ワイヤレス向けの人工知能（AI）はすでに登場し、モビリティ管理、センシングとローカライゼーション、スマートシグナリング、干渉管理などの分野で応用されています。最近、Qualcomm Technologiesは、AI対応エアインタフェースを試作し、専用のAIプロセッサを搭載した世界初の5GモデムであるSnapdragon X70 5G modem-RFを発表しました。これらの開発は、10年以上の基礎研究に基づくワイヤレスと機械学習（ML）の両分野の専門知識によって可能になったものです。
ワイヤレスとMLは相互補完的な強みを持ちますが、最適なワイヤレスソリューションを生み出すには、両方のドメイン知識が必要であることが判明しました。既存の無線技術はスケーラブルで解釈可能なソリューションを可能にし、MLアルゴリズムは複雑なタスクや生成プロセスに対して優れた性能を発揮します。
省電力、チャネル推定、位置決め、MIMO検出、環境センシング、ビーム管理、最適化など、AIで強化できるワイヤレス技術能力は数多くの側面がありますが、これらに限定されるものではありません。ウェビナー「ワイヤレス通信とセンシングにAI研究を」では、通信を改善するためのML（生成モデリングやニューラル・オーグメンテーション）、RFセンシングを可能にするML（自己教師付きおよび教師なし学習による測位）の分野における当社の基礎研究にズームインしてご紹介しています。
AIがワイヤレス通信を強化する
チャネルモデルは、私たちのワイヤレス設計、特にMLソリューションの構築と評価にとって中心的なものです。従来のチャネルモデルは、面倒なフィールド測定を必要とし、伝搬特性に関するハードコードされた仮定を含み、一般的なシナリオをモデル化しています。これに対し、ニューラルチャネルモデルは、複雑なフィールドデータ分布に正確に一致し、プロトタイピングのために迅速にサンプリングでき、単純なトレースから構築することが可能です。ニューラル補強を行ったMIMO-GAN（generative adversarial network）ソリューションは、3GPP通信チャネルモデルを正確に学習し、シンプルなトレースを用いて、チャネルゲインの平均絶対誤差を-18.7dB未満、チャネル遅延を3.6ns未満に達成することができます。
通信チャネルは、伝搬特性のあらゆる変動に対して、正確に推定することが困難です。時変チャネルの追跡には、一般的に古典的なカルマンフィルタを使用します。これは解釈しやすく、任意のS/N比とパイロットパターンでうまく機能します。しかし、その限界は、フィルタパラメータがドップラー値によって変化し、単一のカルマンフィルタをすべてのドップラー値に対して使用すべきではないことです。また、単体のMLソリューションにも、うまく一般化できない、解釈できないなどの限界があります。私たちは、多くの有益な設計指針を与えてくれる概念であるニューラル・オーグメンテーションを再び用いて、ニューラル・オーグメンテッド・カルマン・フィルターを作成しました。これは、両者の長所を捉え、未知のケースにも汎化できるため、他の2つの方法より優れています。
AIが実現するRFセンシング
RFセンシングを可能にするクアルコムAIリサーチの取り組みについて語るとき、私たちは、アクティブ測位（通信機器を使用）とパッシブ測位（機器を持たない人や物体の位置を決定するためにアクセスポイントのみを使用）を区別しています。
アクティブ測位は、屋内などGNSSの見通しがきかない場所で特に有効です。RFセンシングを用いたアクティブ測位の応用例としては、屋内ナビゲーション、車両ナビゲーション、無人搬送車トラッキング、資産トラッキングなどがあります。この技術は、未来の工場の精密測位など、実際の場面ですでに実証されています。
到着時間差（TDOA）のような現在の古典的な精密測位法は、ラベルを必要としませんが、非視線条件ではあまり正確ではなく、マルチパス情報を利用しません。また、RF finger printing (RFFP)などのML法は、精度は高いものの、多くのラベルを必要とし、環境変化に対する頑健性に欠けます。私たちが開発したニューラルRF SLAMと呼ばれる産業用高精度測位手法は、この2つの技術のうち最も優れたものを実現しています。ラベルのないチャネル状態情報（CSI）を用いた実験では、90%のユーザーで平均43.4cmの精度を達成しました。ラベル付けされていないデータを使用することは、この高精度な測位技術をスケールアップして実現するための鍵となります。
RFセンシングによるパッシブ測位は、機器のタッチレス制御、存在検知、睡眠モニタリングなど、業界を問わずさまざまなユースケースもあります。しかし、既存の技術では、実世界のシナリオでうまく機能しなかったり、大規模な展開が不可能だったりすることがよくあります。WiClusterと呼ばれる当社のソリューションは、初の弱監視型パッシブ測位技術であり、既存の配備に関する課題に対処しています。WiClusterは、複数のフロアにまたがる強力な非視線距離で動作し、必要なラベル数はわずかです。例えば、オフィスと会議室が混在する職場環境において、WiClusterはこれらの部屋タイプでそれぞれ1.1mと2.1m未満の平均誤差で正確な測位を達成し、一般に、より高価なラベルを用いた教師あり学習と同等のテスト性能を達成しました。
Sauce：Bringing AI research to wireless communication and sensing
