将人工智能研究引入无线通信和传感[视频]

heyjoypaul

无线人工智能()已经出现，其应用领域包括移动管理、传感和定位、智能信令和干扰管理等领域。近，Qu推出了支持的空中接口原型，并发布了rX7调制解调器RF，这是全球首款配备专用处理器的调制解调器。这些发展的实现得益于我们基于十多年基础研究的无线和机器学习()专业知识。无线和机器学习具有互补的优势。无线和机器学习具有互补的优势。点击查看大图。事实证明，无线和机器学习具有互补的优势，但需要两者的领域知识才能创建最佳的无线解决方案。现有的无线技术可实现可扩展和可解释的解决方案，而机器学习算法在复杂的任务和生成过程中表现良好。无线技术功能的许多方面都可以通过人工智能得到增强，包括但不限于节能、信道估计、定位、检测、环境传感、波束管理和优化。在我们的网络研讨会将人工智能研究引入无线通信和传感中，我们重点关注了用于改善通信即生成建模和神经增强的机器学习领域以及用于实现射频传感即自我监督的机器学习领域的基础研究。以及用于定位的无监督学习。人工智能正在增强无线通信通道模型是我们无线设计的核心，特别是对于构建和评估解决方案。经典信道模型需要繁琐的现场测量，包含有关传播特性的硬编码假设，并对通用场景进行建模。相比之下，神经通道模型可以准确匹配复杂的现场数据分布，可以快速采样以用于原型设计，并可以根据简单的轨迹进行构建。通过神经增强，我们的生成对抗网络解决方案可以精确学习通信信道模型，使用简单的迹线实现信道增益的平均绝对误差小于87，信道延。

迟的平均绝对误差小于。由于传播特性存在各种变化，因此很难准确估计通信信道。跟踪时变信道通常可以使用经典卡尔曼滤波器来完成，该滤波器是可解释的，并且在任意信噪比和导频模式下都表现良好。然而，它们的局限性在于滤波器参数随多普 波斯尼亚和黑塞哥维那电话营销数据 勒值而变化，并且单个卡尔曼滤波器不应用于所有多普勒值。独立的机器学习解决方案也有局限性，例如不能很好地泛化和不可解释。我们再次使用神经增强，我们认为这一概念提供了许多有益的设计指南，以创建神经增强卡尔曼滤波器。它通过捕捉两全其美的优点并将其推广到未见过的案例，从而优于其他两种方法。卡尔曼滤波器的神经增强提供了两全其美的优点卡尔曼滤波器的神经增强提供了两全其美的优点。点击查看大图。人工智能正在推动射频传感当我们谈论高通人工智能研究在实现射频传感方面的工作时，我们区分主动定位使用通信设备和被动定位仅使用接入点来确定无设备的人或物体的位置。主动定位在室内和其他没有清晰的全球导航卫星系统()视线的位置尤其有用。射频传感主动定位的应用示例包括室内导航、车辆导航、V跟踪和资产跟踪。这项技术已经在现实场景中得到了验证，例如未来工厂的精确定位。当前经典的精确定位方法，例如到达时间差，不需要标签，但在非视距条件下精度不太高，并且不使。



用多径信息。当前的机器学习方法，例如射频指纹RFF，非常准确，但需要大量标签，并且在环境变化时缺乏鲁棒性。我们的工业精确定位方法称为神经RF，实现了两种技术中最好的技术在我们使用未标记的通道状态信息()的实验中，它为9的用户实现了平均厘米的精度。使用未标记的数据是使这种精确定位技术大规模可行的关键。有了足够多的未标记样本，我们就可以在没有标签的情况下了解环境的几何形状。有了足够多的未标记样本，我们就可以在没有标签的情况下了解环境的几何形状。点击查看大图。采用射频传感的无源定位在各个行业也有多种用例，从设备的非接触式控制到存在检测和睡眠监测。现有的技术解决方案通常在现实场景中效果不佳，或者不适合大规模部署。我们的解决方案称为ur，是第一个弱监督无源定位技术，解决了现有的部署挑战。它可以在强非视线范围内、跨多个楼层工作，并且只需要几个标签。例如，在有办公室和会议室的工作环境中，ur实现了精确定位，在这些房间类型中平均误差分别小于和，并且总体上实现了与使用更昂贵的标签的监督训练相当的测试性能。我们很高兴能够重点介绍我们在无线通信和射频传感方面最先进的研究，以及克服当前方法的挑战。这最终将通过改善通信带来更好的用户体验，并使我们的设备更好地了解环境。订阅我们的时事通讯，接收有关移动计算未来发展的最新信息。报名参加我们的网络研讨会网络研讨会将人工智能研究引入无线通信和传感。