AI在無線系統(tǒng)中的應(yīng)用案例

作者：Houman Zarrinkoub， MathWorks, Natick, Mass.

在過去二十年里，移動無線技術(shù)經(jīng)歷了從 3G 到 4G，再到 5G 與諸如工業(yè) 4.0 等先進(jìn)應(yīng)用的重大演進(jìn)。相應(yīng)的，無線系統(tǒng)設(shè)計(jì)也已變得更加復(fù)雜。面對這種復(fù)雜性，越來越多的工程師選擇借助AI（artificial intelligence，人工智能）的能力來應(yīng)對這些現(xiàn)代系統(tǒng)所帶來的挑戰(zhàn)。

當(dāng)下，AI 正被用于包括優(yōu)化通話性能、管理自動駕駛汽車的 V2V（vehicle-to-vehicle，車到車）與 V2X（vehicle-to-everything，車到萬物）通信等在內(nèi)的各種無線場景中，籍此促進(jìn)現(xiàn)代無線應(yīng)用的增長。隨著無線網(wǎng)絡(luò)中設(shè)備數(shù)量和功能的增加，AI必將在未來的無線技術(shù)中發(fā)揮更加重要的作用。因此，工程師很有必要考慮AI在無線系統(tǒng)中的關(guān)鍵優(yōu)勢和最優(yōu)實(shí)現(xiàn)，以確保無線系統(tǒng)能夠呈現(xiàn)最優(yōu)性能。

AI 在無線系統(tǒng)中的應(yīng)用案例

移動網(wǎng)絡(luò)向 5G 的演進(jìn)是由三個(gè)主要需求驅(qū)動的：對寬帶網(wǎng)絡(luò)速度和質(zhì)量的優(yōu)化，對超可靠、低延遲通信的需求，以及在工業(yè) 4.0 中設(shè)備間對時(shí)間敏感的通信。

此外，不斷擴(kuò)大的用戶群及越來越多的設(shè)備對網(wǎng)絡(luò)資源的爭奪導(dǎo)致無線系統(tǒng)日益復(fù)雜。面對這種情況，以往由人工制定規(guī)則所主導(dǎo)的傳統(tǒng)線性設(shè)計(jì)模型和傳統(tǒng)數(shù)據(jù)處理方法已不再能夠滿足當(dāng)下需求。相比之下，AI 技術(shù)可以通過自動和高效的建模來有效解決非線性問題，而這已然超出了人工方法的能力。

基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法實(shí)現(xiàn)的 AI 模型可賦予無線系統(tǒng)識別信道模型的能力。集成上述 AI 模型的無線系統(tǒng)可通過優(yōu)化分配鏈路資源來提高自身性能。而在非 AI 策略的情況下，數(shù)量龐大的現(xiàn)代網(wǎng)絡(luò)應(yīng)用會爭奪相同的資源，導(dǎo)致管理這些網(wǎng)絡(luò)成為一項(xiàng)幾乎不可能的任務(wù)。

同時(shí)，AI 的先進(jìn)性還體現(xiàn)在可通過如模型降階等操作更高效地推進(jìn)項(xiàng)目開發(fā)進(jìn)度。例如，工程師可以對網(wǎng)絡(luò)環(huán)境行為進(jìn)行估計(jì)與仿真并將其直接納入算法模型，從而使用極少的計(jì)算資源快速研究影響系統(tǒng)的主要因素。這使工程師們可以節(jié)省更多的時(shí)間并將之用于探索與設(shè)計(jì)。因此，項(xiàng)目實(shí)現(xiàn)了更快更多的迭代，項(xiàng)目的生產(chǎn)周期及相關(guān)成本也相應(yīng)降低。

在無線系統(tǒng)中部署 AI 之最佳實(shí)踐

數(shù)據(jù)質(zhì)量對于 AI 的成功和有效部署是至關(guān)重要的。AI 模型需要使用全面的數(shù)據(jù)進(jìn)行訓(xùn)練，以充分應(yīng)對現(xiàn)實(shí)場景中的各種可能情況。MathWorks 的5G 工具箱等可通過數(shù)據(jù)基元綜合生成新數(shù)據(jù)，或通過空口采集數(shù)據(jù)。此舉可為 5G 網(wǎng)絡(luò)工程師提供必要的數(shù)據(jù)多樣性，從而使其能夠穩(wěn)健地訓(xùn)練 AI。如果工程師不能獲取足夠的訓(xùn)練數(shù)據(jù)集，反而僅在有限的數(shù)據(jù)集上迭代不同的算法，那么被訓(xùn)練模型很可能會陷入局部最優(yōu)而非理想的全局最優(yōu)，這必然會降低所得 AI 模型在真實(shí)場景中的可靠性。

另一方面，能夠在現(xiàn)實(shí)場景中對 AI 進(jìn)行穩(wěn)健充分的測試對于最終成功同樣至關(guān)重要。如果采集到的測試數(shù)據(jù)只能覆蓋若干片面的場景，那么這些數(shù)據(jù)所缺乏的多樣性很可能會在工程師設(shè)計(jì)和優(yōu)化其系統(tǒng)過程中產(chǎn)生負(fù)面效應(yīng)。沒有全面而充分的實(shí)測數(shù)據(jù)支持，所得到的AI模型就會對一些特殊場景及其衍生束手無策，這必然會對無線系統(tǒng)性能產(chǎn)生不利影響。

AI 在各行業(yè)中的應(yīng)用越來越多

從電信到汽車的各行各業(yè)都接受了數(shù)字化轉(zhuǎn)型，這反過來增加了采用 AI 的必要性，并已然成為 AI 應(yīng)用的主要驅(qū)動力之一。在依賴互聯(lián)的智能家居、電信網(wǎng)絡(luò)和自動駕駛汽車等應(yīng)用中，集成的電子傳感器會產(chǎn)生大量的數(shù)據(jù)。如此海量的數(shù)據(jù)促進(jìn)了未來 AI 技術(shù)的發(fā)展，從而能夠加快這些行業(yè)的數(shù)字化轉(zhuǎn)型進(jìn)程，但同時(shí)這也會使網(wǎng)絡(luò)資源捉襟見肘。

在電信領(lǐng)域，AI 被部署在自物理層開始向上的應(yīng)用中。利用 AI 改善用戶間通話性能通常在物理層操作。AI 技術(shù)在物理層上的應(yīng)用包括數(shù)字預(yù)失真、信道估計(jì)和信道資源優(yōu)化等，同時(shí)還有涵蓋了通話期間收發(fā)系統(tǒng)各參數(shù)的自動調(diào)整的自動編碼器設(shè)計(jì)。

信道優(yōu)化增強(qiáng)了基站、終端等設(shè)備兩兩之間的連接。而通過指紋識別和信道狀態(tài)信息壓縮等過程，AI 可以幫助克服局部環(huán)境中的信號多樣性變化。

基于指紋技術(shù)，AI 被用于優(yōu)化無線網(wǎng)絡(luò)定位。在原本穩(wěn)定的室內(nèi)電磁環(huán)境中，待測目標(biāo)于不同位置的存在會引發(fā)相應(yīng)的電磁傳播擾動。根據(jù)上述原理，AI 可通過采集到的個(gè)性化信號變化估計(jì)出目標(biāo)的位置。相較傳統(tǒng)將接收信號強(qiáng)度與數(shù)據(jù)庫進(jìn)行比對從而定位，AI 能夠克服諸多影響定位精度的不利因素。另一方面，信道狀態(tài)信息壓縮也可借助AI來實(shí)現(xiàn)。通常，用戶終端與基站間存在用于改善通話性能的反饋回路，用于傳遞從用戶終端到基站的反饋數(shù)據(jù)?；?AI 的信道狀態(tài)信息壓縮確保上述過程不會超出可用帶寬范圍，從而導(dǎo)致通話中斷，將這一改善舉措弄巧成拙。

物理層以上的工作主要在于資源分配和網(wǎng)絡(luò)管理應(yīng)用。隨著網(wǎng)絡(luò)中的用戶和用例數(shù)量倍增，網(wǎng)絡(luò)工程師正在尋求借助 AI 技術(shù)來實(shí)時(shí)響應(yīng)資源分配請求。針對網(wǎng)絡(luò)中的競爭性用戶和用例需求，工程師可采用基于 AI 的波束管理、頻譜分配等資源調(diào)度功能，優(yōu)化核心系統(tǒng)資源管理過程。

在汽車行業(yè)，利用AI進(jìn)行無線連接使安全的自動駕駛成為可能。自動駕駛、V2V/V2X 依賴于包括 LiDAR、雷達(dá)和無線傳感器在內(nèi)的多種來源的數(shù)據(jù)以解釋環(huán)境。自動駕駛汽車中的硬件必須管理來自這些競爭性來源的數(shù)據(jù)以有效運(yùn)行。AI 能夠通過傳感器融合將這些競爭數(shù)據(jù)合并，從而幫助車輛對其自身與環(huán)境中的信息建立全方位的理解，并決定其二者如何互動。這種通信方式賦予了車輛 360 度的視角，進(jìn)而感知其它車輛及其附近的潛在碰撞威脅。最終，無論是通知駕駛員還是自主決策并控制，AI 的參與都會減少車禍，極大改善道路交通安全。

AI 在無線系統(tǒng)設(shè)計(jì)中的重要性正在不斷增加

隨著無線技術(shù)的用例越來越多，在無線系統(tǒng)中部署AI的需求也在不斷擴(kuò)大。從 5G 到自動駕駛汽車再到物聯(lián)網(wǎng)，如果不使用 AI，這些應(yīng)用將很可能不具備有效運(yùn)行所需的先進(jìn)性。近年來，AI 在無線系統(tǒng)設(shè)計(jì)為代表的工程領(lǐng)域中的地位一直在迅速提高。隨著現(xiàn)代無線網(wǎng)絡(luò)用例和用戶數(shù)量的增加，可以預(yù)計(jì)這種變化的步伐將繼續(xù)下去，甚至加快。

審核編輯：湯梓紅