Что произойдет, когда технология искусственного интеллекта (ИИ) появится по беспроводным каналам? Для начала AI обещает решить проблему сложности проектирования радиочастотных (РЧ) систем за счет использования мощных алгоритмов машинного обучения и значительного улучшения радиочастотных параметров, таких как ширина полосы канала, чувствительность антенны и мониторинг спектра.
До сих пор были предприняты инженерные усилия по усовершенствованию отдельных компонентов в беспроводных сетях с помощью таких технологий, как когнитивное радио. Однако эти частичные оптимизации, нацеленные на такие приложения, как мониторинг спектра, были трудозатратными и влекут за собой усилия по извлечению и отбору функций вручную, разработка и развертывание которых часто занимают месяцы.
С другой стороны, такие проявления ИИ, как машинное обучение и глубокое обучение, могут вызывать анализ данных для обучения типов радиосигналов за несколько часов. Например, обученной глубокой нейронной сети требуется несколько миллисекунд для выполнения обнаружения и классификации сигналов по сравнению с традиционными методологиями, основанными на итеративном и алгоритмическом поиске сигналов, а также обнаружении и классификации сигналов.
NI
Рисунок 1: Глубокое обучение позволяет обучать радиочастотные сигналы всего через несколько секунд после захвата сигнала. Источник: National Instruments.
Важно отметить, что такой выигрыш также значительно снижает энергопотребление и вычислительные требования. Более того, изученная система связи позволяет разработчикам беспроводных сетей устанавливать приоритеты по ключевым параметрам проектирования, таким как пропускная способность, время ожидания, дальность действия и энергопотребление.
Что еще более важно, модели обучения на основе глубокого обучения способствуют лучшему пониманию операционной среды и обещают предложить сквозное обучение для создания оптимальной радиосистемы. Показательный пример: обучающая модель, которая может совместно изучить кодировщик и декодер для радиопередатчика и приемника, охватывая при этом радиочастотные компоненты, антенны и преобразователи данных.
Кроме того, такие технологии, как глубокое обучение, обещают в беспроводной сфере коммерциализацию физического уровня (PHY) и проектирования обработки сигналов. Сочетание зондирования на основе глубокого обучения с активными формами радиоволн создает новый класс сценариев использования, которые могут разумно работать в различных радиосредах.
В следующем разделе будут представлены несколько тематических исследований, демонстрирующих потенциал технологий искусственного интеллекта в беспроводной связи.
Два тематических исследования дизайна
Во-первых, комплект разработчика программного обеспечения (SDK) OmniSIG от DeepSig Inc. основан на технологии глубокого обучения и использует обработку сигналов в реальном времени, чтобы пользователи могли обучать датчики обнаружения и классификации сигналов.
DeepSig утверждает, что его датчик OmniSIG может обнаруживать Wi-Fi, Bluetooth, сотовые и другие радиосигналы до 1000 раз быстрее, чем существующие беспроводные технологии. Кроме того, это позволяет пользователям понять среду использования спектра и, таким образом, облегчить контекстный анализ и принятие решений.
ENSCO, правительственный и оборонный поставщик США, обучает датчик OmniSIG обнаруживать и классифицировать беспроводные и радарные сигналы. Здесь ENSCO стремится развернуть возможности на основе искусственного интеллекта, чтобы преодолеть ограничения производительности традиционно разработанных радиочастотных систем для обработки сигналов.
Программное обеспечение DeepSig OmniPHY позволяет пользователям изучать систему связи и впоследствии оптимизировать условия канала, неблагоприятные условия спектра и ограничения производительности оборудования. Приложения включают в себя возможности защиты от помех, связь вне зоны прямой видимости, многопользовательские системы в оспариваемых спектрах и смягчение эффектов аппаратных искажений.
NI
Рисунок 2: Машинное обучение позволяет дизайнерам классифицировать радиосигналы для распознавания повседневной активности по доплеровской спектральной карте. Источник: National Instruments.
Еще одно тематическое исследование, показывающее, как технологии искусственного интеллекта, такие как глубокое обучение, могут повлиять на будущую архитектуру и дизайн оборудования, - это пассивная система обнаружения Wi-Fi для мониторинга здоровья, активности и благополучия в домах престарелых ( рисунок 2 ). Система непрерывного наблюдения, разработанная в Университете Ковентри, использует библиотеки распознавания жестов и системы машинного обучения для классификации сигналов и создает подробный анализ сигналов Wi-Fi, которые отражаются от пациента, выявляя закономерности движений тела и показатели жизнедеятельности.
В жилых системах здравоохранения обычно используются носимые устройства, системы технического зрения на основе камер и датчики окружающей среды, но они влекут за собой такие недостатки, как физический дискомфорт, проблемы с конфиденциальностью и ограниченная точность обнаружения. С другой стороны, пассивная система обнаружения Wi-Fi, основанная на распознавании активности и дыхании через стену, является бесконтактной, точной и минимально инвазивной.
Пассивное обнаружение Wi-Fi для домов престарелых уходит корнями в исследовательский проект пассивного Wi-Fi радара, выполняемый в Университетском колледже Лондона. Прототип пассивного Wi-Fi-радара, основанный на решениях для программно-определяемой радиосвязи (SDR) от National Instruments (NI), полностью не обнаруживается и может использоваться в военных и контртеррористических приложениях.
Приемопередатчик USRP плюс LabVIEW
Пассивная система обнаружения Wi-Fi - это система только для приема, которая измеряет динамические изменения сигнала Wi-Fi, вызванные перемещением внутренних объективов по многолучевому распространению. Здесь технологии искусственного интеллекта, такие как машинное обучение, позволяют инженерам использовать частоту для измерения скорости изменения фазы во время измерения, а также доплеровский сдвиг для определения движений.
Алгоритмы машинного обучения могут установить связь между физической активностью и доплеровской спектральной картой времени, связанной с жестами, такими как поднятие предметов или сидение. Фаза партий данных является достаточно точным , чтобы различить небольшие движения тела , вызванное дыханием.
Университет Ковентри построил прототип пассивной системы обнаружения Wi-Fi с использованием универсального программного обеспечения радиопередачи (USRP) и программного обеспечения LabVIEW для захвата, обработки и интерпретации необработанных выборок радиочастотного сигнала. LabVIEW , интуитивно понятный инструмент графического программирования как для процессоров, так и для FPGA, позволяет инженерам управлять сложными конфигурациями системы и настраивать параметры обработки сигналов в соответствии с точными требованиями.
NI
Рисунок 3: Приемопередатчик USRP, взаимодействующий с программным обеспечением LabVIEW, позволяет инженерам, ученым и студентам разрабатывать алгоритмы для беспроводных технологий следующего поколения. Источник: National Instruments.
С другой стороны, USRP - это настраиваемый приемопередатчик на основе SDR, который работает в тандеме с LabVIEW для создания прототипов систем беспроводной связи. Он уже использовался в прототипах беспроводных приложений, таких как FM-радио, радиопеленгация, запись и воспроизведение RF, пассивный радар и моделирование GPS.
Инженеры из Университета Ковентри использовали USRP для захвата необработанных РЧ-выборок и передачи их в приложение LabVIEW для быстрой обработки сигналов. Они также динамически изменили массивы данных и размер пакета аналитических процедур, чтобы адаптировать систему к медленным и быстрым движениям.
Инженеры смогли интерпретировать некоторые захваченные сигналы и напрямую связать периодическое изменение фазы партии с жестами и частотой дыхания. Затем они проверили, была ли фаза пакетов данных достаточно точной, чтобы различить небольшие движения тела, вызванные дыханием.
AI: новый рубеж беспроводной связи
Приведенные выше примеры дизайна демонстрируют потенциал технологий искусственного интеллекта, таких как машинное обучение и глубокое обучение, для революции в дизайне радиочастот, охватывая широкий спектр областей разработки радиочастот и создавая новые варианты использования беспроводных сетей.
Это все еще первые дни внедрения ИИ в беспроводных сетях. Но наличие коммерческих продуктов, таких как USRP, говорит о том, что революция в области искусственного интеллекта достигла порога беспроводной связи.