Mahboubeh Ansari, M.Sc.

Maschinelles Lernen für Kanalschätzung in zukünftigen Fahrzeugkommunikationssystemen

Art der studentischen Arbeit: Masterarbeit

Betreuer: Mahboubeh Ansari

Abteilung: Mobilfunksysteme

Zuverlässige drahtlose Kommunikation zwischen Fahrzeugen und Infrastruktur (V2X) ist ein zentraler Baustein zukünftiger intelligenter Verkehrssysteme. Hohe Fahrgeschwindigkeiten und sich schnell ändernde Umgebungen führen jedoch zu stark zeitvarianten Funkkanälen, die eine genaue Kanalschätzung erschweren. Klassische Kanalschätzverfahren, die auf vordefinierten Pilotsymbolen und linearen Algorithmen basieren, stoßen unter diesen Bedingungen an ihre Grenzen und können die strengen Anforderungen an Zuverlässigkeit und Latenz in modernen Systemen nicht erfüllen.

In dieser Masterarbeit soll der Einsatz von Methoden des maschinellen Lernens zur Verbesserung der Kanalschätzung in fahrzeugnahen Kommunikationsszenarien untersucht werden. Anstatt sich ausschließlich auf klassische signalverarbeitungstechnische Ansätze zu stützen, wird erforscht, inwiefern datengetriebene Modelle das komplexe Kanalverhalten besser erfassen, die Schätzgenauigkeit erhöhen und möglicherweise die Rechenverzögerung reduzieren können. Die Arbeit umfasst eine Literaturübersicht, die Konzeption und Implementierung ausgewählter ML-basierter Kanalschätzer sowie einen systematischen Vergleich mit konventionellen Verfahren in Simulationsumgebungen. Das übergeordnete Ziel ist zu bewerten, ob maschinelles Lernen praxistaugliche und robuste Verbesserungen für die Kanalschätzung in V2X-Systemen der nächsten Generation bieten kann.