National and Kapodistrian University of Athens
Dynamic Beamforming using Model Predictive Control
Abstract
dc:descriptionΗ μορφοποίηση δέσμης (beamforming) συγκεντρώνει την εκπεμπόμενη ισχύ ενός σταθμού βάσης προς τους χρήστες του, αυξάνοντας την ενεργειακή αποδοτικότητα και τον ρυθμό μετάδοσης. Η πληροφορία κατάστασης καναλιού (Channel State Information, CSI) που καθοδηγεί τον σχεδιασμό της είναι αναπόφευκτα παρωχημένη, μέχρι να ολοκληρωθεί η εκτίμηση, η επεξεργασία και η εκπομπή, ο κινητός χρήστης έχει ήδη μεταβάλει τη θέση του. Στην εργασία αυτή θεωρείται επίπεδη στοιχειοκεραία 32 (4 x 8) στοιχείων που εξυπηρετεί δύο χρήστες με κωδικοποίηση Zero Forcing. Η καθυστέρηση αυτή αρκεί για να μειώσει δραματικά τον αθροιστικό ρυθμό μετάδοσης. Η φυσική αντιμετώπιση του προβλήματος είναι η πρόβλεψη, η δέσμη να κατευθύνεται προς τη θέση όπου θα βρίσκεται ο χρήστης και όχι προς εκείνη όπου βρισκόταν κατά την τελευταία μέτρηση. Η εργασία αναπτύσσει και αξιολογεί ένα πλήρως model-free πλαίσιο πρόβλεψης για την αντιμετώπιση του προβλήματος αυτού, βασισμένο στον Προβλεπτικό Έλεγχο με Δεδομένα (Data-Enabled Predictive Control, DeePC) και σε συναρτήσεις πυρήνα. Το μοντέλο μαθαίνει από καταγεγραμμένες τροχιές, μια απεικόνιση από ένα παράθυρο παρελθουσών γωνιακών μετρήσεων στις αντίστοιχες μελλοντικές γωνίες, χωρίς να προϋποθέτει κινηματικό μοντέλο, χωρίς τη χρήση νευρωνικών δικτύων και χωρίς εξωτερικές πηγές πληροφορίας, όπως GPS, radar ή κάμερες. Το ίδιο μαθηματικό αντικείμενο αξιοποιείται με δύο διαφορετικούς τρόπους. Πρώτον ως μοντέλο που προβλέπει τις μελλοντικές γωνίες, το model-free ανάλογο ενός φίλτρου Kalman. Δεύτερον, με την ακολουθία των μελλοντικών εντολών ενσωματωμένη στο διάνυσμα παλινδρόμησης, ως ελεγκτής κυλιόμενου ορίζοντα για τον μη γραμμικό μηχανισμό στρέψης μίας δέσμης. Και στις δύο περιπτώσεις χρησιμοποιείται ο ίδιος επιλύτης projected Gauss–Newton, επιτρέποντας σύγκριση με έναν κλασικό ελεγκτή MPC που βασίζεται σε ακριβές μοντέλο. Τα αποτελέσματα δείχνουν ότι, όταν οι συνθήκες λειτουργίας αναπαρίστανται επαρκώς στα δεδομένα εκπαίδευσης, ο προτεινόμενος kernel προβλέπτης υπερτερεί μιας βέλτιστα ρυθμισμένης συστοιχίας φίλτρων Extended Kalman Filter (EKF) και Interacting Multiple Model (IMM), ενώ απαιτεί ελάχιστο όγκο δεδομένων για την εκπαίδευσή του. Παράλληλα, καταδεικνύεται ότι η απόδοσή του επηρεάζεται από μετατοπίσεις της κατανομής των δεδομένων, αναδεικνύοντας τη σημασία της αντιπροσωπευτικής κάλυψης του χώρου λειτουργίας και της δυνατότητας δυναμικής προσαρμογής. Ως ελεγκτής, το προτεινόμενο πλαίσιο επιτυγχάνει απόδοση ιδιαίτερα κοντά σε εκείνη ενός MPC με πλήρη γνώση του συστήματος, ενώ υπερτερεί σαφώς έναντι ελεγκτών που βασίζονται σε εσφαλμένα μοντέλα. Επιπλέον, δείχνεται ότι ο όρος κανονικοποίησης (regularization) του DeePC αντιστοιχεί σε ακριβή προϋπολογισμό ευρωστίας χείριστης περίπτωσης, ενώ μια δυναμικά ενημερωνόμενη υλοποίηση με τυχαία χαρακτηριστικά Fourier (Random Fourier Features) και αναδρομικά ελάχιστα τετράγωνα (Recursive Least Squares) προσαρμόζεται αποτελεσματικά σε νέες συνθήκες λειτουργίας. Τέλος, αναλύεται η διαφορετική ευαισθησία της στοιχειοκεραίας στο αζιμούθιο και την ανύψωση, επιβεβαιώνοντας ότι τα σφάλματα στο αζιμούθιο έχουν σημαντικά μεγαλύτερη επίδραση στην απόδοση του συστήματος. Συνολικά, η εργασία αναδεικνύει τη δυναμική των model-free μεθόδων ως μια ρεαλιστική και ιδιαίτερα ελκυστική προσέγγιση για σύγχρονα συστήματα ασύρματων επικοινωνιών, όπου η ακριβής μαθηματική μοντελοποίηση είναι συχνά αδύνατη ή παύει γρήγορα να ισχύει λόγω της κινητικότητας των χρηστών, των μεταβαλλόμενων συνθηκών διάδοσης και της αυξανόμενης πολυπλοκότητας των δικτύων. Η δυνατότητα των μεθόδων αυτών να μαθαίνουν απευθείας από τα δεδομένα και να προσαρμόζονται στις πραγματικές συνθήκες λειτουργίας τις καθιστά ιδιαίτερα υποσχόμενες για τις μελλοντικές γενιές ασύρματων επικοινωνιών.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Ντελής Χαρικλής
- Ntelis Chariklis
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, English, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:5433045