Go to content
SV På svenska

Optimizing Radio Access Networks for efficient massive MIMO

Reference number
ID18-0093
Start and end dates
190101-250331
Amount granted
2 500 000 SEK
Administrative organization
Lund University
Research area
Information, Communication and Systems Technology

Summary

Massive MIMO has today been incorporated as one of the main technologies in the standard to meet the requirements for 5G. While the core technology is in place, there are still many open topics with respect to the implementation and optimization of the cellular network using this technology. In this project, we aim for a machine learning approach for efficient operation of cellular networks based on massive MIMO. The many antennas in massive MIMO base stations give access to details in the radio channel and opens up for better prediction of both small scale behaviour such as user correlation as well as large scale behaviour such as mobility patterns. This in turn can lead to new opportunities with respect to scheduling approaches and handover strategies in order to provide low latency reliable user connection in mixed and dynamic environments, The project is divided into four work packages 1) Long and short term channel prediction in massive MIMO 2) Mobility and traffic pattern estimation, handover prediction 3) Physical and virtual UE positioning based on network data and 4) 5G user scheduling based on machine learning. We will use a mix of experiments from the massive MIMO testbed at Lund University together with state of the art network simulators and real world traffic patterns to achieve our end goal: A machine learning enabled scheduling framework for mixed traffic in realistic 5G networks.

Popular science description

Aldrig förr så har människor tittat mer på videos, uppdaterat sociala media eller använt nätverk strömmade tjänster som idag vilket sätter höga krav på pålitlighet och kapacitet i mobila nätverk. Ericsson har analyserat 4G nät och dess prestanda i storstadsområden runt om i världen och kommit fram till att sannolikheten att en mobiltelefonanvändare kan drabbas av dålig täckning och försämrad service kan bli upp till 20% under rusningstrafiken. Redan år 2023 förutspås det att trafiken i mobilnät kommer att nå en nivå av hisnande 110 exabyte per månad. För den som undrar hur mycket det är så skulle det motsvara 5.5 miljoner år av HD videotittande. Detta kräver en utökning av både kapacitet men också ytterligare optimeringar i form av artificiell intelligens såsom machine learning osv. Massive MIMO är teknologi som möjliggör en signifikant ökning av kapacitet i mobila nät samtidigt som man reducerar störningar. Denna teknologi har också försetts med nya antennsystem som öppnar upp för helt nya data som tidigare inte har varit tillgänglig. Massive MIMO kan hjälpa att överbrygga gapet som finns mellan 4G och 5G genom att lägga till en intelligent kapacitetsplanering och därmed förbättra användarupplevelsen. Som ett exempel kan man ta en framtida drönare som används av räddningstjänsten för att filma byggnader i Ultra HD kvalité för att lokalisera människor vid eventuella bränder och på så sätt kunna assistera brandmän som befinner sig i skyskrapan för att evakuera de drabbade. I en storstadsmiljö så krävs det väldigt många basstationer för att ge tillräckligt med täckning då byggnader och andra objekt kan störa signalen. I ett fall som denna då en drönare används för att rädda liv så kan det bli tidskritiskt om drönare skulle förlora kommunikation med nätet (basstationen). Genom att tillämpa optimeringar l så skulle ett nät kunna förutse drönarens väg genom att använda machine learning metoder. Visionen är att en basstation skall kunna se till att drönaren förses med tillräcklig signalkvalité hela tiden genom att ”berätta” för en annan basstation när och var den kan förväntas sig att ta emot drönaren, som t.ex när den svänger runt hörnet på en byggnad. För att detta skall vara möjligt så behövs det nya sätt att samla in och analysera data från de nya antenn systemen. Machine learning-baserade system ökar effektiviteten av