ワイヤレス・イン サイト アカデミック・パートナーシップ
ペンシルバニア州立大学を起源とするレムコムは、学術界と長年にわたるパートナーシップを築いてきました。このような協力関係は研究開発を促進するだけでなく、当社の製品を向上させ、専門知識を成長させます。以下は、WirelessInSite ®がどのようにワイヤレスmmWave技術の進歩に焦点を当てた学術プログラムで使用されているかを示すいくつかの例です。
DeepMIMO：ミリ波およびマッシブMIMOアプリケーションのための汎用ディープラーニングデータセット
機械学習ツールは、ミリ波（mmWave）やマッシブMIMOシステムにおける興味深いアプリケーションに現れている。これは主に、未知のモデルを学習し、困難な最適化問題に取り組む際の強力な機能によるものである。しかし、ミリ波／マッシブMIMOにおける機械学習研究を進めるためには、共通のデータセットが必要である。このデータセットは、開発されたアルゴリズムの評価、結果の再現、ベンチマークの設定、異なるソリューションの比較に使用できる。本研究では、mmWave/massive MIMOチャネルの汎用データセットであるDeepMIMOデータセットを紹介する。DeepMIMOデータセット生成フレームワークには、2つの重要な特徴がある。第一に、DeepMIMOチャネルは、Wireless InSiteから取得した正確なレイトレーシング・データに基づいて構築されている。したがって、DeepMIMOチャネルは、いくつかの機械学習アプリケーションに不可欠な、環境形状/材料と送受信位置の依存性をキャプチャする。第二に、DeepMIMOデータセットは汎用的／パラメータ化されているため、研究者は、生成されたDeepMIMOデータセットをターゲットの機械学習アプリケーション用に調整するために、一連のシステムおよびチャネルパラメータを調整することができる。
レイモブタイム
Raymobtimeは、無線通信をシミュレートするための現実的なデータセットを収集するための方法論である。レイトレーシングと、モビリティと時間発展による3Dシナリオを使用し、時間、周波数、空間の一貫性を得る。LIDAR（Blensor経由）、カメラ（Blender経由）、位置のシミュレーションが組み込まれており、機械学習やその他のテクニックを使った調査が可能です。Raymobtimeは、レイトレーシングにWireless Insiteを、モビリティシミュレーション（車両、歩行者、ドローンなど）にオープンソースのSimulator of Urban Mobility（SUMO）を使用している。また、現実的な屋外シナリオのインポートを簡素化するために、CadmapperとOpen Street Mapを組み込んでいます。詳しくはRaymobtimeのウェブサイトをご覧ください。
5GにおけるITU人工知能/機械学習チャレンジ
research.ece.ncsu.edu/ai5gchallenge
ML5G-PHYチャネル推定チャレンジは、5G物理層における最も困難な問題の1つである、ハイブリッドMIMOアーキテクチャを考慮したmmWave MIMOリンク（初期アクセス）を確立するためのチャネル情報の取得を攻撃する。この課題でのアプローチは、データ駆動型アプローチやモデルベースアプローチを使用して何が達成できるかについての重要な洞察につながる。
ドレクセル無線システム研究所
research.coe.drexel.edu/ece/dwsl/research/mmwave-research
Wireless InSiteの有望なシミュレーション結果に基づき、ドレクセル・ワイヤレス・システム研究所は、mmWave周波数でのアンテナ設計をカバーするために研究を拡大し、さまざまな実用的な設定でチャネルを特性評価するための測定キャンペーンを実施している。
