A Drone-Aided Blockchain-Based Smart Vehicular Network
全球车辆数量的惊人增长已成为一个严重的挑战，导致悲剧性事件，环境污染，拥堵等，因此，有前途的方法之一是设计一个智能车辆系统，因为它有利于安全驾驶。目前的车载系统缺乏数据可靠性、安全性和易部署性。基于这些问题，本文提出了一种安全、易于部署、质量可靠的无人机智能车载系统。然而，通信网络中操作无人机数量的增加使它们更容易受到网络攻击，这可能完全破坏通信基础设施。为了解决这些问题，我们提出了一个基于区块链的注册和认证系统，用于无人机，智能车辆（SV）和路边单元（RSU）等实体。本文主要关注基于区块链的安全系统设计和无人机的最佳放置，以提高整个网络的频谱效率。特别是，我们调查RSU与无人机的关联，考虑多个通信相关的因素，如可用带宽，无人机可以支持的最大链接数，以及回程限制。我们表明，所提出的模型可以很容易地覆盖在当前的车辆网络收获的安全和可靠的通信的好处。
2020-07-25 eess.SP
Compressed LLM Reprogramming for Vision-Aided Beam Prediction in Vehicular Networks
Aalto University（阿尔托大学）
提出LLMBP-Lite，通过三维剪枝和知识蒸馏压缩LLM重编程模型，实现65倍推理加速且保持精度，缓解车载网络中数据效率与部署效率的权衡。
2026-09-29 eess.SP
A LiDAR-Aided Channel Model for Vehicular Intelligent Sensing-Communication Integration
本文提出了一种用于6G车辆智能感知通信一体化的LiDAR辅助毫米波信道建模方法（LA-GBSM），通过机器学习区分动静态散射体并量化多VTD条件下的参数分布，开发了VR算法，仿真验证了其有效性。
2024-03-21 eess.SP
Deep Reinforcement Learning-aided Transmission Design for Energy-efficient Link Optimization in Vehicular Communications
本文提出SI-D3QN深度强化学习算法，联合优化V2V通信中的MCS选择与功率控制，在保证节能的同时提升链路吞吐量29.6%。
2024-04-19 eess.SP
Efficient Resource Allocation and User Association in NOMA-Enabled Vehicular-Aided HetNets with High Altitude Platforms
针对支持NOMA的HAP车辆辅助HetNet上行链路，提出联合带宽分配、用户关联与功率控制的三阶段迭代算法，以提升频谱效率并满足回程与QoS约束。
2024-01-22 eess.SP
Deep Reinforcement Learning-Aided Strategies for Big Data Offloading in Vehicular Networks
本文提出基于深度强化学习的车载网络大数据卸载策略，通过去重和优化卸载流程，有效降低时间和能耗。
2025-12-19 eess.SP
BeamGuard: Risk-Aware Multimodal Beam Forecasting and Adaptive Virtual Beamwidth Control for 6G mmWave V2I Links
BeamGuard是面向6G毫米波V2I链路的多模态感知辅助波束管理框架，通过融合多模态传感与带内观测预测波束分布，实现自适应虚拟波束宽度控制，在DeepSense 6G数据集上较基线方法性能更优，可实现鲁棒的低开销波束管理。
2026-08-27 eess.SP
Cache-Aided Non-Orthogonal Multiple Access for 5G-Enabled Vehicular Networks
对丰富多媒体服务的需求不断增长以及物联网（IoT）的出现对下一代车载网络提出了具有挑战性的要求。这些挑战在很大程度上与大规模内容交付和增加的连接性的背景下的高频谱效率和低延迟要求有关。在这方面，高速缓存和非正交多址接入（NOMA）范例最近已经被提出作为有效地解决这些关键挑战中的一些的潜在解决方案。在目前的贡献，我们介绍了缓存辅助NOMA作为车载网络的一种使能技术。在这种情况下，我们首先考虑完整的文件缓存的情况下，每个车辆缓存和请求使用NOMA原则的整个文件。不失一般性，我们考虑了双Nakagami $-m$衰落条件下的两用户车载网络通信场景，并提出了一个最佳的功率分配策略。为此，制定和解决最大化在每个车辆处成功解码文件的总概率的优化问题。此外，我们考虑拆分文件缓存的情况，其中每个文件被分成两部分。提出了一个联合功率分配优化问题，研究了车辆间和缓存分割文件间的功率分配。所提供的分析结果证实了广泛的计算机模拟结果和有趣的见解。指示性地，它示出，建议的缓存辅助NOMA优于传统的NOMA技术。
2019-06-14 cs.IT eess.SP math.IT
Roadside IRS-Aided Vehicular Communication: Efficient Channel Estimation and Low-Complexity Beamforming Design
智能反射面（IRS）是一种很有前途的控制无线传播环境的技术，可以有效地提高通信性能。然而，在高移动性的通信场景中，如车辆通信的快速时变的信道使得它具有挑战性，以获得瞬时的信道状态信息（CSI）有效的IRS与大量的反射元件。在本文中，我们提出了一种新的路边IRS辅助车载通信系统来应对这一挑战。具体而言，通过利用道路两侧的IRS的交错等间隔的对称部署和附近的IRS控制器之间的合作，我们提出了一种新的两阶段信道估计方案，离线和在线训练，分别获得所提出的低复杂度的被动波束形成方案所需的静态/时变CSI有效。所提出的IRS波束成形和在线信道估计设计利用无线网络中现有的上行链路导频，并且不需要对现有传输协议进行任何改变。此外，它们可以由每个IRS控制器独立地实现，而不需要来自用户的服务BS的任何实时反馈。仿真结果表明，所提出的设计方案能够有效地获得较高的IRS无源波束形成增益，从而显著提高高速车载通信系统的通信吞吐量。
2023-02-15 cs.IT eess.SP math.IT
Non-Orthogonal Multiple Access with Wireless Caching for 5G-Enabled Vehicular Networks
联网车辆的激增以及对丰富多媒体服务的高需求构成了新兴5G车载网络的关键挑战。这些挑战包括但不限于高频谱效率和低延迟要求。最近，高速缓存使能网络与非正交多址接入（NOMA）的集成已被证明可以减少无线网络中的内容交付时间和流量拥塞。因此，在本文中，我们设想缓存辅助NOMA作为5G车载网络的技术促进者。特别是，我们提出了一个缓存辅助NOMA架构，它可以解决这些网络中的一些上述挑战。我们证明了所提出的架构，这在很大程度上取决于缓存的内容，显着优于传统的车载网络的频谱效率增益。最后，我们对挑战、机遇和未来的研究趋势提供了深入的见解，这些挑战、机遇和未来的研究趋势将使高速缓存辅助NOMA在支持5G的车载网络中的实际实现成为可能。
2020-01-20 cs.IT eess.SP math.IT
Inverse Learning assisted V2I Communication for Intent Based 6G ISAC Vehicular Networks
National Institute of Technology Calicut（卡利卡特国家技术学院）
针对6G车联网中集成感知与通信的RSU自主决策，提出逆学习方法推断其意图函数，实现V2I通信自适应波束分配等应用。
2026-06-12 eess.SP
Edge-Aided Sensor Data Sharing in Vehicular Communication Networks
Fraunhofer Institute for Transportation and Infrastructure Systems IVI（弗劳恩霍夫交通与基础设施系统研究所）；Technical University of Munich（慕尼黑工业大学）；Technische Hochschule Ingolstadt（英戈尔施塔特应用技术大学）
车辆网络中的传感器数据共享可以显著提高联网自动驾驶车辆的环境感知范围和准确性。已经开发了用于传感器数据的传播和融合的不同概念和方案。这些方案的共同点是传感器的测量误差损害感知质量，并可能导致道路交通事故。具体地，当来自传感器的测量误差（也称为测量噪声）是未知的并且是时变的时，数据融合过程的性能受到限制，这代表了传感器校准中的主要挑战。在本文中，我们认为传感器数据共享和融合的车辆网络，车辆到基础设施和车辆到车辆的通信。我们提出了一种名为双向反馈噪声估计（BiFNoE）的方法，其中边缘服务器收集并缓存来自车辆的传感器测量数据。该方法在双动态滑动时间窗内交替估计噪声和目标，以较低的通信代价增强了各车辆的分布式协同环境感知。我们评估所提出的算法和数据分发策略在一个应用场景中通过模拟和显示，感知精度平均提高了约80%，只有12 kbps的上行链路和28 kbps的下行链路带宽。
2022-06-17 cs.CV cs.MA eess.SP
Sensing-Aided Vehicular Beam Tracking: System Gain Over Link Feedback and Probe-Verified Sensing Invocation
Hanyang University（汉阳大学）；University of Oulu（奥卢大学）；Electronics and Telecommunications Research Institute (ETRI)（电子电信研究院）；University of Science and Technology (UST)（科学技术大学）
该研究针对车载波束跟踪问题，提出结合重扫、探针验证传感准入与黑名单退避的控制器，在多数场景下可减少模型调用，高创新场景下增益显著，传感效果取决于链路反馈及传感的准确性及时性。
2026-10-19 eess.SP
CAR-BRAINet: Sub-6GHz Aided Spatial Adaptive Beam Prediction with Multi Head Attention for Heterogeneous Vehicular Networks
Department of Electronics and Communication Engineering, National Institute of Technology Karnataka, Surathkal（电子与通信工程系，卡纳塔克国家理工学院，苏拉塔卡尔）
本文提出轻量级深度学习模型CAR-BRAINet，结合卷积神经网络与多头注意力机制，在模拟真实复杂场景的城市、乡村和高速公路数据集上实现了精确波束预测，频谱效率提升17.9422%，且无需依赖用户位置和天线信息。
2025-09-02 cs.AI cs.NI eess.SP
Joint Relay Selection and Beam Management Based on Deep Reinforcement Learning for Millimeter Wave Vehicular Communication
协作中继通过为数据传输提供多条路径来提高无线网络中的可靠性和覆盖范围。中继将在更高频段的车载网络中发挥重要作用，因为移动性和频繁的信号阻塞会导致链路中断。为了确保中继辅助车载网络的连通性，中继选择策略应被设计为有效地找到未阻塞的中继。受移动毫米波（mmWave）网络中波束管理的最新进展的启发，本文解决了这样一个问题：如何才能选择最好的中继与最小的开销从波束管理？在这方面，我们制定了一个顺序决策问题，以共同优化中继选择和波束管理。我们提出了一种基于深度强化学习（DRL）的联合中继选择和波束管理策略，使用波束索引和波束测量的马尔可夫特性。建议的DRL为基础的算法学习适应动态信道条件和业务模式的时变阈值。数值实验表明，该算法优于基线没有事先信道知识。此外，基于DRL的算法可以在快速变化的信道下保持高的频谱效率。
2022-12-19 eess.SP
Non-stationarity Characteristics in Dynamic Vehicular ISAC Channels at 28 GHz
针对 28 GHz 车载通感一体化场景，论文通过动态信道测量分析多感知方向的时变 PDP、RMSD 与非平稳特性，为 V2X ISAC 系统建模和设计提供实测依据。
2024-03-01 eess.SP
Sensing Aided Uplink Transmission in OTFS ISAC with Joint Parameter Association, Channel Estimation and Signal Detection
针对OTFS调制下ISAC车辆网络中感知参数难以与发射机关联的挑战，提出联合参数关联、信道估计与信号检测的双线性恢复方案及Bi-UAMP消息传递算法，数值结果验证其性能逼近理论界限。
2023-05-19 eess.SP
Simplified Temporal Convolutional-Based Channel Estimation for a WiFi Vehicular Communication Channel
Faculty of Engineering, North-West University（北西大学工程学院）；Centre for Artificial Intelligence Research（人工智能研究中心）；National Institute for Theoretical and Computational Sciences（理论与计算科学国家研究所）
针对IEEE 802.11p标准在高移动性场景下导频不足导致信道估计不准确的问题，提出一种基于简化时间卷积网络（DPA-TCN）的估计器，在混合信噪比数据集上训练，性能与LSTM-DPA-TA相当，但模型复杂度降低约65%。
2026-06-11 eess.SP
Machine Learning-Aided Cooperative Localization under Dense Urban Environment
针对密集城市中可靠测量缺失及集中式定位难以扩展的问题，本文提出机器学习增强的去中心化多车协同定位方法，并通过真实地图虚拟测试平台验证其可行性与性能增益。
2024-04-05 cs.IT eess.SP math.IT
Secure Vehicular Communications through Reconfigurable Intelligent Surfaces
可重构智能表面（Reconfigurable intelligent surfaces，RIS）是一种通过人工重构无线电波传播环境来提高无线系统性能的革命性技术。基于RIS在车辆网络中的应用潜力，本文分析了RIS辅助车辆通信的保密中断性能。更具体地，考虑两种车辆通信场景，即，车辆到车辆（V2V）通信，其中RIS充当中继器;以及车辆到基础设施（V2I）场景，其中RIS充当接收器。在这两种情况下，都存在被动窃听者试图检索传输的信息。推导并验证了保密中断概率（SOP）的闭式表达式。结果表明，在V2V和V2I通信的帮助下，RIS具有提高保密性的潜力。
2020-12-02 cs.SY eess.SP eess.SY
Reconfigurable Intelligent Surface Aided Vehicular Edge Computing: Joint Phase-shift Optimization and Multi-User Power Allocation
School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院）；Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University（清华大学电子工程系，北京信息科学与技术国家研究中心）；State Key Lab. of ISN and School of Telecommunications Engineering, Xidian University（西安电子科技大学信息与通信工程学院）；Department of Electrical and Computer Engineering, Hong Kong University of Science and Technology (HKUST)（香港科学与技术大学电气与计算机工程系）
针对车载边缘计算中障碍物导致通信链路恶化的问题，提出利用可重构智能表面辅助通信，并设计结合DDPG与MADDPG的深度强化学习框架，联合优化相移与功率分配，仿真验证其性能优于传统方案。
2025-06-18 cs.DC cs.LG cs.NI
Dynamic Power Allocation and Virtual Cell Formation for Throughput-Optimal Vehicular Edge Networks in Highway Transportation
本文从用户的角度研究了高速公路交通中的高移动车辆网络。特别地，引入了集中式软件定义架构，其中可以使用边缘服务器的锚节点（AN）来分配、编程和控制集中式资源。与传统网络不同，在传统网络中，典型的用户仅从一个接入点（AP）获得服务，在所提出的系统模型中，车辆用户同时从多个AP获得服务。虽然这增加了被辅助用户的可靠性和频谱效率，但也需要在所有传输时隙中进行精确的功率分配。因此，一个联合的用户关联和功率分配问题，制定实现增强的可靠性和加权用户和速率。然而，制定的问题是一个复杂的组合问题，非常难以解决。因此，细粒度的机器学习算法被用于有效地优化高度移动的车辆网络中的AP的联合用户关联和功率分配。此外，一个分布式的单智能体强化学习算法，即SARL-MARL，提出了获得几乎相同的基因辅助的最佳解决方案内的名义数量的训练集比基线的解决方案。仿真结果表明，该方案优于现有方案，可以达到基因辅助的最优性能。
2020-03-13 cs.NI cs.SY eess.SP
Channel-Adaptive Robust Resource Allocation for Highly Reliable IRS-Assisted V2X Communications
针对IRS辅助车联网中因多普勒频移导致的CSI不确定性，提出基于3GPP Mode 1架构的通道自适应鲁棒资源分配算法，通过分解问题并交替优化子问题，提升通信可靠性与效率，仿真验证其有效性。
2025-04-16 eess.SP
Vision-Aided Channel Prediction Based on Image Segmentation at Street Intersection Scenarios
Frontiers Science Center for Smart High-speed Railway System, Beijing Jiaotong University（北京交通大学智慧高铁系统前沿科学中心）
本文提出基于图像分割的视觉辅助信道预测模型，通过ResNet-32网络实现路径损耗、Rice K因子和时延扩展的准确预测，提升车载通信的信道预测性能。
2025-01-27 cs.IT eess.SP math.IT
A Deep Learning Approach to Location- and Orientation-aided 3D Beam Selection for mmWave Communications
位置辅助波束选择方法已被证明是实现高波束成形增益同时限制毫米波（mmWave）通信中的初始接入的开销和延迟的有效方法。然而，该领域的大多数研究都集中在车辆应用上，其中用户终端（UT）的方向大多固定在环境的每个位置处。本文提出了一种基于位置和方向的波束选择方法，以在UT可以在每个位置处采取任意方向的应用中实现基于上下文信息（CI）的波束对准。我们提出了三种不同的网络结构，具有不同数量的可训练参数，可用于不同的训练数据集大小。一个专业的三维光线跟踪工具被用来生成IEEE标准的室内场景的数据集。数值结果表明，所提出的网络优于CI辅助基准，如广义逆指纹（GIFP）方法以及分层波束搜索作为一种非CI为基础的方法。此外，与GIFP方法相比，所提出的基于深度学习的波束选择对训练和测试数据集中不同的视线阻塞概率具有更高的鲁棒性，对位置和方向信息的不准确性具有更低的敏感性。
2021-10-13 eess.SP
Intelligent Reflecting Vehicle Surface: A Novel IRS Paradigm for Moving Vehicular Networks
智能反射表面（IRS）由于其具有高光谱和高功率效率的潜力，近年来受到研究界的广泛关注。除了传统的蜂窝网络之外，还考虑了IRS在车辆网络中的使用。以前的IRS辅助车辆到一切通信的工作集中在沿道路的建筑物的立面上部署反射表面，以增强侧链路性能。本文超越了现有的技术水平，提出了一种新的范例创造的智能反射车辆表面（IRVS）。它在车辆表面嵌入大量反射元件，以帮助军事和紧急通信中的移动车辆网络。我们提出了一种替代的优化方法，以优化联合主动波束形成在基站和被动反射在多个随机分布的车辆表面。根据连续、离散和随机相移下的和频谱效率进行了性能评估。数值结果表明，IRVS可以大大提高移动车辆网络的容量。
2023-03-15 cs.IT eess.SP math.IT
Stop Line Aided Cooperative Positioning of Connected Vehicles
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）
提出了一种停车线辅助的互联车辆协同定位框架，利用停车线的位置信息，通过车对车（V2 V）通信实现交叉口场景下车辆自组网（VANET）的定位增强。首先，提出了一种基于停车线信息的首停车辆自定位校正方案，对GNSS/INS定位结果进行校正。然后，利用扩展卡尔曼滤波器（EKF）将每辆车的局部观测值与其他车辆的位置估计值和车间距离测量值进行融合。通过这种方式，第一个停止的车辆的好处扩展到整个VANET。这种协同惯性导航（CIN）框架可以大大提高VANET的定位性能。最后，在北京的实验结果表明了该停车线辅助协同定位框架的有效性.
2021-12-26 cs.RO eess.SP
Deep Learning-based Link Configuration for Radar-aided Multiuser mmWave Vehicle-to-Infrastructure Communication
按照传统的波束训练协议配置毫米波链路，如在当前蜂窝标准中提出的，引入了大的通信开销，特别是在信道高度动态的车辆系统中。在本文中，我们提出了使用无源雷达阵列来感测来自道路上的多个车辆的汽车雷达传输，以及一个雷达处理链，该雷达处理链提供有关道路基础设施和每个车辆之间的链路的候选波束的缩减集的信息。该先验信息可以稍后由波束训练协议利用以显著减少开销。雷达处理链估计雷达信号的定时和啁啾速率，通过滤除干扰雷达啁啾来隔离各个信号，并估计每个单独雷达传输的空间协方差。然后，使用深度网络将这些雷达空间协方差的特征转换为通信空间协方差的特征，通过学习雷达和通信信道之间的复杂映射，在视线和非视线设置中。将这种方法的通信速率和中断概率与穷举搜索和纯雷达辅助波束训练方法（没有基于深度学习的映射）进行比较，并在光线跟踪模拟的多用户信道上进行评估。结果表明：（i）所提出的处理链可以可靠地隔离各个雷达的空间协方差，以及（ii）基于深度学习的雷达到通信转换策略在LOS和NLOS信道中提供了比纯雷达辅助方法的显着改进。
2022-01-12 eess.SP
Beam Training in mmWave Vehicular Systems: Machine Learning for Decoupling Beam Selection
University of California, San Diego（加利福尼亚大学圣迭戈分校）；NC State University（北卡罗来纳州立大学）；Motorola Mobility（摩托罗拉移动）
针对高动态毫米波车载通信波束对重配置开销高的问题，提出基于机器学习的位置辅助解耦波束选择方法，量化解耦及位置分离的性能差距，验证了解耦方案在不同条件下的性能表现。
2024-04-16 cs.LG eess.SP
Learning-based Predictive Beamforming for Integrated Sensing and Communication in Vehicular Networks
研究了车辆到基础设施（V2 I）网络中的通感一体化（ISAC）问题。为了实现ISAC，一个有效的波束成形设计是必不可少的，然而，高度依赖于准确的信道跟踪的可用性，需要大量的训练开销和计算复杂度。受此启发，我们采用深度学习（DL）方法来隐式学习历史信道的特征，并直接预测下一个时隙将采用的波束成形矩阵，以最大化ISAC系统的平均可实现和速率。所提出的方法可以绕过显式信道跟踪过程的需要，并减少信令开销显着。为此，一般的和速率最大化问题与克拉美-罗下界（CRLB）为基础的传感约束，首先制定考虑ISAC系统考虑到多址接入干扰。然后，通过利用惩罚方法，一个通用的无监督DL的预测波束形成设计框架的开发，以解决制定的设计问题。作为所开发框架的实现，设计了基于历史信道的卷积长短期记忆（LSTM）网络（HCL-Net），用于基于ISAC的V2 I网络中的预测波束形成。具体而言，在所提出的HCL-Net中相继采用卷积和LSTM模块，以利用通信信道的空间和时间依赖性，进一步提高学习性能。仿真结果表明，该预测方法不仅保证了所需的感知性能，而且在获得理想的瞬时信道状态信息的情况下，获得了接近Genie辅助方案上界的和速率。
2022-04-26 eess.SP
Inertial Sensor Aided mmWave Beam Tracking to Support Cooperative Autonomous Driving
提出了一种基于毫米波（mmWave）的大规模多输入多输出（MIMO）车对车（V2V）通信中的惯性传感器辅助波束对准和跟踪技术。由于车辆场景中的定向通信受到波束指向问题的严重阻碍，因此必须定期执行波束对准过程以保证通信可靠性。当处理大规模多输入多输出链路时，已知波束扫描方法是耗时的，并且由于延迟约束而通常是不可行的。为了加快这个过程中，我们提出了一种方法，利用先验信息提供的阵列动态的惯性传感器上的收发器，以协助波束对准过程。所提出的惯性传感器辅助技术允许在发射时连续跟踪波束，避免频繁的重新对准阶段。基于收发器上加速度计的实际测量的数值结果表明，相对于传统的波束对准协议，V2V通信吞吐量方面有显着的增益。
2019-03-28 cs.IT eess.SP math.IT
ViWi Vision-Aided mmWave Beam Tracking: Dataset, Task, and Baseline Solutions
视觉辅助无线通信受到深度学习和计算机视觉的最新进展以及对毫米波（mmWave）和太赫兹系统中视线链路的日益依赖的推动。通过利用视觉，这一新的研究方向实现了一系列有趣的新功能，例如视觉辅助毫米波波束和阻塞预测、主动切换和资源分配等。这些功能有可能可靠地支持高度移动的应用，例如车辆/无人机通信以及毫米波和太赫兹系统中的无线虚拟/增强现实。然而，研究这些有趣的应用程序需要开发特殊的数据集和机器学习任务。基于Vision-Wireless（ViWi）数据集生成框架[1]，本文开发了一个先进而现实的场景/数据集，具有多个基站，移动用户和丰富的动态。在此数据集的支持下，本文定义了视觉无线毫米波波束跟踪任务（ViWi-BT），并提出了一个基线解决方案，可以为未来的ViWi-BT算法提供初始基准。
2020-02-13 cs.IT eess.SP math.IT
Predictive Beamforming for Integrated Sensing and Communication in Vehicular Networks: A Deep Learning Approach
综合感知和通信（ISAC）的实现高度依赖于利用准确的瞬时信道状态信息（ICSI）的有效波束成形设计。然而，ISAC中的信道跟踪需要大量的训练开销和过大的计算复杂性。为了解决这个问题，在本文中，我们专注于ISAC辅助的车辆网络，并利用深度学习方法来隐式地学习历史信道的特征，并直接预测下一个时隙的波束成形矩阵，以最大化系统的平均可实现的和速率，从而绕过显式信道跟踪的需要，以减少系统信令开销。为此，一般的和速率最大化问题与克拉美-罗下限为基础的传感约束，首先制定所考虑的ISAC系统。然后，基于历史信道的卷积长短期记忆网络被设计用于预测波束形成，该网络可以利用通信信道的空间和时间依赖性来进一步提高学习性能。仿真结果表明，该方法能够满足检测性能要求，且在ICSI条件下，其总速率接近Genie辅助方案的上界。
2022-02-08 cs.IT eess.SP math.IT
Target Detection for OTFS-Aided Cell-Free MIMO ISAC System
本文针对OTFS辅助的无蜂窝MIMO ISAC系统，提出以感知为中心的功率分配方案，在保障通信QoS和AP功率预算下最大化感知SNR，显著优于以通信为中心的方法。
2024-08-23 cs.IT eess.SP math.IT
Successive Pose Estimation and Beam Tracking for mmWave Vehicular Communication Systems
National University of Singapore（国立新加坡大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Southern University of Science and Technology（南方科技大学）；Queen Mary University of London（伦敦女王玛丽大学）；The University of Hong Kong（香港大学）
针对高移动性车载毫米波通信的波束训练开销问题，提出结合Fast-CFEAR位姿估计与扩展卡尔曼滤波的SPEBT方案，可在极端/GNSS拒止环境下实现高精度波束跟踪，将波束训练开销平均降至5%以下。
2023-08-05 cs.RO eess.SP
Radar Aided 6G Beam Prediction: Deep Learning Algorithms and Real-World Demonstration
本文介绍了第一个基于机器学习的真实世界的演示雷达辅助波束预测在一个实际的车辆通信场景。在通信终端处利用雷达传感数据提供了关于发射器/接收器位置和周围环境的重要意识。这种感知可以用于减少甚至消除毫米波（mmWave）和亚太赫兹（THz）MIMO通信系统中的波束训练开销，这使得能够实现广泛的高移动性低延迟应用。在本文中，我们为毫米波/亚太赫兹系统开发了基于深度学习的雷达辅助波束预测方法。所开发的解决方案利用雷达信号处理的领域知识来提取馈送到学习模型的相关特征。这优化了它们的性能、复杂性和推理时间。使用大规模真实世界数据集DeepSense 6 G评估了所提出的雷达辅助波束预测解决方案，该数据集包括共存的毫米波波束训练和雷达测量。除了完全消除雷达/通信校准开销外，实验结果表明，所提出的算法能够实现约$90\%$ top-5波束预测精度，同时节省$93\%$的波束训练开销。这突出了解决毫米波/太赫兹通信系统中波束管理开销挑战的有希望的方向。
2021-11-18 cs.IT eess.SP math.IT
LIDAR and Position-Aided mmWave Beam Selection with Non-local CNNs and Curriculum Training
EURECOM（欧洲通信系统研究院）；University of Surrey（萨里大学）；Imperial College London（帝国理工学院）
由于毫米波波束宽度窄和用户移动性高，车辆到基础设施（V2 I）通信中的有效毫米波（mmWave）波束选择是一项关键但具有挑战性的任务。为了减少迭代波束发现过程的搜索开销，来自安装在车辆上的光检测和测距（LIDAR）传感器的上下文信息已经被数据驱动的方法利用以产生有用的辅助信息。在本文中，我们提出了一个轻量级的神经网络（NN）架构以及相应的激光雷达预处理，显着优于以前的作品。我们的解决方案包括多个创新，提高了收敛速度和模型的最终精度。特别是，我们定义了一个新的损失函数的启发知识蒸馏的想法，介绍了利用视线（LOS）/非视线（NLOS）信息的课程训练方法，我们提出了一个非本地注意力模块，以提高性能更具挑战性的NLOS的情况下。在基准数据集上的仿真结果表明，仅利用LIDAR数据和接收机位置，我们的基于NN的波束选择方案可以实现79.9%的吞吐量的穷举波束扫描方法，而无需任何束搜索开销和95%的搜索少至6个波束。在典型的毫米波V2 I场景中，与逆指纹识别和分层波束选择方案相比，我们提出的方法大大减少了实现期望吞吐量所需的束搜索时间。
2021-11-17 cs.IT cs.LG eess.SP
Collaborative Driving: Learning- Aided Joint Topology Formulation and Beamforming
目前，自动驾驶汽车能够根据从真实环境中数百万行驶里程中了解到的驾驶策略来更自然地驾驶。然而，进一步提高车辆的自动化水平是一项具有挑战性的任务，特别是在多车辆协作的情况下。在最近关于6 G的热烈讨论中，毫米波（mmWave）和太赫兹（THz）频带被认为在新的无线电通信架构和算法中发挥重要作用。为了在6 G中实现可靠的自动驾驶，在本文中，我们设想了协同自动驾驶，这是一种新的框架，可以联合控制驾驶拓扑并在mmWave/THz频段制定车辆网络。作为一种群体智能系统，协同驾驶方案在安全性和效率方面超越了现有的基于单车智能的自动驾驶模式。通过有效的数据共享，该框架能够实现协作感知和负载均衡，从而在节省计算资源的同时提高感知效率。为了应对协同驾驶框架中的新挑战，我们进一步说明了基于毫米波/太赫兹的车对车（V2 V）通信的两种有前途的方法。最后，我们讨论了几个潜在的开放式研究问题，建议的协同驾驶计划。
2022-03-18 cs.NE eess.SP
LiDAR-Aided Mobile Blockage Prediction in Real-World Millimeter Wave Systems
视线链路阻塞是毫米波（mmWave）和太赫兹（THz）通信网络的可靠性和延迟的关键挑战。本文提出利用LiDAR传感数据来提供对通信环境的感知，并在动态链路阻塞发生之前主动预测它们。这允许网络对切换/波束切换做出主动决策，这增强了其可靠性和延迟。我们制定了激光雷达辅助阻塞预测问题，并提出了第一个现实世界的演示激光雷达辅助阻塞预测毫米波系统。特别是，我们基于DeepSense 6 G结构构建了一个大规模的真实世界数据集，其中包括户外车辆场景中共存的LiDAR和mmWave通信测量。然后，我们开发了一种有效的LiDAR数据去噪（静态聚类去除）算法和一种机器学习模型，可以主动预测动态链路阻塞。基于真实世界的数据集，我们的激光雷达辅助方法被证明在100 ms内预测堵塞发生的准确率达到95%，在1秒内预测堵塞发生的准确率超过80%。如果用于主动切换，所提出的解决方案可以潜在地提供网络延迟的数量级节省，这突出了解决毫米波/亚太赫兹网络中的阻塞挑战的有希望的方向。
2021-11-18 cs.IT eess.SP math.IT
A Multi-Modal Simulation Framework to Enable Digital Twin-based V2X Communications in Dynamic Environments
本文提出一种多模态仿真框架，结合数字孪生与射线追踪，生成真实传感器数据和毫米波信道，用于动态V2X场景中的阻塞切换与链路恢复。
2024-07-17 cs.LG cs.NI eess.SP
Transforming Fading Channel from Fast to Slow: Intelligent Refracting Surface Aided High-Mobility Communication
智能反射/折射表面（IRS）是近年来出现的一种很有前途的解决方案，以重新配置无线传播环境，以提高通信性能。在本文中，我们研究了一种新的IRS辅助高移动性通信系统，采用智能折射表面与高速车辆，以帮助其乘客与远程基站（BS）的通信。由于环境的随机散射和车辆的高移动性，一个快速时变的信道通常会导致之间的静态BS和快速移动的IRS/用户，这使得信道估计IRS与大量的元素更具挑战性。为了获得高IRS无源波束形成增益与低信道训练开销，我们提出了一种新的和有效的传输协议，以实现IRS信道估计和折射优化的数据传输。具体地，通过利用以相同的高速移动的IRS和用户之间的准静态信道以及BS和IRS之间的视线（LoS）主导信道，用户首先估计级联的BS-IRS-用户信道的LoS分量，基于该LoS分量，设计IRS无源折射以最大化对应的IRS折射信道增益。然后，用户估计所得到的IRS折射信道以及非IRS折射信道，以在所有IRS折射元件处设置附加的公共相移，从而对准这两个信道，以最大化用于数据传输的总信道增益。仿真结果表明，所提出的设计相比，各种基准计划的性能显着改善。建议的车载IRS系统进行了进一步的比较，部署在路边的固定智能反射表面的基线方案，以协助高速车辆通信，实现显着的速率提高。
2021-12-13 cs.IT eess.SP math.IT
Explainable AI-aided Feature Selection and Model Reduction for DRL-based V2X Resource Allocation
Koc University（科克大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出一种基于可解释AI的两阶段框架，用于简化多智能体深度强化学习在V2X资源分配中的特征与模型，在保持97%性能的同时减少28%特征、11%训练时间和46%参数。
2025-01-23 cs.AI cs.LG cs.MA
Plane Constraints Aided Multi-Vehicle Cooperative Positioning Using Factor Graph Optimization
School of Electronic and Information Engineering, Beihang University（北京航空航天大学电子信息工程学院）
本文提出一种平面约束辅助的多车辆协同定位方法，利用车辆位置构建道路平面约束，结合因子图优化与GNSS和测距数据，以抵抗测距中断，提升定位性能。
2023-10-10 cs.RO cs.SY eess.SP
Intelligent Surface Empowered Sensing and Communication: A Novel Mutual Assistance Design
针对车载网络中车辆回波信号微弱影响精确定位的问题，提出配备智能表面车辆的互助方案，通过感知辅助相移设计与通信辅助高精度感知实现共赢，并推导闭式表达式、提出基于多块的最优算法，显著扩大了感知与通信的性能折中边界。
2023-05-21 cs.IT eess.SP math.IT
Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks
School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院）；Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University（清华大学电子工程系，北京信息科学与技术国家研究中心）；State Key Lab. of ISN and School of Telecommunications Engineering, Xidian University（西安电子科技大学信息与通信系统国家重点实验室及电信工程学院）；School of Engineering, University of Kent（肯特大学工程学院）；Department of Electrical and Computer Engineering, the Hong Kong University of Science and Technology (HKUST)（香港科技大学电子与计算机工程系）
本文提出一种基于SAC深度强化学习的RIS辅助车联网资源分配与相移控制方案，以最小化V2I链路信息年龄并优先V2V传输，仿真验证其性能优于PPO、DDPG、TD3等算法。
2025-06-19 cs.DC cs.LG cs.NI
