5G-Advanced network optimization : AI/ML and sensing-driven beam management with energy optimization

Abstract

Abstract

The fifth generation (5G) communication networks introduced high data rates, low latency, extensive connectivity, and large capacity compared to previous generations. Considering such advancements as a baseline, future networks are exploring massive multiple input multiple output (MIMO) technologies and emerging tools like artificial intelligence (AI), machine learning (ML), integrated sensing and ultra-dense network deployments, such as cell-free massive MIMO.

AI/ML is a potential candidate for reducing the beam measurement and reporting overhead, which helps to enhance the energy efficiency of user equipment (UEs) and the network capacity. However, existing studies in AI/ML-based beam management (BM) mainly focus on improving the beam prediction accuracy, but system-level performance assessment is also essential. This research evaluates AI/ML-based BM, integrating trained models into a system-level simulator to analyze performance in terms of spatial and time-domain beam prediction. Results show that UEs with strong channel conditions can reduce the measurement overhead by up to 75% without a substantial throughput loss. In contrast, cell-edge users experience limited reductions due to prediction inaccuracies.

For enhanced situational awareness in future networks, sensors such as cameras and LiDAR (Light Detection and Ranging) provide crucial information such as user and blockage position, allowing the network to operate proactively. The next part of the thesis presents a multi-LiDAR approach for precise user positioning alongside a method for predicting line-of-sight (LOS) transitions, anticipating blockages up to 400 ms in advance. Such information from a LiDAR is used for AI/ML model activation/deactivation in AI/ML-based BM to avoid the performance loss of cell-edge UEs due to inaccurate beam predictions.

On the other hand, cell-free massive MIMO systems use distributed access points (APs) to serve multiple UEs on shared frequency-time resources. However, serving all users via all the APs can lead to inefficient spectral and energy usage under low traffic. This research introduces algorithms for optimizing power in cell-free networks by switching off low-contribution APs and minimizing power usage according to spectral efficiency needs and UE mobility. These methods reduce energy costs, outperforming systems where all APs remain active.

Tiivistelmä

Viidennen sukupolven (5G) tietoliikenneverkkojen käyttöönoton myötä tiedonsiirtonopeudet ovat korkeat, latenssi on alhainen ja liitettävyys on laaja verrattuna aikaisempiin sukupolviin. Tällaisten edistysten pohjalta tulevaisuuden verkot tutkivat valtavia MIMO-teknologioita ja uusia työkaluja, kuten tekoälyä (AI), koneoppimista (ML), integroitua tunnistusta ja erittäin tiheiden verkkojen käyttöönottoja, kuten solujen massiivinen MIMO.

Tekoäly ja koneoppiminen voivat vähentää säteen mittauksen ja raportoinnin kustannuksia. Nykyinen tekoälyn ja koneoppimiseen perustuvan säteenhallinnan tutkimus keskittyy kuitenkin pääasiassa säteen ennustustarkkuuden parantamiseen, vaikka myös järjestelmätason suorituskyvyn arviointi on tärkeää. Tässä tutkimuksessa tekoälyyn ja koneoppimiseen perustuvaa säteen hallintaa arvioidaan integroimalla koulutetut mallit järjestelmätason simulaattoriin, joka analysoi spatiaalisen ja aika-alueen ennusteen suorituskykyä. Tulokset osoittavat, että käyttäjälaitteet, joissa on vahvat kanavaolosuhteet, voivat alentaa mittauskustannuksia jopa 75 % ilman merkittävää suorituskyvyn heikkenemistä. Lisäksi solun reunalla olevat käyttäjät kokevat vain pienen suorituskyvyn heikkenemisen.

Laitteet, kuten kamerat ja valontunnistus- ja etäisyysanturit (LiDAR) antavat paremman kuvan tulevaisuuden verkoista, sillä ne antavat tärkeitä tietoja, kuten käyttäjien sijainnit ja esteet. Väitöskirjan seuraavassa osiossa esitellään useisiin LiDAR-antureihin perustuva menetelmä käyttäjän tarkkaan paikantamiseen sekä menetelmä näköetäisyyden (LOS) siirtymien ennustamiseen ja esteiden ennustamiseen jopa 400 ms etukäteen. LiDAR-antureilta saatujen tietojen perusteella AI/ML-pohjainen säteenohjausmalli aktivoidaan tai deaktivoidaan, jotta vältetään suorituskyvyn heikkeneminen solun reunalla.

Toisaalta soluttomissa MIMO-järjestelmissä käytetään hajautettuja liityntäpisteitä, jotka palvelevat useita käyttäjälaitteita jaettujen taajuus-/aikaresurssien avulla. Jos kaikki liityntäpisteet kuitenkin palvelevat kaikkia käyttäjiä, seurauksena voi olla huono spektritehokkuus ja suuri energiankulutus. Tässä tutkimuksessa esitellään soluttomien verkkojen tehoa optimoivia algoritmeja, jotka toimivat kytkemällä heikkotehoiset liityntäpisteet pois päältä ja minimoimalla tehonkäytön spektritehokkuustarpeiden. Nämä menetelmät vähentävät energiakustannuksia ja ovat suorituskyvyltään parempia kuin järjestelmät, joissa kaikki liityntäpisteet pysyvät aktiivisina.