Smart beam management for vehicular networks using machine learning

The mmwave frequencies will be widely used in future vehicular communications. At these frequencies, the radio channel becomes much more vulnerable to slight changes in the environment like motions of the device, reflections, or blockage. In high mobility vehicular communications, the rapidly changing vehicle environments and the large overheads due to frequent beam training are the critical disadvantages in developing these systems at mmwave frequencies. Hence, smart beam management procedures are desired to establish and maintain the radio channels. In this thesis, we propose that using the positions and respective velocities of the vehicles in the dynamic selection of the beam pair, and then adapting to the changing environments using machine learning algorithms, can improve both network performance and communication stability in high mobility vehicular communications. In this thesis, several aspects of next-generation vehicular communications have been discussed. The main conclusions that can be extracted from the work developed in previous chapters are summarized in the following lines. After a brief overview of the literature on beam management at mmWave frequencies in chapter 2, we described the frame structure and reference signals in 3GPP NR, focusing on the settings for communication at mmWave frequencies. Then, we described beam management procedures according to different network architectures and signal transmission directions (downlink or uplink). We also evaluated the impact of several parameters (specified by 3GPP for NR) on their performance. In chapter 3, we showed that there exist trade-offs among better detection accuracy, and reduced overhead and provided the insights and guidelines for determining the optimal initial access and tracking strategies. Finally, in chapter 4, we proposed a KNN based machine learning approach to solve the beam management problem by leveraging the information about the vehicle’s mobility before it arrives at the base station. To summarize, mmWaves are widely studied to enhance the capacity of future vehicular networks. The harsh propagation at mmWave frequencies requires the implementation of directional transmissions supported by beamforming techniques to increase the link budget. Therefore, control procedures such as initial access must be updated to account for the lack of an omnidirectional broadcast channel, and the optimal beam pair with which a base station and a UE communicate should be tracked when needed. Consequently, the design and configuration of efficient IA and tracking procedures are of extreme importance in vehicular networks operating at mmWaves. The benefits of our proposal are particularly useful for the high mobility vehicular use cases envisioned for NR-V2X and beyond.

Le frequenze mmwave saranno ampiamente utilizzate nelle future comunicazioni veicolari. A queste frequenze, il canale radio diventa molto più vulnerabile a lievi cambiamenti nell'ambiente come movimenti del dispositivo, riflessi o blocchi. Nelle comunicazioni veicolari ad alta mobilità, gli ambienti dei veicoli in rapida evoluzione e le grandi spese generali dovute al frequente addestramento del fascio sono gli svantaggi critici nello sviluppo di questi sistemi a frequenze mmwave. Pertanto, sono desiderate procedure di gestione del raggio intelligente per stabilire e mantenere i canali radio. In questa tesi, proponiamo che l'utilizzo delle posizioni e delle rispettive velocità dei veicoli nella selezione dinamica della coppia di raggi, e quindi l'adattamento ai mutevoli ambienti utilizzando algoritmi di apprendimento automatico, possa migliorare sia le prestazioni della rete che la stabilità della comunicazione nelle comunicazioni veicolari ad alta mobilità . In questa tesi sono stati discussi diversi aspetti delle comunicazioni veicolari di nuova generazione. Le principali conclusioni che si possono trarre dal lavoro sviluppato nei capitoli precedenti sono riassunte nelle righe seguenti. Dopo una breve panoramica della letteratura sulla gestione del fascio alle frequenze mmWave nel capitolo 2, abbiamo descritto la struttura del frame e i segnali di riferimento in 3GPP NR, concentrandoci sulle impostazioni per la comunicazione alle frequenze mmWave. Quindi, abbiamo descritto le procedure di gestione del fascio secondo diverse architetture di rete e direzioni di trasmissione del segnale (downlink o uplink). Abbiamo anche valutato l'impatto di diversi parametri (specificati da 3GPP per NR) sulle loro prestazioni. Nel capitolo 3, abbiamo mostrato che esistono compromessi tra una migliore accuratezza di rilevamento e un sovraccarico ridotto e abbiamo fornito le intuizioni e le linee guida per determinare l'accesso iniziale ottimale e le strategie di tracciamento. Infine, nel capitolo 4, abbiamo proposto un approccio di apprendimento automatico basato su KNN per risolvere il problema della gestione del raggio sfruttando le informazioni sulla mobilità del veicolo prima che arrivi alla stazione base. Per riassumere, mmWaves sono ampiamente studiati per migliorare la capacità delle future reti veicolari. La dura propagazione alle frequenze mmWave richiede l'implementazione di trasmissioni direzionali supportate da tecniche di beamforming per aumentare il budget di collegamento. Pertanto, le procedure di controllo come l'accesso iniziale devono essere aggiornate per tenere conto della mancanza di un canale di trasmissione omnidirezionale e della coppia di fasci ottimale con cui una stazione base e una UE comunicano quando necessario. Di conseguenza, la progettazione e la configurazione di efficienti procedure di IA e tracking è di estrema importanza nelle reti veicolari operanti a mmWaves. I vantaggi della nostra proposta sono particolarmente utili per i casi d'uso veicolare ad alta mobilità previsti per NR-V2X e oltre.