Аннотация:
Отслеживание луча является критически важной функцией в современных системах нового радио (NR) миллиметрового диапазона (mmWave) и, как ожидается, станет еще более важной в будущих системах 6G, работающих в терагерцевом (ТГц) диапазоне частот. Для обеспечения бесперебойной связи базовым станциям (БС) необходимо периодически вызывать эту процедуру. Из-за использования массивных антенных решеток в системах 6G ТГц объем ресурсов, потребляемых отслеживанием луча, будет чрезвычайно большим, что делает временной интервал между конфигурациями качающегося луча очень важным параметром. Одним из явлений, влияющих на выбор этого интервала, является микромобильность пользовательского оборудования (ПУ) – быстрые перемещения и вращения ПУ в руках пользователя происходят даже тогда, когда последний находится в неподвижном положении. В этой статье, используя алгоритмы машинного обучения (ML), мы предлагаем процедуру обнаружения центра луча на стороне БС для приложений, характеризующихся различными типами микроподвижности. Мы демонстрируем, что можно безопасно различать приложения, характеризующиеся как низкими, так и совершенно разными скоростями микромобильности. Все рассмотренные классификаторы, включая дерево, случайный лес и нейронную сеть, работают качественно одинаково. Для приложений с высокими и схожими скоростями микромобильности, таких как виртуальная реальность и игры, точность классификации остается на уровне около 85-90%. Однако эта потеря точности не влияет на конечную цель алгоритма обнаружения удаленных приложений – понимание того, как часто процедура выравнивания луча должна вызываться на UE и BS.