大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术凭借其高能量效率和高频谱效率的优势成为下一代移动通信的核心技术之一,其系统增益的基础在于基站能够精确获知信道状态信息(Channel State Information,CSI)。由于大规模...大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术凭借其高能量效率和高频谱效率的优势成为下一代移动通信的核心技术之一,其系统增益的基础在于基站能够精确获知信道状态信息(Channel State Information,CSI)。由于大规模MIMO系统中基站天线数量巨大,基站获取下行信道状态信息将造成巨大的系统开销,传统基于码本或矢量量化的反馈方法受到挑战,频分双工(Frequency Division Duplex,FDD)模式下5G通信的实际应用也受到制约,而人工智能技术尤其是深度学习(Deep Learning,DL)为解决大规模MIMO系统中的CSI反馈问题提供了新的思路。围绕大规模MIMO系统CSI反馈存在的问题,阐述了CSI反馈的背景,构建了FDD大规模MIMO系统模型,详细描述了代表性的国内外基于DL的CSI反馈方案,最后对基于人工智能的大规模MIMO信道状态信息反馈进行了展望和总结。展开更多
针对小型机器人在复杂环境中进行实时定位与建图时,存在机载端CPU(Central Processing Unit)计算资源不足,建图精度差、探索效率低的问题.本文提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)、截断符号距离函...针对小型机器人在复杂环境中进行实时定位与建图时,存在机载端CPU(Central Processing Unit)计算资源不足,建图精度差、探索效率低的问题.本文提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)、截断符号距离函数(Truncated Signed Distance Function,TSDF)实时的三维重建方法 .该方法基于深度相机或双目相机获取重建目标及场景的RGB(Red Green Blue)图和深度图,同时基于ORB_SLAM2获取位姿信息;采用基于特征点云数据的表面重建算法TSDF与深度图相结合,实现一种实时三维场景重建;为了降低三维重建模型与真实场景的误差,提出一种采用光线碰撞检测融合特征点的方法,并结合优化策略减小光线投影距离与体素到物体表面距离的误差.通过优化后的TSDF值,保证了重建场景的完整性.在ASL(Autonomous Systems Lab)开源数据集上,相比于Voxblox、Voxfield和VDBblox,该系统三维重建模型的均方根误差分别下降了55.6%、47.11%、21.7%,相比于Voxblox、Voxfield,系统地图更新速率分别提升了9.7%和12.9%.最后,将该系统用于室内场景实验,地图平均每帧更新速率为7.35 ms/帧,验证了所提系统的可行性和有效性.展开更多
基于深度学习的信道估计方法中,训练网络模型需要大量的数据运算,且所有用户数据都需要集中上传至服务器上,存在隐私泄漏的隐患。针对上述问题,提出了一种基于联邦学习的LTE-V2X(Long Term Evolution-Vehicle to Everything)信道估计算...基于深度学习的信道估计方法中,训练网络模型需要大量的数据运算,且所有用户数据都需要集中上传至服务器上,存在隐私泄漏的隐患。针对上述问题,提出了一种基于联邦学习的LTE-V2X(Long Term Evolution-Vehicle to Everything)信道估计算法,采用CNN-LSTM-DNN(Convolutional Neural Network-Long Short Term Memory-Deep Neural Network)模型对时变的信道进行估计,并将学习网络模型所需要的计算分配到车载用户中,在降低道旁基站负载的同时也保护了车载用户数据的隐私。仿真结果表明,基于联邦学习的信道估计算法在车载用户高速移动的场景下,较传统的信道估计算法平均有10 dB以上的归一化均方误差(Normalized Mean Square Error,NMSE)增益以及3 dB以上的误码率(Bit Error Rate,BER)增益,且较集中式学习算法相比,NMSE性能差距在3 dB以内;BER性能差距在1 dB以内,所提算法能够有效追踪时变的信道,且与集中式学习算法相比仅损失了极少的性能。展开更多
文摘针对小型机器人在复杂环境中进行实时定位与建图时,存在机载端CPU(Central Processing Unit)计算资源不足,建图精度差、探索效率低的问题.本文提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)、截断符号距离函数(Truncated Signed Distance Function,TSDF)实时的三维重建方法 .该方法基于深度相机或双目相机获取重建目标及场景的RGB(Red Green Blue)图和深度图,同时基于ORB_SLAM2获取位姿信息;采用基于特征点云数据的表面重建算法TSDF与深度图相结合,实现一种实时三维场景重建;为了降低三维重建模型与真实场景的误差,提出一种采用光线碰撞检测融合特征点的方法,并结合优化策略减小光线投影距离与体素到物体表面距离的误差.通过优化后的TSDF值,保证了重建场景的完整性.在ASL(Autonomous Systems Lab)开源数据集上,相比于Voxblox、Voxfield和VDBblox,该系统三维重建模型的均方根误差分别下降了55.6%、47.11%、21.7%,相比于Voxblox、Voxfield,系统地图更新速率分别提升了9.7%和12.9%.最后,将该系统用于室内场景实验,地图平均每帧更新速率为7.35 ms/帧,验证了所提系统的可行性和有效性.
文摘基于深度学习的信道估计方法中,训练网络模型需要大量的数据运算,且所有用户数据都需要集中上传至服务器上,存在隐私泄漏的隐患。针对上述问题,提出了一种基于联邦学习的LTE-V2X(Long Term Evolution-Vehicle to Everything)信道估计算法,采用CNN-LSTM-DNN(Convolutional Neural Network-Long Short Term Memory-Deep Neural Network)模型对时变的信道进行估计,并将学习网络模型所需要的计算分配到车载用户中,在降低道旁基站负载的同时也保护了车载用户数据的隐私。仿真结果表明,基于联邦学习的信道估计算法在车载用户高速移动的场景下,较传统的信道估计算法平均有10 dB以上的归一化均方误差(Normalized Mean Square Error,NMSE)增益以及3 dB以上的误码率(Bit Error Rate,BER)增益,且较集中式学习算法相比,NMSE性能差距在3 dB以内;BER性能差距在1 dB以内,所提算法能够有效追踪时变的信道,且与集中式学习算法相比仅损失了极少的性能。
