Adaptasi URLLC Proaktif untuk Kendaraan Terhubung Melalui Prediksi Kanal Berbasis ML

Model DNN dan LSTM memperkirakan kualitas kanal kendaraan untuk memungkinkan adaptasi layanan URLLC 5G/6G secara proaktif, mendekati batas ideal dengan pengetahuan sempurna dalam simulasi ray-tracing perkotaan yang realistis.

Andrea Giovannini; Lorenzo Mario Amorosa; Vittorio Todisco; Claudia Campolo; Antonella Molinaro; Su Hongjia; Alessandro Bazzi· 2026· DOI 10.48550/arXiv.2607.13692

Masalah inti

Kendaraan terhubung dan otomatis (CAV) diperkirakan akan semakin bergantung pada layanan komunikasi ultra-reliable dan low-latency (URLLC) 5G dan 6G mendatang untuk mendukung aplikasi yang kritis terhadap keselamatan dan sensitif terhadap waktu. Di lingkungan kendaraan perkotaan, kondisi tautan nirkabel dapat berubah dengan cepat, sehingga sulit mempertahankan kesinambungan dan keandalan layanan. Makalah ini berargumen bahwa adaptasi parameter layanan secara proaktif berdasarkan kondisi kanal di masa depan sangat penting untuk menghindari penurunan kinerja. Untuk itu, penulis menyelidiki teknik machine learning (ML) untuk prediksi kualitas kanal dalam skenario URLLC kendaraan. Secara khusus, mereka mengevaluasi model deep neural network (DNN) dan long short-term memory (LSTM) untuk memperkirakan kondisi kanal di masa depan dan memungkinkan adaptasi layanan proaktif dengan penurunan kinerja yang diminimalkan. Analisis dilakukan menggunakan simulasi realistis yang menggabungkan simulator lalu lintas SUMO dan kerangka ray-tracing Sionna-RT di lingkungan perkotaan nyata yang direkonstruksi dari data OpenStreetMap. Hipotesis utamanya adalah prediksi berbasis ML dapat secara signifikan m

Inovasi

Hasil simulasi menunjukkan bahwa prediksi berbasis ML secara signifikan mengungguli baseline reaktif yang hanya mengandalkan pengukuran kanal masa lalu. Baik model DNN maupun LSTM mencapai pengurangan kesalahan prediksi yang substansial dibandingkan pendekatan reaktif. Lebih penting lagi, adaptasi proaktif berbasis ML menghasilkan kinerja URLLC yang mendekati kasus ideal di mana kondisi kanal masa depan diketahui secara sempurna sebelumnya. Temuan kuantitatif utama meliputi: - Model LSTM umumnya mengungguli DNN, terutama untuk horizon prediksi yang lebih panjang, karena kemampuannya menangkap ketergantungan temporal dalam evolusi kanal. - Kesenjangan kinerja antara prediksi berbasis ML dan oracle ideal kecil, menunjukkan bahwa pendekatan yang diusulkan dapat secara efektif memitigasi dampak variabilitas kanal. - Adaptasi proaktif berdasarkan prediksi ML mengurangi jumlah pelanggaran URLLC (misalnya, latensi atau gangguan keandalan) dibandingkan skema reaktif. Hasilnya konsisten di berbagai kecepatan kendaraan dan skenario perkotaan, menyoroti ketangguhan pendekatan ini. Penulis juga menganalisis dampak horizon prediksi Δ dan ukuran jendela input K, menunjukkan bahwa ada

Kendaraan terhubung dan otomatis (CAV) diperkirakan akan semakin bergantung pada layanan komunikasi ultra-reliable dan low-latency (URLLC) 5G dan 6G mendatang untuk mendukung aplikasi yang kritis terhadap keselamatan dan sensitif terhadap waktu. Di lingkungan kendaraan perkotaan, kondisi tautan nirkabel dapat berubah dengan cepat, sehingga sulit mempertahankan kesinambungan dan keandalan layanan. Makalah ini berargumen bahwa adaptasi parameter layanan secara proaktif berdasarkan kondisi kanal di masa depan sangat penting untuk menghindari penurunan kinerja. Untuk itu, penulis menyelidiki teknik machine learning (ML) untuk prediksi kualitas kanal dalam skenario URLLC kendaraan. Secara khusus, mereka mengevaluasi model deep neural network (DNN) dan long short-term memory (LSTM) untuk memperkirakan kondisi kanal di masa depan dan memungkinkan adaptasi layanan proaktif dengan penurunan kinerja yang diminimalkan. Analisis dilakukan menggunakan simulasi realistis yang menggabungkan simulator lalu lintas SUMO dan kerangka ray-tracing Sionna-RT di lingkungan perkotaan nyata yang direkonstruksi dari data OpenStreetMap. Hipotesis utamanya adalah prediksi berbasis ML dapat secara signifikan mengungguli pendekatan yang hanya mengandalkan pengukuran kanal masa lalu dan mencapai kinerja yang mendekati kasus ideal di mana kondisi kanal masa depan diketahui secara sempurna sebelumnya.

Studi ini menggunakan metodologi berbasis simulasi untuk mengevaluasi prediksi kanal berbasis ML untuk URLLC kendaraan. Lingkungan simulasi mengintegrasikan tiga komponen utama:

Mengapa penting

Makalah ini memberikan argumen yang kuat untuk mengintegrasikan prediksi kanal berbasis ML ke dalam sistem URLLC kendaraan. Penggunaan simulasi ray-tracing yang realistis di lingkungan perkotaan nyata memperkuat validitas temuan. Perbandingan terhadap baseline reaktif dan oracle ideal memberikan tolok ukur yang jelas untuk menilai manfaat prediksi. Beberapa implikasi muncul: - **Manajemen sumber daya proaktif**: Dengan mengantisipasi penurunan kanal, jaringan dapat menyesuaikan modulasi, pengkodean, atau redundansi secara pre-emptif untuk mempertahankan persyaratan URLLC. - **Kompleksitas model vs. akurasi**: Meskipun LSTM menawarkan akurasi yang lebih baik, DNN mungkin lebih disukai dalam skenario dengan sumber daya komputasi terbatas. Trade-off antara horizon prediksi dan akurasi harus disetel dengan hati-hati. - **Generalisasi**: Model dilatih dan dievaluasi di lingkungan perkotaan tertentu; diperlukan penelitian lebih lanjut untuk menilai transferabilitasnya ke kota dan pita frekuensi lain. Batasan mencakup ketergantungan pada data simulasi dan asumsi pengetahuan sempurna tentang lintasan kendaraan. Penelitian selanjutnya dapat mengeksplorasi pembelajaran online dan integrasi dengan testbed dunia nyata. Secara keseluruhan, studi ini menunjukkan potensi teknik prediksi yang digerakkan ML untuk meningkatkan keandalan dan ketangguhan layanan URLLC untuk sistem kendaraan terhubung.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…