With the continuous advancement of Fifth Generation (5G) network, positioning is recognized as an important application of 5G networks with attracting considerable attention from both academia and industry. The new radio technology offers a wide range of commercial use cases and had a very aggressive performance to leverage the overall capabilities of the 5G network for indoor and outdoor positioning. Moreover, the improvements in high accuracy and short latency brought by 5G technology alone are gradually insufficient to meet application scenarios with constantly upgrading positioning requirements. Therefore, as one of widely used key techniques in the field of wireless communication for its special features of relying on different algorithms to process and solving problems without explicit programming, Machine Learning (ML) is capable of assisting the 5G positioning performance and overcoming challenges caused by traditional positioning technology limitations. The objective of this thesis work is to provide a comprehensive overview of ML enabled techniques in wireless communication and a survey of ML aided positioning in 5G networks. In this thesis, firstly we provide a brief background on 5G networks and a comprehensive introduction to 5G NR physical layer which provides the elementary functions for localization. According to the new features of 5G, we summarized the important theoretical and practical aspects of physical layer protocols and functional processing in NR. Afterwards we explain the technologies and physical layer architecture improvements in 5G NR for supporting high data rates and lower latency which is the key enhancement to 5G positioning. Secondly, we introduce the ML history and various ML techniques including the main categories. Then we survey the potential value of typical learning algorithm such as reinforcement learning and transfer learning for wireless communication by reviewing the research work of ML in channel management, spectrum management, power management and signal detection. We outline some other applications to lead to the ML positioning we will focus on later. According to limitations of current algorithms, the future development direction of ML in wireless communication is also proposed which is expected to provide guidance for future research. Thirdly we demonstrate an overview of traditional positioning techniques in 5G networks, and the localization technologies divided in indoor positioning and outdoor positioning. At the end of the thesis, according to large number of research and literatures recently, we classify and compare the performance parameters of the various utilization of ML or hybrid ML for 5G positioning in different environment, and compare with the traditional positioning techniques, we summary their improvements and overcoming problems based on the simulation results. Finally, we point out the future challenges in ML assisted positioning in 5G network based on the properties, and limitations of different ML algorithms.

Con il continuo avanzamento della costruzione della rete di quinta generazione (5G), la localizzazione è riconosciuto come un'importante applicazione delle reti 5G che attira una notevole attenzione sia da parte del mondo accademico che dell'industria. La nuova tecnologia radio offre un’ampia gamma di casi d’uso commerciali e ha prestazioni molto aggressive per sfruttare le capacità complessive della rete 5G per la localizzazione interno ed esterno. Inoltre, i miglioramenti in termini di elevata precisione e breve latenza apportati dalla sola tecnologia 5G sono gradualmente insufficienti per soddisfare scenari applicativi con requisiti di posizionamento in costante aggiornamento. Pertanto, essendo una delle tecniche chiave ampiamente utilizzate nel campo della comunicazione wireless per le sue caratteristiche speciali di fare affidamento su diversi algoritmi per elaborare e risolvere problemi senza programmazione esplicita, il Machine Learning (ML) è in grado di assistere le prestazioni di localizzazione 5G e superare le sfide causate dalle limitazioni della tecnologia di localizzazione tradizionale. L'obiettivo di questo lavoro di tesi è fornire una panoramica completa delle tecniche abilitate dal ML nella comunicazione wireless e un'indagine sulla localizzazione assistita dal ML nelle reti 5G. In questa tesi, in primo luogo forniamo un breve background sulle reti 5G e un'introduzione completa allo strato fisico 5G NR che fornisce le funzioni elementari per la localizzazione. Secondo le novità del 5G, abbiamo riassunto gli importanti aspetti teorici e pratici dei protocolli del livello fisico e dell’elaborazione funzionale in NR. Successivamente spiegheremo le tecnologie e i miglioramenti dell'architettura del livello fisico nel 5G NR per supportare velocità di dati elevate e latenza inferiore, che rappresenta il miglioramento chiave del posizionamento 5G. In secondo luogo, introduciamo la storia del ML e varie tecniche di ML, comprese le principali categorie. Quindi abbiamo esaminato il valore potenziale di tipici algoritmi di apprendimento come il reinforcement learning e il transfer learning per la comunicazione wireless esaminando il lavoro di ricerca di ML nella gestione dei canali, nella gestione dello spettro, nella gestione della potenza e nel rilevamento del segnale. Descriviamo inoltre altre applicazioni che porteranno alla localizzazione ML su cui ci concentreremo in seguito. In base alle limitazioni degli attuali algoritmi, viene proposta anche la futura direzione di sviluppo del ML nella comunicazione wireless, che dovrebbe fornire indicazioni per la ricerca futura. In terzo luogo, mostriamo una panoramica delle tecniche di localizzazione tradizionali nelle reti 5G e delle tecnologie di localizzazione suddivise in posizionamento indoor e posizionamento outdoor. Alla fine della tesi, sulla base di un gran numero di ricerche e articoli recenti, classifichiamo e confrontiamo i parametri prestazionali dei vari utilizzi di ML o ML ibrido per la localizzazione 5G in diversi ambienti e rispetto alle tecniche di localizzazione tradizionali, ne riassumiamo i miglioramenti e il superamento dei problemi in base ai risultati della simulazione. Infine, segnaliamo le sfide future nella localizzazione assistita da ML nella rete 5G in base alle proprietà e ai limiti dei diversi algoritmi di apprendimento automatico.

A survey of machine learning aided positioning in 5G

Zhang, Zheng
2022/2023

Abstract

With the continuous advancement of Fifth Generation (5G) network, positioning is recognized as an important application of 5G networks with attracting considerable attention from both academia and industry. The new radio technology offers a wide range of commercial use cases and had a very aggressive performance to leverage the overall capabilities of the 5G network for indoor and outdoor positioning. Moreover, the improvements in high accuracy and short latency brought by 5G technology alone are gradually insufficient to meet application scenarios with constantly upgrading positioning requirements. Therefore, as one of widely used key techniques in the field of wireless communication for its special features of relying on different algorithms to process and solving problems without explicit programming, Machine Learning (ML) is capable of assisting the 5G positioning performance and overcoming challenges caused by traditional positioning technology limitations. The objective of this thesis work is to provide a comprehensive overview of ML enabled techniques in wireless communication and a survey of ML aided positioning in 5G networks. In this thesis, firstly we provide a brief background on 5G networks and a comprehensive introduction to 5G NR physical layer which provides the elementary functions for localization. According to the new features of 5G, we summarized the important theoretical and practical aspects of physical layer protocols and functional processing in NR. Afterwards we explain the technologies and physical layer architecture improvements in 5G NR for supporting high data rates and lower latency which is the key enhancement to 5G positioning. Secondly, we introduce the ML history and various ML techniques including the main categories. Then we survey the potential value of typical learning algorithm such as reinforcement learning and transfer learning for wireless communication by reviewing the research work of ML in channel management, spectrum management, power management and signal detection. We outline some other applications to lead to the ML positioning we will focus on later. According to limitations of current algorithms, the future development direction of ML in wireless communication is also proposed which is expected to provide guidance for future research. Thirdly we demonstrate an overview of traditional positioning techniques in 5G networks, and the localization technologies divided in indoor positioning and outdoor positioning. At the end of the thesis, according to large number of research and literatures recently, we classify and compare the performance parameters of the various utilization of ML or hybrid ML for 5G positioning in different environment, and compare with the traditional positioning techniques, we summary their improvements and overcoming problems based on the simulation results. Finally, we point out the future challenges in ML assisted positioning in 5G network based on the properties, and limitations of different ML algorithms.
ING - Scuola di Ingegneria Industriale e dell'Informazione
9-apr-2024
2022/2023
Con il continuo avanzamento della costruzione della rete di quinta generazione (5G), la localizzazione è riconosciuto come un'importante applicazione delle reti 5G che attira una notevole attenzione sia da parte del mondo accademico che dell'industria. La nuova tecnologia radio offre un’ampia gamma di casi d’uso commerciali e ha prestazioni molto aggressive per sfruttare le capacità complessive della rete 5G per la localizzazione interno ed esterno. Inoltre, i miglioramenti in termini di elevata precisione e breve latenza apportati dalla sola tecnologia 5G sono gradualmente insufficienti per soddisfare scenari applicativi con requisiti di posizionamento in costante aggiornamento. Pertanto, essendo una delle tecniche chiave ampiamente utilizzate nel campo della comunicazione wireless per le sue caratteristiche speciali di fare affidamento su diversi algoritmi per elaborare e risolvere problemi senza programmazione esplicita, il Machine Learning (ML) è in grado di assistere le prestazioni di localizzazione 5G e superare le sfide causate dalle limitazioni della tecnologia di localizzazione tradizionale. L'obiettivo di questo lavoro di tesi è fornire una panoramica completa delle tecniche abilitate dal ML nella comunicazione wireless e un'indagine sulla localizzazione assistita dal ML nelle reti 5G. In questa tesi, in primo luogo forniamo un breve background sulle reti 5G e un'introduzione completa allo strato fisico 5G NR che fornisce le funzioni elementari per la localizzazione. Secondo le novità del 5G, abbiamo riassunto gli importanti aspetti teorici e pratici dei protocolli del livello fisico e dell’elaborazione funzionale in NR. Successivamente spiegheremo le tecnologie e i miglioramenti dell'architettura del livello fisico nel 5G NR per supportare velocità di dati elevate e latenza inferiore, che rappresenta il miglioramento chiave del posizionamento 5G. In secondo luogo, introduciamo la storia del ML e varie tecniche di ML, comprese le principali categorie. Quindi abbiamo esaminato il valore potenziale di tipici algoritmi di apprendimento come il reinforcement learning e il transfer learning per la comunicazione wireless esaminando il lavoro di ricerca di ML nella gestione dei canali, nella gestione dello spettro, nella gestione della potenza e nel rilevamento del segnale. Descriviamo inoltre altre applicazioni che porteranno alla localizzazione ML su cui ci concentreremo in seguito. In base alle limitazioni degli attuali algoritmi, viene proposta anche la futura direzione di sviluppo del ML nella comunicazione wireless, che dovrebbe fornire indicazioni per la ricerca futura. In terzo luogo, mostriamo una panoramica delle tecniche di localizzazione tradizionali nelle reti 5G e delle tecnologie di localizzazione suddivise in posizionamento indoor e posizionamento outdoor. Alla fine della tesi, sulla base di un gran numero di ricerche e articoli recenti, classifichiamo e confrontiamo i parametri prestazionali dei vari utilizzi di ML o ML ibrido per la localizzazione 5G in diversi ambienti e rispetto alle tecniche di localizzazione tradizionali, ne riassumiamo i miglioramenti e il superamento dei problemi in base ai risultati della simulazione. Infine, segnaliamo le sfide future nella localizzazione assistita da ML nella rete 5G in base alle proprietà e ai limiti dei diversi algoritmi di apprendimento automatico.
File allegati
File Dimensione Formato  
2024_4_Zhang.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Text of the thesis
Dimensione 2.55 MB
Formato Adobe PDF
2.55 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/219307