)陣列應(yīng)適當(dāng)增加計(jì)算復(fù)雜度，提高預(yù)測(cè)的準(zhǔn)確性，如選取Top-3 作為評(píng)價(jià)標(biāo)準(zhǔn)，通過(guò)預(yù)測(cè)的三個(gè)波束向量選擇可達(dá)速率最高的波束，作為天線(xiàn)陣列的最佳波束向量.圖6表示在天線(xiàn)陣列數(shù)為64 和128 時(shí)，SNR 對(duì)Top-3 標(biāo)準(zhǔn)下可達(dá)速率的影響.對(duì)比圖5 和圖6 可知：與Top-1相比，Top-3的可達(dá)速率更接近理論上限.

圖5 天線(xiàn)陣列數(shù)為4、16、32、64、128時(shí)，信噪比對(duì)Top-1可達(dá)速率的影響Fig. 5 Effect of SNR on Top-1 reach rate with the number of antenna arrays of 4， 16， 32， 64， 128

圖6 天線(xiàn)陣列數(shù)為64、128時(shí)信噪比對(duì)Top-3可達(dá)速率的影響Fig. 6 Effect of SNR on the achievable rate of Top-3 with the number of antenna arrays of 64 and 128

由于碼本和系統(tǒng)存在差異，為了更好和其它波束成形方案進(jìn)行比較，本文選擇可達(dá)速率差值，模型參數(shù)量和模型大小作為評(píng)判標(biāo)準(zhǔn)，其中可達(dá)速率差值定義為：

式中：R(hmmW，f)upper 為系統(tǒng)理論最優(yōu)平均可達(dá)速率，R(hmmW，f*)pre為所提方案的平均可達(dá)速率.

圖7表示不同天線(xiàn)陣列數(shù)量下不同模型參數(shù)量和大小的比較，x軸表示天線(xiàn)陣列數(shù)量，左y軸表示參數(shù)數(shù)量，右y軸表示參數(shù)大小.圖7 中比較了本文方案和基線(xiàn)算法的復(fù)雜度.由圖7 中可見(jiàn)：在16 天線(xiàn)數(shù)量下，基線(xiàn)算法模型參數(shù)數(shù)量相當(dāng)于本文方法的8.2倍；在32天線(xiàn)數(shù)量下，本文方法的模型大小是基線(xiàn)算法的1/8 大小.這表明本文方法在復(fù)雜度方面遠(yuǎn)低于基線(xiàn)算法.

圖7 不同天線(xiàn)下模型參數(shù)數(shù)量和大小的比較Fig. 7 Comparison of the number and size of model parameters under different antennas

表2所示為在不同規(guī)模天線(xiàn)陣列和SNR的情況下，本文所提方案和基線(xiàn)算法平均可達(dá)速率差值的比較結(jié)果.由表2 可見(jiàn)本文所提方案預(yù)測(cè)性能更接近系統(tǒng)最優(yōu).當(dāng)天線(xiàn)數(shù)為64，SNR=-10 dB 時(shí)，本文所提方案的可達(dá)速率差值相比基線(xiàn)算法降低了98.76%.當(dāng)天線(xiàn)數(shù)為64，SNR=20 dB 時(shí)，本文方案的可達(dá)速率差值相比基線(xiàn)算法降低了62.71%.仿真結(jié)果表明，本文的方案在大規(guī)模天線(xiàn)陣列和低信噪比的情況下性能更加優(yōu)越.

表2 天線(xiàn)陣列數(shù)4、16和64時(shí)基于信噪比的平均可達(dá)速率差值Tab. 2 Average achievable rate difference based on SNR for antenna array numbers of 4 and 64

4 結(jié)語(yǔ)

本文首先提出采用Faster RCNN 模型檢測(cè)通信環(huán)境中用戶(hù)具體坐標(biāo)，并通過(guò)用戶(hù)坐標(biāo)預(yù)測(cè)出最佳波束的思想.實(shí)驗(yàn)證明通信環(huán)境中用戶(hù)圖像與最佳波束向量的非線(xiàn)性關(guān)系能夠通過(guò)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)來(lái)獲得，基于圖像輔助能夠快速準(zhǔn)確的進(jìn)行毫米波波束預(yù)測(cè)，滿(mǎn)足高速移動(dòng)環(huán)境下毫米波的可靠性通信需求.仿真結(jié)果表明，采用本文方案的用戶(hù)通信可達(dá)速率可以逼近系統(tǒng)理論上限.與文獻(xiàn)［5］方案相比，在大規(guī)模天線(xiàn)陣列和低信噪比的情況下，本方案具有顯著優(yōu)勢(shì).未來(lái)可考慮將該方案應(yīng)用于無(wú)人機(jī)地面通信應(yīng)用場(chǎng)景，無(wú)人機(jī)通過(guò)捕獲視覺(jué)數(shù)據(jù)，可用于識(shí)別地面終端的位置與分布，從而進(jìn)行功率分配和位置追蹤等.