Meta-Learning optimiert Beam-Tracking in 5G/6G-Netzwerken

In modernen 5G- und 6G-Netzwerken ermöglichen Antennenarrays mit vielen Elementen hochfrequentes Beamforming, um die Datenrate zu steigern. Dabei wird üblicherweise ein Codebuch vorgefertigter Strahlrichtungen verwendet, aus dem ein Beam‑Management‑Modul kontinuierlich die „optimale“ Strahlrichtung für ein sich bewegendes User Equipment auswählt.

Die Auswahl der besten Strahlrichtung wird jedoch durch die Größe des Codebuchs sowie durch Reflexionen und Blockaden erschwert. Frühere Ansätze setzten auf überwachte Lernverfahren, die Klassifikatoren trainieren, um die nächste beste Strahlrichtung vorherzusagen.

Das neue Verfahren von Meta‑Learning betrachtet das Problem als teilweise beobachtbaren Markov‑Entscheidungsprozess (POMDP) und modelliert die Umgebung als das Codebuch selbst. Bei jedem Zeitschritt wird ein Kandidatenstrahl basierend auf dem Glaubenszustand der unbekannten optimalen Strahlrichtung und den bereits getesteten Strahlen ausgewählt. Damit wird die Strahlwahl zu einer Online‑Suchaufgabe, die die sich bewegende optimale Strahlrichtung lokalisiert.

Im Gegensatz zu bisherigen Methoden kann das System neue oder unerwartete Trajektorien sowie Änderungen in der physischen Umgebung verarbeiten und erzielt dabei eine Leistungssteigerung um mehrere Größenordnungen.