智能工厂中的5G通信室内路径损耗建模的元学习方法 Pei Wang Hyukjoon Lee

可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8（2022）290www.elsevier.com/locate/icte智能工厂中5G通信室内路径损耗建模的元学习方法Pei Wang，Hyukjoon Lee韩国首尔光云大学计算机工程系接收日期：2021年9月15日;接收日期：2021年12月20日;接受日期：2022年1月6日2022年1月17日在线提供摘要随着人们对基于毫米波（mmWave）通信的公共和私人5G服务的兴趣日益增长，现场设计专家正在寻求模拟室内无线电覆盖的复杂方法和工具 基于高度精确的路径损耗预测模型。尽管机器学习方法可以用于路径损耗建模，但由于高度准确的预测能力，它们的性能可能受到用于训练的可用测量数据集的大小的限制。在本文中，我们提出了在智能工厂的少数学习场景中训练路径损耗模型的新方法。所提出的方法基于元学习，并进行了轻微修改，以对整个训练数据集而不是元测试数据集进行微调。它的室内路径损耗模型的卷积神经网络（CNN）训练的元学习的基础上，三个不同的元训练任务分配方案优于传统的CNN模型和经验模型。版权所有© 2022作者。出版社：Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：毫米波;智能工厂;路径损耗建模;元学习;深度学习1. 介绍28 GHz频段的毫米波（mmWaves）已被韩国、美国和日本选择用于第五代（5G）通信[1]，其特殊使用场景包括智能制造、自动驾驶的C-ITS和体育场内的体育比赛广播。由于毫米波信道特性的不稳定性，路径损耗建模作为基站优化规划和配置的重要因素路径损耗模型有三种类型：经验模型、确定性模型和基于机器学习的模型。用于室内预测的一些示例是诸如近距离（CI）自由空间参考距离模型、浮动截距（FI）模型和这些模型使用具有几个参数的多个方程将路径损耗量定义为强度和环境参数的函数，所述参数包括发射器（Tx）与接收器（Rx）之间的距离、*通讯作者。电子邮件地址：wangpei@kw.ac.kr（P. Wang），hlee@kw.ac.kr（H.Lee）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2022.01.003由于它们没有考虑建筑物内部布局，因此它们在实践中不能足够接近地对室内路径损耗进行建模。确定性模型，如光线跟踪模型，可以在室内场景中实现良好的性能。然而，它们需要详细的建筑布局信息和建筑材料的介电特性[3]。机器学习作为一种替代方法已经得到普及，以基于训练数据来构建具有高度准确的预测能力的路径损耗模型，即使当关于特定传播环境的详细信息不可用时。据报道，在许多情况下，机器学习模型的预测精度和计算效率可以分别高于经验模型和确定性模型[4机器学习模型的基本限制之一是它们需要足够量的训练数据，这在实践中通常无法实现。智能工厂就是一个很好的例子，内部空间挤满了巨大而危险的制造机器。由于制造机器24/7全天候运行，收集用于培训的测量数据通常很困难。此外，在智能工厂内可能很少有地方设置用于测量的基站。这些不友好的测量条件2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。P.Wang和H. 李ICT Express 8（2022）290291表1Tx和Rx信息。参数频率传输Tx高度Rx高度（千兆赫）功率（dBm）（米）（米）值2832.52.451.5图1.一、C N N 的结构。图二、 局部区域多扫描图像生成的说明。导致机器学习的训练数据数量不足。少样本学习是指需要少量训练数据的机器学习方法。Meta- learning已经被提出作为一个框架来解决少数学习的挑战[7]。元学习的主要特征之一是基于任务的训练。这很好地适用于毫米波通信的室内路径损耗建模，其中多个任务对应于多个波束、工作区域或Tx-Rx范围。提出了一种基于元学习的mmWave室内路径损耗建模方法。据我们所知，在基于元学习的毫米波路径损耗建模中还没有以前的工作2. 相关工作经验路径损耗模型使用具有包括Tx和Rx之间的距离、Tx的频率等的几个参数的多个方程将路径损耗量定义为强度和环境参数的函数。特定的传播环境，以便确定路径损耗相关参数（T-R分离、工作频率等）之间的统计关系。FI模型是室内路径损耗预测中经常使用的经验模型的一个例子[2]，由3GPP和WINNER推荐二.尽管这些模型简单且计算效率高，但它们在预测准确性方面是有限的，因为它们没有考虑详细的室内传播效应，例如墙壁穿透、反射、散射、衍射和墙壁的NLOS损耗因子。光线跟踪是最流行的确定性方法之一，它可以模拟真实的光影效果。该方法可用于模拟从Tx到Rx发射的射线，并获得接收功率、路径增益、路径损耗等结果[4]。光线跟踪模型的预测精度取决于传播环境的详细参数值的可用性，例如反射系数。生成的光线越多，可以获得的渲染细节就越精细，但显然以更大量的计算为代价。与经验模型相比，射线追踪模型包含更多的因素，可以模拟所有的射线路径，从而可以推导出每个Rx的路径损耗的组成。然而，光线追踪缺乏计算效率，并且一旦添加新的Rx，就必须重复耗时的计算过程机器学习路径损耗模型不同于上述方法.大多数基于机器学习的路径损耗模型的重要部分是训练。训练的质量直接决定了预测的准确性。监督机器学习算法，如随机森林，人工神经网络和卷积神经网络，能够在训练模型后执行回归。基于机器学习的模型在训练阶段的计算量也很大。然而，一旦模型被训练，我们就可以多次加载训练好的模型，并直接使用它，而无需重新训练。文献中存在许多基于机器学习的路径损耗模型，但现有的工作都不是针对智能工厂中的28 GHz的。3. 基于元学习的3.1. CNN模型与元学习CNN专门设计用于处理2D形状的可变性，已被证明优于其他技术[8]。CNN可以被训练来自动提取特征，以根据以前看不见的输入数据进行预测。我们的CNN模型包括三个卷积层和一个全连接（FC）层。每个卷积之后是批量归一化和ReLU激活函数。Leaky ReLU在卷积层和FC层中都被用作激活函数。每个卷积层的滤波器大小和步长分别为（3，3）和2。FC层中的神经元数量为75和1。CNN的输入数据是下面描述的局部区域多扫描（LAMS）图像。T-R分离也用作FC层的输入。输出是预测的路径损耗值。图1提供了我们工作中使用的CNN架构的说明。元学习具有快速学习新任务的能力，基于现有知识的少量数据。一元学习的主要特征之一是它是基于任务的方法，即， 培训过程以任务为基础。P.Wang和H. 李ICT Express 8（2022）290292表2每个任务分配方案（TAS）的数据数TAS束工作区域距离任务束数据数量工作区域数据数量距离（m）数据数量11241540–1039222524410–20116334934020–3093444343630–4070555754040–5075666365550–6086776273660–7058883189499–161839138Reptile是一种元学习方法，它可以在元训练任务中找到一个通用的初始化，并使用它来快速适应新任务。Reptile在元学习中使用最短下降算法[9]。它的计算复杂度低于计算二阶导数的模型不可知元学习（MAML）。与其他Meta学习方法相比，Reptile易于应用，并且不需要为每个任务划分训练测试。所提出的元学习方法训练CNN以用于室内毫米波传播的路径损耗建模，其中对Reptile进行轻微修改，使得元测试对应于通过微调在整个训练集上训练路径损耗模型。换句话说，学习的CNN参数不用作新任务的初始参数值，而是用于微调相同的整个元训练任务。修改后的Reptile算法如下所示：在算法1中，φ表示模型的参数，Lt是损失，k是优化器的步长，σ和是学习率。本文采用Reptile风格的训练方法，其中，对训练用于学习单个任务的元学习器的参数φ进行微调（即，通过使用整个训练数据集而不是另一个任务的训练数据集（元测试）来进一步训练）。以这种方式，期望元学习者模型具有更高的机会来达到预测的路径损耗值的误差函数的全局最小值。3.2. 任务分配方案我们提出了三种不同的元列车任务分配方案，即，基于波束、基于距离和基于工作区域的方案。我们采用分而治之的策略，将问题分解成小而容易解决的部分，然后反复组合它们以获得最终解决方案。每一小块都将产生自己的模型，这些模型可以通过微调过程进行组合和最终确定。本文提出了三种不同的任务分配方案基于波束的方案利用了5G毫米波多波束技术造成的测量数据分区。每个测量数据与波束ID相关联，波束ID可以用于确定对应的分区。测量数据的分区的子集可以在元训练中使用，而其余分区可以在测试中使用。基于距离的方案根据Tx-Rx距离的范围分配元任务，Tx-Rx距离是所有路径损耗模型的主要参数。在[5]中，有人提到，即使使用距离输入神经元，vanilla CNN训练算法也经常产生距离不变的路径损耗模型。预期Tx-Rx距离值对CNN模型的影响可以通过不同Tx-Rx距离范围的多个任务更好地学习。在智能工厂中，各种机器和设备可以根据制造程序放置在集群和工作区域中。由于跨集群的机器和设备的各种材料和形状，这可能导致在衰减、反射、散射等方面的许多不同的因此，每个工作区域可以被视为一个元任务，并根据其区域边界内的测量数据单独进行训练。在第4节中，我们给出了表2，该表根据三种任务分配方案总结了任务分配和测量数据的分布。3.3. 输入图像综合局部区域多扫描（LAMS）包括图1所示的Tx和Rx之间的感兴趣区域。二、给定Tx点和Rx点的坐标，我们可以在平面图中定位这两个点接下来，我们做一条线段lTRP.Wang和H. 李ICT Express 8（2022）290293××图3.第三章。 智能工厂和工作区。见图4。 TAS三种模型的绝对误差。(a)基于波束的TAS：每10 m的平均绝对误差。(b)按工作区分列的TAS：平均绝对值误差为每10米。工区试验数据均来自9工区，T-R间隔从10 m开始。(c)基于距离的TAS：平均绝对值每米的误差。当任务编号2（10-20米）和6（50-60米）用于测试时，元学习者提供了良好的表现，这就是为什么（c）不 包括0-10米、20-50米和60-70米绝对误差其连接Tx和Rx，并且找到分别通过Tx和Rx并且垂直于lTR并被lTR平分的线段lT和lR。lT和lR的长度是预先确定的。那么，我们感兴趣的地方就很清楚了。在这个区域中，我们以相等的间隔选择指定数量的像素并保存它们。最后，我们需要将图像调整为固定大小的正方形[10]。4. 实验及结果4.1. 实验装置我们实验中使用的路径损耗环境是一个规模为86.8米的智能工厂28.7 M4米，如图所示图3 .第三章。在（12.9，8.1）处设置作为Tx操作的基站（由黑色包围的白色圆圈示出），并且在总共537个位置处进行RSS测量。图中的圆圈。3表示Rx位置，其中填充的颜色指示路径损耗值。Tx是有源天线单元（AAU）基站，其包括通过大规模MIMO技术实现波束成形的天线阵列。使用波束形成作为关键技 术来形成多个波束。Rx 是用户设备（UE）。与Tx和Rx相关的参数是在表1中列出。Tx在略微不同的方向上同时发射16个波束，Rx存储16个接收信号强度（RSS）值中的最大值和每个测量位置处的波束ID。基于波束ID，获得了适合于元学习的16个不相交的测量数据子集具体地，波束1至波束8的测量数据用于元训练任务，波束9至波束16用于元测试。这两组数据主要收集在工厂车间的上半部分和下半部分，覆盖了更广泛的传播特性。相同的测量数据通过上述基于工作区域的任务分配方案被划分为九个元训练集（参见图1B）。3）。任务9的测量数据子集不仅覆盖了广泛的传播特性，而且覆盖了整个数据的约25.9%对于基于距离的任务分配方案，整个工厂空间被以基站为中心的半径为10米的间隔划分。这导致元列车的测量数据的总共七个子集。使用任务编号2（10-20 m）和6（50- 60 m）对应的数据子集P.Wang和H. 李ICT Express 8（2022）290294σσ图五、基 于 距离的整个楼层的路径损耗预测结果。在（a）中可以清楚地注意到，通过FI模型的路径损耗的主导因素是TR分离，而在（b）中出现路径损耗预测结果受到其他因素的影响，例如由每排机器后面的突然变化所示的障碍物。预测结果表明，（c）中的模型表明，已成功学习了LOS/NLOS和单个机器的影响。这意味着元学习算法，基于距离的划分方案可以集中于学习各种路径损耗因子，而不管Tx和Rx之间的距离表3每个TAS的RMSE（dB）。TAS束工作区域距离CNN与元学习4.725.154.58香草CNN5.355.465.01FI模型5.895.805.90整个数据的37.6%，涵盖了预测的内插和外推两种情况表2列出了这些方案中收集的数据数量。所提出的方法的性能，即，通过元学习训练的CNN与传统方法、普通CNN模型和FI模型进行了比较超参数被指定为与用于元训练的CNN相同的值。FI模型是室内路径损耗预测中经常使用的经验模型的一个例子[2]。FI模型如下：PLFI （ d ）[dB]=α+10βlog （ d ） +χFI ，（1）其中d是Tx和Rx之间的距离，α是路径 由测量数据确定的损失补偿，以及β是路径损耗指数。χFI是具有标准差σ的零均值高斯随机变量，作为阴影衰落项。最小二乘曲线拟合方法涉及求解α和β以最小化σ。α、β和σ分别为87.15、1.67和2.474.2. 结果图4（a）和（b）以递增顺序显示了两种不同任务分配方案中每个模型相对于10 m距离的T-R间隔的绝对误差。我们使用这种风格的可视化，因为测量数据不仅在T-R分离值中分布不均匀，而且路径损耗值在同一范围内也变化很大。这主要是由于在相似的距离但在不同的位置存在多个测量。可以注意到，具有元学习的CNN模型在大多数情况下优于FI模型和vanilla CNN模型，除了20-30 m和40- 30m之外。当使用基于波束的任务分配方案时为50 m，而当使用基于工作区域的方案时为10-20 m和30-40 m。当任务编号2（10-20 m）和6（50-60 m）用于基于距离的测试方案时，元学习器提供了良好的性能P.Wang和H. 李ICT Express 8（2022）290295每个仪表如图4（c）所示。表3总结了三种任务分配方案下三种模型的平均性能。该模型具有最低的RMSE值约4.58 dB。可以很容易地注意到，具有元学习的CNN和普通CNN模型都优于FI模型，这要归功于它们能够学习提取路径损耗环境的特征，从而可以基于训练数据近似底层路径损耗函数。Vanilla CNN模型的性能优于经验模型，但不如所提出的模型。在整个平面图中给出了三种模型的基于距离的路径损耗预测的图形说明。 五、5. 结论和今后的工作在本文中，我们介绍了一种新的路径损耗预测模型，称为CNN模型与元学习，并将其性能与vanilla CNN模型和FI模型进行了比较。我们展示了通过所提出的元学习方法训练的CNN模型可以为mmWave做出高度准确的路径损耗预测，即使是在少量学习的室内场景中，例如使用5G通信的智能工厂。对于未来的研究，我们考虑不同的传播环境，如体育场，大型购物中心以及密集的城市地区。CRediT作者贡献声明王培：概念化，方法论，软件，验证，形式分析，调查，数据管理，写作-初稿，写作-评论编辑，可视化.Hyukjoon Lee：概念化，方法论，验证，形式分析，调查，资源，写作– review竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认本研究得到MSIT的支持，由IITP监督的国家软件卓越计划（编号2017-0-00096）和2021年Kwangwoon大学的研究资助。作者感谢LG U+的Jeongho Yun先生和Seonuk Han先生提供测量数据。引用[1] K. Sakaguchi等人，毫米波在5G中的使用地点、时间和方式等，IEICETrans.Electron.E100C（10）（2017）790http://dx.doi.org/10.1587/TRANSELE.E100.C.790[2] S. Sun，G.R. T.S. MacCartney Rappaport，室外和室内5G系统的毫米波距离相关的大规模传播测量和路径损耗模型，2016年第10届欧洲无线电和传播会议（EuCAP），2016年，第10页。1//dx.doi.org/10.1109/EuCAP.2016.7481506网站。[3] Z. Yun，M.F. Iskander，Ray-tracing for radio propagation modeling：Principles and applications，IEEE Access 3（2015）1089//dx.doi.org/10.1109/ACCESS.2015.2453991网站。[4] Y. Zhang，J. Wen，G.杨，Z.他，X。Luo，城市环境下基于机器学习 方 法 的 空 对 空 路 径 损 耗 预 测 ， 无 线 通 信 与 移 动 计 算 2018（2018）http：//dx.doi.org/10.1155/2018/8489326网站。[5] H. Cheng，S. Ma，H.基于Lee，CNN的毫米波路径损耗建模对于郊区场景中的固定无线接入，参见IEEE ECORNAs and WirelessPropagation Letters 19 （ 10 ） （ 2020 ） 1694 http://dx.doi 。org/10.1109/LAWP.2020.3014314。[6] H. Cheng，S. Ma，H.李，M。Cho，使用深度学习与扩张卷积和注意力的5G通信的毫米波路径损耗建模，IEEE Access 9（2021）62867http://dx.doi.org/[7] C. Finn ， P. Abbeel ， Sergey.Levine ， Model-agnostic meta-learningfor fast adaptation of deep networks，收录于：Proceedings ofthe 34 thInternational Conference on Machine Learning-2017年7月70日，JMLR。org，2017，pp. 1126-1135.[8] Y.莱昆湖，澳-地博图湾，巴西-地Bengio，P. Haffner，基于一致性的 学 习 应 用 于 文 档 识 别 ， Proceedings of the IEEE 86 （ 11 ）（1998）2278http://dx.doi.org/10.1109/5.726791[9] A. Nichol ， J. Schulman ， Reptile ： A scalable meta-learningalgorithm，2018，arXiv预印本arXiv：1803.02999。[10] S. Ma，H. Cheng，H. Lee，基于深度学习的室内路径损耗建模的实用 方 法 ， 计 算 科 学 与 工 程 杂 志 15 （ 2 ） （ 2021 ） 84http://dx.doi.org/10.5626/JCSE.2021。84年2月15日