Drahtlos InSite® Akademische Partnerschaften
Remcom hat seinen Ursprung an der Penn State University und unterhält eine langjährige Partnerschaft mit der akademischen Gemeinschaft. Diese Zusammenarbeit fördert nicht nur die gemeinsame Forschung und Entwicklung, sondern auch die Verbesserung unserer Produkte und den Ausbau unseres Fachwissens. Im Folgenden finden Sie einige Beispiele, die zeigen, wie Wireless InSite® in akademischen Programmen eingesetzt wurde, die sich auf die Weiterentwicklung von drahtlosen mmWave-Technologien konzentrieren.
DeepMIMO: Ein generischer Deep Learning-Datensatz für Millimeterwellen- und Massive MIMO-Anwendungen
Werkzeuge des maschinellen Lernens tauchen in interessanten Anwendungen in Millimeterwellen- (mmWave) und Massive-MIMO-Systemen auf. Dies liegt vor allem an ihren leistungsstarken Fähigkeiten beim Lernen unbekannter Modelle und bei der Bewältigung schwieriger Optimierungsprobleme. Um die Forschung im Bereich des maschinellen Lernens bei mmWave/Massive MIMO voranzutreiben, wird jedoch ein gemeinsamer Datensatz benötigt. Dieser Datensatz kann verwendet werden, um die entwickelten Algorithmen zu bewerten, die Ergebnisse zu reproduzieren, Benchmarks zu setzen und die verschiedenen Lösungen zu vergleichen. In dieser Arbeit stellen wir den DeepMIMO-Datensatz vor, der ein generischer Datensatz für mmWave/Massive MIMO-Kanäle ist. Der Rahmen für die DeepMIMO-Datensatzerstellung hat zwei wichtige Merkmale. Erstens werden die DeepMIMO-Kanäle auf der Grundlage genauer Raytracing-Daten von Wireless InSite erstellt. Die DeepMIMO-Kanäle erfassen daher die Abhängigkeit von der Umgebungsgeometrie/den Materialien und den Sender-/Empfängerstandorten, was für verschiedene Anwendungen des maschinellen Lernens von wesentlicher Bedeutung ist. Zweitens ist der DeepMIMO-Datensatz generisch/parametrisiert, so dass der Forscher eine Reihe von System- und Kanalparametern anpassen kann, um den generierten DeepMIMO-Datensatz für die angestrebte Anwendung des maschinellen Lernens anzupassen.
RAYMOBTIME
Raymobtime ist eine Methode zur Erfassung realistischer Datensätze für die Simulation der drahtlosen Kommunikation. Sie nutzt Raytracing und 3D-Szenarien mit Mobilität und zeitlicher Entwicklung, um Konsistenz über Zeit, Frequenz und Raum zu erhalten. Es umfasst Simulationen von LIDAR (über Blensor), Kameras (über Blender) und Positionen, um Untersuchungen mit maschinellem Lernen und anderen Techniken zu ermöglichen. Raymobtime verwendet Wireless Insite für das Raytracing und den Open Source Simulator of Urban Mobility (SUMO) für die Simulation der Mobilität (von Fahrzeugen, Fußgängern, Drohnen usw.). Außerdem sind Cadmapper und Open Street Map integriert, um den Import von realistischen Außenszenarien zu vereinfachen. Für weitere Details besuchen Sie bitte die Website von Raymobtime Publikationen.
ITU Artificial Intelligence/Machine Learning in 5G Challenge
research.ece.ncsu.edu/ai5gchallenge
Die Herausforderung der ML5G-PHY-Kanalschätzung betrifft eines der schwierigsten Probleme der physischen 5G-Schicht: die Beschaffung von Kanalinformationen für den Aufbau einer mmWave-MIMO-Verbindung (Erstzugang) unter Berücksichtigung einer hybriden MIMO-Architektur. Die Ansätze in diesem Wettbewerb werden zu wichtigen Erkenntnissen darüber führen, was mit datengesteuerten und/oder modellbasierten Ansätzen erreicht werden kann.
Drexel Labor für drahtlose Systeme
research.coe.drexel.edu/ece/dwsl/research/mmwave-research
Basierend auf den vielversprechenden Simulationsergebnissen von Wireless InSite erweitert das Drexel Wireless Systems Laboratory seine Forschung auf das Antennendesign bei mmWave-Frequenzen und führt Messkampagnen durch, um den Kanal in verschiedenen praktischen Umgebungen zu charakterisieren.
Sparen Sie Zeit und reduzieren Sie Kosten.
Wenden Sie sich noch heute an Remcom, um eine maßgeschneiderte Lösung für Ihre komplexen elektromagnetischen Herausforderungen zu erhalten.
Angebot anfordern