Kehittynyt 5G-verkon optimointi: AI/ML ja anturiohjattu säteen ohjaus energian optimoinnilla

Viidennen sukupolven (5G) tietoliikenneverkkojen käyttöönoton myötä tiedonsiirtonopeudet ovat korkeat, latenssi on alhainen ja liitettävyys on laaja verrattuna aikaisempiin sukupolviin. Tällaisten edistysten pohjalta tulevaisuuden verkot tutkivat valtavia MIMO-teknologioita ja uusia työkaluja, kuten tekoälyä (AI), koneoppimista (ML), integroitua tunnistusta ja erittäin tiheiden verkkojen käyttöönottoja, kuten solujen massiivinen MIMO.

Tekoäly ja koneoppiminen voivat vähentää säteen mittauksen ja raportoinnin kustannuksia. Nykyinen tekoälyn ja koneoppimiseen perustuvan säteenhallinnan tutkimus keskittyy kuitenkin pääasiassa säteen ennustustarkkuuden parantamiseen, vaikka myös järjestelmätason suorituskyvyn arviointi on tärkeää. Tässä tutkimuksessa tekoälyyn ja koneoppimiseen perustuvaa säteen hallintaa arvioidaan integroimalla koulutetut mallit järjestelmätason simulaattoriin, joka analysoi spatiaalisen ja aika-alueen ennusteen suorituskykyä. Tulokset osoittavat, että käyttäjälaitteet, joissa on vahvat kanavaolosuhteet, voivat alentaa mittauskustannuksia jopa 75% ilman merkittävää suorituskyvyn heikkenemistä. Lisäksi solun reunalla olevat käyttäjät kokevat vain pienen suorituskyvyn heikkenemisen.

Laitteet, kuten kamerat ja valontunnistus- ja etäisyysanturit (LiDAR) antavat paremman kuvan tulevaisuuden verkoista, sillä ne antavat tärkeitä tietoja, kuten käyttäjien sijainnit ja esteet. Väitöskirjan seuraavassa osiossa esitellään useisiin LiDAR-antureihin perustuva menetelmä käyttäjän tarkkaan paikantamiseen sekä menetelmä näköetäisyyden (LOS) siirtymien ennustamiseen ja esteiden ennustamiseen jopa 400 ms etukäteen. LiDAR-antureilta saatujen tietojen perusteella AI/ML-pohjainen säteenohjausmalli aktivoidaan tai deaktivoidaan, jotta vältetään suorituskyvyn heikkeneminen solun reunalla.

Toisaalta soluttomissa MIMO-järjestelmissä käytetään hajautettuja liityntäpisteitä, jotka palvelevat useita käyttäjälaitteita jaettujen taajuus-/aikaresurssien avulla. Jos kaikki liityntäpisteet kuitenkin palvelevat kaikkia käyttäjiä, seurauksena voi olla huono spektritehokkuus ja suuri energiankulutus. Tässä tutkimuksessa esitellään soluttomien verkkojen tehoa optimoivia algoritmeja, jotka toimivat kytkemällä heikkotehoiset liityntäpisteet pois päältä ja minimoimalla tehonkäytön spektritehokkuustarpeiden. Nämä menetelmät vähentävät energiakustannuksia ja ovat suorituskyvyltään parempia kuin järjestelmät, joissa kaikki liityntäpisteet pysyvät aktiivisina.