车载毫米波网络中IRS辅助的多跳V2V链路选择

多跳车辆与车辆(V2V)通信可以有效改善车载毫米波网络的连通性和覆盖范围,但是多跳转发会带来时延开销。智能反射面(IRS)可以提供反射增益以补偿远距离传输的高路径损耗,从而增加单跳传输距离,减少转发跳数。利用IRS辅助多跳V2V通信,能够减少转发跳数,降低时延开销。针对现有链路选择机制大多忽略转发车辆之间资源和信号冲突的问题,为车载毫米波网络中IRS辅助的多跳V2V通信提出一种基于向前转发效率和空间复用时分多址接入(FE-STDMA)的链路选择机制。综合转发距离、链路质量和传输时间评估候选链路的向前转发效率,将其作为链路选择的依据。在链路选择中利用空间复用实现并发传输,通过时分接入缓解转发资源冲突问题,从而最大化网络资源利用率。仿真结果表明,FE-STDMA机制的多跳时延相比于NFP机制平均降低49.88%,交付率远高于MFR和RFP机制,相比于NFP机制平均提高11.11%。与常用链路选择机制相比,FE-STDMA机制可在保证交付率的同时大幅改善多跳时延。

复杂地形条件下多AIRS辅助角度域AoA定位方法

作为6G通信的一项关键技术,智能反射面(Intelligent Reflecting Surface,IRS)在增强覆盖、降低能耗及部署成本方面,为业界提供了一种新的解决方案。近年来,IRS已成为业界的研究热点之一。为了适应6G通信定位一体化的需求,在辅助无线通信的同时利用IRS进行目标点定位成为新兴热点研究方向之一。研究复杂地形条件下多空域IRS(Aerial IRS,AIRS)辅助的角度域Ao A定位,针对不同信道条件下级联信道角度域特性,提出了一种基于DFT变换的多AIRS择优算法,在复杂地形条件下选择最优的AIRS定位目标点,从而进一步提高定位精度。仿真实验结果表明,在复杂地形条件下所提出的算法可以进一步提升定位精度。

面向RIS-mmWave系统的机器学习辅助高效波束训练及信道估计方法

面向B5G及6G无线通信系统的高速无线信息传输,本文研究了智能超表面辅助毫米波(RIS-mmWave)系统的高效能波束训练及信道估计方法。特别地,基于RIS-mmWave波束管理及有效信道获取的内生关联性,本文创新性地提出一种机器学习辅助的RIS-mmWave系统高效波束训练及信道估计方法。具体而言,在第一阶段,设计了一种新颖的半监督学习模型,实现位置信息辅助的在线快速波束训练,并且免估计地直接获取粗略角度域信息以驱动精细化信道估计;在第二阶段中,提出半监督学习辅助的压缩感知级联信道估计算法,利用半监督学习模型直接输出的粗略角度域信息驱动块正交匹配追踪算法进行信道估计。仿真结果表明,所提波束训练及信道估计方法在系统开销和信道估计误差等方面的性能均优于代表性参考方案。