Комплекс моделей позиционирования устройств в сетях шестого поколения. Часть 2. Обзор алгоритмов и оценка точности

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. Настоящая работа является второй частью цикла, посвященного исследованию комплекса моделей позиционирования в сетях шестого поколения терагерцового диапазона, и решает задачи систематизации алгоритмов и оценки точности определения местоположения пользовательского устройства в зависимости от конфигурации и размерности антенной решетки на базовой станции. Цель. В рамках обозначенной в первой части цикла научной проблемы поиска средств достижения дециметровой точности оценок координат, выполненный в настоящем исследовании анализ моделей оценки точности, обзор алгоритмов и путей их оптимизации, а также численный эксперимент служит цели обоснования используемой конфигурации и размерности антенной решетки на базовой станции.Методом исследования является аналитический обзор состояния проблемы по актуальным научным публикациям, концептуальное моделирование, категориальный подход, экспертное комбинирование, сопоставительный анализ, формализация, математическое и имитационное моделирование.Решение / результаты. Приводятся модели оценки точности позиционирования в сетях 6G терагерцового диапазона, формализуется взаимосвязь первичных измерений и оценок координат для многопозиционного и однопозиционного определения местоположения в ближней и дальней зоне. Выполняется обзор алгоритмов геометрического определения местоположения и позиционирования с обучением для случаев одноэтапной и двухэтапной обработки; анализируется специфика реализации алгоритмов одновременного отслеживания и построения карты. Приводится анализ особенностей оптимизации алгоритмов в режимах оффлайн и онлайн. Средствами имитационного моделирования выполняется оценка точности для сценария территориального распределения с прямой видимостью с идеальной синхронизацией. Новизна. Средствами имитационного моделирования научно обосновано достижение дециметровой точности оценок координат и ориентации в 1° в терагерцовом диапазоне для модели дальней зоны при использовании полосы 1 ГГц и составного массива антенной решетки из более чем полутысячи элементов.Теоретическая значимость заключается в установлении зависимости точности оценок координат и ориентации устройства от конфигурации и размерности антенной решетки на базовой станции.Практическая значимость разработанной имитационной модели заключается в численном обосновании пределов точности позиционирования устройства в сетях шестого поколения в зависимости от используемой на базовой станции антенной решетки для заданного сценария.

Об авторах

Г. А. Фокин

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

Email: fokin.ga@sut.ru
ORCID iD: 0000-0002-5358-1895
SPIN-код: 4922-4442

Список литературы

  1. Фокин Г.А. Комплекс моделей позиционирования устройств в сетях шестого поколения. Часть 1. Обзор методов и постановка задачи. Труды учебных заведений связи. 2024. Т. 10. № 4. С. 73‒98. doi: 10.31854/1813-324X-2024-10-4-73-98. EDN:FTOVZJ
  2. Chen H., Sarieddeen H., Ballal T., Wymeersch H., Alouini M.-S., Al-Naffouri T.Y. A Tutorial on Terahertz-Band Localization for 6G Communication Systems // IEEE Communications Surveys & Tutorials. 2022. Vol. 24. Iss. 3. PP. 1780‒1815. doi: 10.1109/COMST.2022.3178209
  3. Garcia N., Wymeersch H., Larsson E.G., Haimovich A.M., Coulon M. Direct Localization for Massive MIMO // IEEE Transactions on Signal Processing. 2017. Vol. 65. Iss. 10. PP. 2475‒2487. doi: 10.1109/TSP.2017.2666779
  4. Shen Y., Win M.Z. Fundamental Limits of Wideband Localization–Part I: A General Framework // IEEE Transactions on Information Theory. 2010. Vol. 56. Iss. 10. PP. 4956‒4980. doi: 10.1109/TIT.2010.2060110
  5. Shen Y., Wymeersch H., Win M.Z. Fundamental Limits of Wideband Localization. Part II: Cooperative Networks // IEEE Transactions on Information Theory. 2010. Vol. 56. Iss. 10. PP. 4981‒5000. doi: 10.1109/TIT.2010.2059720
  6. Shahmansoori A., Garcia G.E., Destino G., Seco-Granados G., Wymeersch H. 5G Position and Orientation Estimation through Millimeter Wave MIMO // Proceedings of the Globecom Workshops (GC Wkshps, San Diego, USA, 06‒10 December 2015). IEEE, 2015. PP. 1‒6. doi: 10.1109/GLOCOMW.2015.7413967
  7. Shahmansoori A., Garcia G.E., Destino G., Seco-Granados G., Wymeersch H. Position and Orientation Estimation through Millimeter-Wave MIMO in 5G Systems // IEEE Transactions on Wireless Communications. 2018. Vol. 17. Iss. 3. PP. 1822‒1835. doi: 10.1109/TWC.2017.2785788
  8. Abu-Shaban Z., Zhou X., Abhayapala T., Seco-Granados G., Wymeersch H. Error Bounds for Uplink and Downlink 3D Localization in 5G Millimeter Wave Systems // IEEE Transactions on Wireless Communications. 2018. Vol. 17. Iss. 8. PP. 4939‒4954. doi: 10.1109/TWC.2018.2832134
  9. Abu-Shaban Z., Wymeersch H., Zhou X., Seco-Granados G., Abhayapala T. Random-Phase Beamforming for Initial Access in Millimeter-Wave Cellular Networks // Proceedings of the Global Communications Conference (GLOBECOM, Washington, USA, 04‒08 December 2016). IEEE, 2016. PP. 1-6. doi: 10.1109/GLOCOM.2016.7842197
  10. Abu-Shaban Z., Wymeersch H., Abhayapala T., Seco-Granados G. Single-Anchor Two-Way Localization Bounds for 5G mmWave Systems // IEEE Transactions on Vehicular Technology. 2020. Vol. 69. Iss. 6. PP. 6388‒6400. doi: 10.1109/TVT.2020.2987039
  11. Wymeersch H., Denis B. Beyond 5G Wireless Localization with Reconfigurable Intelligent Surfaces // Proceedings of the International Conference on Communications (ICC, Dublin, Ireland, 07‒11 June 2020). IEEE, 2020. PP. 1‒6. doi: 10.1109/ICC40277.2020.9148744
  12. Elzanaty A., Guerra A., Guidi F., Alouini M.-S. Reconfigurable Intelligent Surfaces for Localization: Position and Orientation Error Bounds // IEEE Transactions on Signal Processing. 2021. Vol. 69. PP. 5386‒5402. doi: 10.1109/TSP.2021.3101644
  13. Elzanaty A., Guerra A., Guidi F., Dardari D., Alouini M.-S. Toward 6G Holographic Localization: Enabling Technologies and Perspectives // IEEE Internet of Things Magazine. 2023. Vol. 6. Iss. 3. PP. 138‒143. doi: 10.1109/IOTM.001.2200218
  14. Keykhosravi K., Keskin M.F., Seco-Granados G., Wymeersch H. SISO RIS-Enabled Joint 3D Downlink Localization and Synchronization // Proceedings of the International Conference on Communications (Montreal, Canada, 14‒23 June 2021). IEEE, 2021. PP. 1‒6. doi: 10.1109/ICC42927.2021.9500281
  15. Huang C., Hu S., Alexandropoulos G.C., Zappone A., Zappone A., Yuen C., et al. Holographic MIMO Surfaces for 6G Wireless Networks: Opportunities, Challenges, and Trends // IEEE Wireless Communications. 2020. Vol. 27. Iss. 5. PP. 118‒125. doi: 10.1109/MWC.001.1900534
  16. Basar E., Yildirim I., Kilinc F. Indoor and Outdoor Physical Channel Modeling and Efficient Positioning for Reconfigurable Intelligent Surfaces in mmWave Bands // IEEE Transactions on Communications. 2021. Vol. 69. Iss. 12. PP. 8600‒8611. doi: 10.1109/TCOMM.2021.3113954
  17. He J., Jiang F., Keykhosravi K., Kokkoniemi J., Wymeersch H., Juntti M. Beyond 5G RIS mmWave Systems: Where Communication and Localization Meet // IEEE Access. 2022. Vol. 10. PP. 68075‒68084. doi: 10.1109/ACCESS.2022.3186510
  18. Wymeersch H. A Fisher Information Analysis of Joint Localization and Synchronization in near Field // Proceedings of the International Conference on Communications Workshops (ICC Workshops, Dublin, Ireland, 07‒11 June 2020). IEEE, 2020. PP. 1‒6. doi: 10.1109/ICCWorkshops49005.2020.9145059
  19. Nazari M.A., Seco-Granados G., Johannisson P., Wymeersch H. 3D Orientation Estimation with Multiple 5G mmWave Base Stations // Proceedings of the Conference on Communications (Montreal, Canada, 14‒23 June 2021). IEEE, 2021. PP. 1‒6. doi: 10.1109/ICC42927.2021.9500778
  20. Chepuri S.P., Leus G., van der Veen A.-J. Rigid Body Localization Using Sensor Networks // IEEE Transactions on Signal Processing. 2014. Vol. 62. Iss. 18. PP. 4911‒4924. doi: 10.1109/TSP.2014.2336621
  21. Wen F., Wymeersch H., Peng B., Tay W.P., So H.C., Yang D. A survey on 5G massive MIMO localization // Digital Signal Processing. 2019. Vol. 94. PP. 21–28. doi: 10.1016/j.dsp.2019.05.005
  22. Фокин Г.А. Разработка и оценка методов позиционирования приемопередатчиков в системах когнитивного радио 6G // T-Comm: Телекоммуникации и транспорт. 2024. Т. 18. № 6. С. 4‒20. doi: 10.36724/2072-8735-2024-18-6-4-20. EDN:KVNDXU
  23. Schmidt R. Multiple emitter location and signal parameter estimation // IEEE Transactions on Antennas and Propagation. 1986. Vol. 34. Iss. 3. PP. 276‒280. doi: 10.1109/TAP.1986.1143830
  24. Fortunati S., Grasso R., Gini F., Greco M.S., LePage K. Single snapshot DOA estimation by using compressed sensing // EEURASIP Journal on Advances in Signal Processing. 2014. Vol. 1. Iss. 120. PP. 1–17. doi: 10.1186/1687-6180-2014-120
  25. Wan L., Sun Y., Sun L., Ning Z., Rodrigues J.J.P.C. Deep Learning Based Autonomous Vehicle Super Resolution DOA Estimation for Safety Driving // IEEE Transactions on Intelligent Transportation Systems. 2021. Vol. 22. Iss. 7. PP. 4301‒4315. doi: 10.1109/TITS.2020.3009223
  26. Dardari D., Chong C.-C., Win M. Threshold-Based Time-of-Arrival Estimators in UWB Dense Multipath Channels // IEEE Transactions on Communications. 2008. Vol. 56. Iss. 8. PP. 1366‒1378. doi: 10.1109/TCOMM.2008.050551
  27. Giorgetti A., Chiani M. Time-of-Arrival Estimation Based on Information Theoretic Criteria // IEEE Transactions on Signal Processing. 2013. Vol. 61. Iss. 8. PP. 1869‒1879. doi: 10.1109/TSP.2013.2239643
  28. Jiang F., Ge Y., Zhu M., Wymeersch H. High-dimensional Channel Estimation for Simultaneous Localization and Communications // Proceedings of the Wireless Communications and Networking Conference (WCNC, Nanjing, China, 29 March ‒ 01 April 2021). IEEE, 2021. PP. 1‒6. doi: 10.1109/WCNC49053.2021.9417496
  29. Fei Z., Li B., Yang S., Xing C., Chen H., Hanzo L. A Survey of Multi-Objective Optimization in Wireless Sensor Networks: Metrics, Algorithms, and Open Problems // IEEE Communications Surveys & Tutorials. 2017. Vol. 19. Iss. 1. PP. 550‒586. doi: 10.1109/COMST.2016.2610578
  30. Koike-Akino T., Wang P., Pajovic M., Sun H., Orlik P.V. Fingerprinting-Based Indoor Localization with Commercial MMWave WiFi: A Deep Learning Approach // IEEE Access. 2020. Vol. 8. PP. 84879‒84892. doi: 10.1109/ACCESS.2020.2991129
  31. Vieira J., Leitinger E., Sarajlic M., Li X., Tufvesson F. Deep convolutional neural networks for massive MIMO fingerprint-based positioning // Proceedings of the 28th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC, Montreal, Canada, 08‒13 October 2017). IEEE, 2017. PP. 1‒6. doi: 10.1109/PIMRC.2017.8292280
  32. Mateos-Ramos J.M., Song J., Wu Y., Häger C., Keskin M.F., Yajnanarayana V., et al. End-to-End Learning for Integrated Sensing and Communication // Proceedings of the International Conference on Communications (Seoul, Republic of Korea, 16‒20 May 2022). IEEE, 2022. PP. 1942‒1947. doi: 10.1109/ICC45855.2022.9838308
  33. Wu Y., Gustavsson U., Amat A.G.I., Wymeersch H. Low Complexity Joint Impairment Mitigation of I/Q Modulator and PA Using Neural Networks // IEEE Journal on Selected Areas in Communications. 2022. Vol. 40. Iss. 1. PP. 54‒64. doi: 10.1109/JSAC.2021.3126024
  34. Alzahed A.M., Mikki S.M., Antar Y.M.M. Nonlinear Mutual Coupling Compensation Operator Design Using a Novel Electromagnetic Machine Learning Paradigm // IEEE Antennas and Wireless Propagation Letters. 2019. Vol. 18. Iss. 5. PP. 861‒865. doi: 10.1109/LAWP.2019.2903787
  35. Wu Y., Song J., Häger C., Gustavsson U., i Amat A.G., Wymeersch H. Symbol-Based Over-the-Air Digital Predistortion Using Reinforcement Learning // Proceedings of the International Conference on Communications (Seoul, Republic of Korea, 16‒20 May 2022). IEEE, 2022. PP. 2615‒2620. doi: 10.1109/ICC45855.2022.9839091
  36. Kase Y., Nishimura T., Ohgane T., Ogawa Y., Kitayama D., Kishiyama Y. DOA Estimation of Two Targets with Deep Learning // Proceedings of the 15th Workshop on Positioning, Navigation and Communications (WPNC, Bremen, Germany, 25‒26 October 2018). 2018. PP. 1‒5. doi: 10.1109/WPNC.2018.8555814
  37. Barthelme A., Utschick W. A Machine Learning Approach to DoA Estimation and Model Order Selection for Antenna Arrays With Subarray Sampling // IEEE Transactions on Signal Processing. 2021. Vol. 69. PP. 3075‒3087. doi: 10.1109/TSP.2021.3081047
  38. Dvorecki N., Bar-Shalom O., Banin L., Amizur Y. A machine learning approach for Wi-Fi RTT ranging // Proceedings of the International Technical Meeting of The Institute of Navigation (Hyatt Regency Reston Reston, Virginia, USA, 28 – 31 January 2019). 2019. PP. 435–444. doi: 10.33012/2019.16702
  39. Wymeersch H., Marano S., Gifford W.M., Win M.Z. A Machine Learning Approach to Ranging Error Mitigation for UWB Localization // IEEE Transactions on Communications. 2012. Vol. 60. Iss. 6. PP. 1719‒1728. doi: 10.1109/TCOMM.2012.042712.110035
  40. Jiang C., Shen J., Chen S., Chen Y., Liu D., Bo Y. UWB NLOS/LOS Classification Using Deep Learning Method // IEEE Communications Letters. 2020. Vol. 24. Iss. 10. PP. 2226‒2230. doi: 10.1109/LCOMM.2020.2999904
  41. Guo X., Li L., Ansari N., Liao B. Knowledge Aided Adaptive Localization via Global Fusion Profile // IEEE Internet of Things Journal. 2018. Vol. 5. Iss. 2. PP. 1081‒1089. doi: 10.1109/JIOT.2017.2787594
  42. Burghal D., Ravi A.T., Rao V., Alghafis A.A., Molisch A.F. A comprehensive survey of machine learning based localization with wireless signals // arXiv:2012.11171. 2020. doi: 10.48550/arXiv.2012.11171
  43. Studer C., Medjkouh S., Gonultaş E., Goldstein T., Tirkkonen O. Channel Charting: Locating Users Within the Radio Environment Using Channel State Information // IEEE Access. 2018. Vol. 6. PP. 47682‒47698. doi: 10.1109/ACCESS.2018.2866979
  44. Фокин Г.А., Владыко А.Г. Позиционирование транспортных средств в сверхплотных сетях радиодоступа V2X/5G с использованием расширенного фильтра Калмана // Труды учебных заведений связи. 2020. Т. 6. № 4. С. 45‒59. doi: 10.31854/1813-324X-2020-6-4-45-59. EDN:PYHUMZ
  45. Фокин Г.А., Владыко А.Г. Позиционирование транспортных средств с комплексированием дальномерных, угломерных и инерциальных измерений в расширенном фильтре Калмана // Труды учебных заведений связи. 2021. Т. 7. № 2. С. 51‒67. doi: 10.31854/1813-324X-2021-7-2-51-67. EDN:AIEESO
  46. Киреев А.В., Фокин Г.А. Оценка точности локального позиционирования мобильных устройств с помощью радиокарт и инерциальной навигационной системы // Труды учебных заведений связи. 2017. Т. 3. № 4. С. 54–62. EDN:YMIHOI
  47. Gustafsson F. Particle filter theory and practice with positioning applications // IEEE Aerospace and Electronic Systems Magazine. 2010. Vol. 25. Iss. 7. PP. 53‒82. doi: 10.1109/MAES.2010.5546308
  48. Durrant-Whyte H., Bailey T. Simultaneous localization and Mapping: Part I // IEEE Robotics & Automation Magazine. 2006. Vol. 13. Iss. 2. PP. 99‒110. doi: 10.1109/MRA.2006.1638022
  49. Bailey T., Durrant-Whyte H. Simultaneous localization and mapping (SLAM): part II // IEEE Robotics & Automation Magazine. 2006. Vol. 13. Iss. 3. PP. 108‒117. doi: 10.1109/MRA.2006.1678144
  50. Yassin A., Nasser Y., Al-Dubai A.Y., Awad M. MOSAIC: Simultaneous Localization and Environment Mapping Using mmWave Without A-Priori Knowledge // IEEE Access. 2018. Vol. 6. PP. 68932‒68947. doi: 10.1109/ACCESS.2018.2879436
  51. Barneto C.B., Riihonen T., Turunen M., Koivisto M., Talvitie J., Valkama M. Radio-based Sensing and Indoor Mapping with Millimeter-Wave 5G NR Signals // Proceedings of the International Conference on Localization and GNSS (ICL-GNSS, Tampere, Finland, 02‒04 June 2020). 2020. PP. 1‒5. doi: 10.1109/ICL-GNSS49876.2020.9115568
  52. Фокин Г.А. Процедуры выравнивания лучей устройств 5G NR // Электросвязь. 2022. № 2. С. 26‒31. doi: 10.34832/ELSV.2022.27.2.003. EDN:GWPZQH
  53. Дворников С.В., Фокин Г.А., Аль-Одхари А.Х., Федоренко И.В. Оценка влияния свойств сигнала PRS LTE на точность позиционирования // Вопросы радиоэлектроники. Серия: Техника телевидения. 2017. № 4. С. 94‒103. EDN:YQWNLJ
  54. Фокин Г.А. Модель технологии сетевого позиционирования метровой точности 5G NR. Часть 1. Конфигурация сигналов PRS // Труды учебных заведений связи. 2022. Т. 8. № 2. С. 48‒63. doi: 10.31854/1813-324X-2022-8-2-48-63. EDN:OEXILA
  55. Фокин Г.А. Модель технологии сетевого позиционирования метровой точности 5G NR. Часть 2. Обработка сигналов PRS // Труды учебных заведений связи. 2022. Т. 8. № 3. С. 80‒99. doi: 10.31854/1813-324X-2022-8-3-80-99. EDN:BRJHYG
  56. Дворников С.В., Фокин Г.А., Аль-Одхари А.Х., Федоренко И.В. Исследование зависимости значения геометрического фактора снижения точности от топологии пунктов приема // Вопросы радиоэлектроники. Серия: Техника телевидения. 2018. № 2. С. 99‒104. EDN:XRZIXB
  57. Лазарев В.О., Фокин Г.А. Оценка точности позиционирования источника радиоизлучения разностно-дальномерным и угломерным методами. Часть 1 // Труды учебных заведений связи. 2019. Т. 5. № 2. С. 88‒100. doi: 10.31854/1813-324X-2019-5-2-88-100. EDN:FFMJWI
  58. Фокин Г.А., Лазарев В.О. Оценка точности позиционирования источника радиоизлучения разностно-дальномерным и угломерным методами. Часть 2. 2D-моделирование // Труды учебных заведений связи. 2019. Т. 5. № 4. С. 65–78. doi: 10.31854/1813-324X-2019-5-4-65-78. EDN:RJHISC
  59. Фокин Г.А., Лазарев В.О. Оценка точности позиционирования источника радиоизлучения разностно-дальномерным и угломерным методами. Часть 3. 3D-моделирование // Труды учебных заведений связи. 2020. Т. 6. № 2. С. 87‒102. doi: 10.31854/1813-324X-2020-6-2-87-102. EDN:FKSYIZ
  60. Фокин Г.А. Сетевое позиционирование 5G и вероятностные модели оценки его точности // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14. № 12. С. 4‒17. EDN:DQRXIK
  61. Фокин Г.А. Комплекс моделей и методов позиционирования устройств в сетях пятого поколения. Дис. ... докт. техн. наук. СПб.: СПбГУТ, 2021. 499 с. EDN:PQMSQX
  62. Фокин Г.А. Методика идентификации прямой видимости в радиолиниях сетей мобильной связи 4-го поколения с пространственной обработкой сигналов // Труды Научно-исследовательского института радио. 2013. № 3. С. 78‒82. EDN:RVFDCV
  63. Фокин Г.А. Имитационное моделирование процесса распространения радиоволн в радиолиниях сетей мобильной связи 4-го поколения с пространственной обработкой сигналов // Труды Научно-исследовательского института радио. 2013. № 3. С. 83‒89. EDN:RVFDDF
  64. Фокин Г.А. Процедуры позиционирования в сетях 5G // Вестник связи. 2021. № 11. С. 2‒8. EDN:DEFMNY
  65. Faisal A., Sarieddeen H., Dahrouj H., Al-Naffouri T.Y., Alouini M.-S. Ultramassive MIMO Systems at Terahertz Bands: Prospects and Challenges // IEEE Vehicular Technology Magazine. 2020. Vol. 15. Iss. 4. PP. 33‒42. doi: 10.1109/MVT.2020.3022998
  66. Stratidakis G., Boulogeorgos A.-A.A., Alexiou A. A cooperative localization-aided tracking algorithm for THz wireless systems // Proceedings of the Wireless Communications and Networking Conference (WCNC, Marrakesh, Morocco, 15‒18 April 2019). PP. 1‒7. IEEE, 2019. doi: 10.1109/WCNC.2019.8885710
  67. Chen H., Aghdam S.R., Keskin M.F., Wu Y., Lindberg S., Wolfgang A., et al. MCRB-based Performance Analysis of 6G Localization under Hardware Impairments // Proceedings of the International Conference on Communications Workshops (ICC Workshops, Seoul, Republic of Korea, 16‒20 May 2022). IEEE, 2022. PP. 115‒120. doi: 10.1109/ICCWorkshops53468.2022.9814598
  68. Фокин Г.А. Модель поиска топологии локальной дальномерной системы позиционирования 5G по заданному геометрическому фактору // Радиотехнические и телекоммуникационные системы. 2021. № 4(44). С. 27‒38. doi: 10.24412/2221-2574-2021-444-27-38. EDN:XHPHAA
  69. Фокин Г.А., Кучерявый А.Е. Размещение устройств сверхплотной сети в пространстве. Часть 1. Модели и методы геометрического фактора // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 32–59. doi: 10.31854/2307-1303-2022-10-3-32-59. EDN:PUMZTF
  70. Фокин Г.А., Кучерявый А.Е. Размещение устройств сверхплотной сети в пространстве. Часть 2. Поиск по критерию геометрического фактора // Информационные технологии и телекоммуникации. 2022. Т. 10. № 4. С. 27–37. doi: 10.31854/2307-1303-2022-10-4-27-37. EDN:YVEMNW
  71. Li Y.-N.R., Gao B., Zhang X., Huang K. Beam Management in Millimeter-Wave Communications for 5G and Beyond // IEEE Access. 2020. Vol. 8. PP. 13282‒13293. doi: 10.1109/ACCESS.2019.2963514
  72. Alkhateeb A., Nam Y.-H., Rahman M.S., Zhang J., Heath R.W. Initial Beam Association in Millimeter Wave Cellular Systems: Analysis and Design Insights // IEEE Transactions on Wireless Communications. 2017. Vol. 16. Iss. 5. PP. 2807‒2821. doi: 10.1109/TWC.2017.2666806
  73. Qi C., Chen K., Dobre O.A., Li G.Y. Hierarchical Codebook-Based Multiuser Beam Training for Millimeter Wave Massive MIMO // IEEE Transactions on Wireless Communications. 2020. Vol. 19. Iss. 12. PP. 8142‒8152. doi: 10.1109/TWC.2020.3019523
  74. Hu A., He J. Position-Aided Beam Learning for Initial Access in mmWave MIMO Cellular Networks // IEEE Systems Journal. 2022. Vol. 16. Iss. 1. PP. 1103‒1113. doi: 10.1109/JSYST.2020.3027757
  75. Фокин Г.А. Диаграммообразование на основе позиционирования в сверхплотных сетях радиодоступа миллиметрового диапазона. Часть 1. Модель двух радиолиний // Труды учебных заведений связи. 2023. Т. 9. № 4. С. 44‒63. doi: 10.31854/1813-324X-2023-9-4-44-63. EDN:DIEAKU
  76. Фокин Г.А. Диаграммообразование на основе позиционирования в сверхплотных сетях радиодоступа миллиметрового диапазона. Часть 2. Модель совокупности радиолиний. Труды учебных заведений связи. Т. 9. № 5. С. 43‒64. doi: 10.31854/1813-324X-2023-9-5-43-64. EDN:QPZIOK
  77. Han C., Chen Y. Propagation Modeling for Wireless Communications in the Terahertz Band // IEEE Communications Magazine. 2018. Vol. 56. Iss. 6. PP. 96‒101. doi: 10.1109/MCOM.2018.1700898
  78. Garcia N., Wymeersch H., Slock D.T.M. Optimal Precoders for Tracking the AoD and AoA of a mmWave Path // IEEE Transactions on Signal Processing. 2018. Vol. 66. Iss. 21. PP. 5718‒5729. doi: 10.1109/TSP.2018.2870368
  79. Zhou B., Liu A., Lau V. Successive Localization and Beamforming in 5G mmWave MIMO Communication Systems // IEEE Transactions on Signal Processing. 2019. Vol. 67. Iss. 6. PP. 1620‒1635. doi: 10.1109/TSP.2019.2894789
  80. Björnson E., Wymeersch H., Matthiesen B., Popovski P., Sanguinetti L., de Carvalho E. Reconfigurable Intelligent Surfaces: A signal processing perspective with wireless applications // IEEE Signal Processing Magazine. 2022. Vol. 39. Iss. 2. PP. 135‒158. doi: 10.1109/MSP.2021.3130549
  81. Фокин Г.А., Кучерявый А.Е., Горбачева Л.С. Программный модуль исследования зависимости точности позиционирования и ориентации устройств в пространстве от размерности антенной решетки на базовой станции в сверхплотных сетях миллиметрового и терагерцового диапазона. Свидетельство о государственной регистрации программы для ЭВМ RU 2023682152 от 12.10.2023. Опубл. 23.10.2023. EDN:NIDIYO
  82. Фокин Г.А., Волгушев Д.Б. Модели пространственной селекции при диаграммообразовании на основе позиционирования в сверхплотных сетях радиодоступа миллиметрового диапазона // Компьютерные исследования и моделирование. 2024. Т. 16. № 1. С. 195‒216. doi: 10.20537/2076-7633-2024-16-1-195-216. EDN:ENQMBZ

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».