Hintergrund:

Einer der Ansätze zur Bereitstellung der von 6G angestrebten universellen Konnektivität , ist die Nutzung von Non-Terrestrial Networks (NTNs). Diese NTNs erweitern unsere traditionellen terrestrischen Kommunikationsnetze, indem sie luft- und raumgestützte Plattformen hinzufügen, die nicht von irdischen Gefahren wie Erdbeben und anderen Katastrophen beeinflusst werden und große Gebiete abdecken. Sie bringen jedoch auch eine Reihe neuer Herausforderungen mit sich, wie z.B. erhöhte Dopplereffekte aufgrund der hohen Bewegungsgeschwindigkeit der Satelliten und lange Verzögerungen aufgrund der großen Entfernung. In den letzten Jahren haben eine Reihe von auf maschinellem Lernen (ML) basierenden Lösungen gezeigt, dass sie für terrestrische Anwendungsfälle sehr gute Ergebnisse liefern können. Die Aufgabe in diesem Projekt/Thema ist es, die Anwendbarkeit dieser Lösungen für NTN-Anwendungsfälle zu untersuchen und gute Lösungen für NTN-Szenarien zu finden.

Ziele:

Die endgültigen Ziele werden gemeinsam mit den Studierenden vereinbart, das Folgende ist nur ein Vorschlag.

• Untersuchen Sie die Anwendbarkeit bestehender, auf maschinellem Lernen basierender Lösungen für terrestrische Netzwerke in NTN-Szenarien.
• Entwickeln Sie vielversprechende, auf maschinellem Lernen basierende Ansätze für NTN.

Voraussetzungen:

Idealerweise erfüllen Sie die folgenden Kriterien. Wenn sich Ihr Profil unterscheidet, aber Sie dennoch an dem Projekt interessiert sind, können Sie mich trotzdem kontaktieren.

• Solide Programmierkenntnisse in Python
• Idealerweise Erfahrung mit Tensorflow
• Grundkenntnisse im Bereich Maschinelles Lernen
• Fundamentale Kenntnisse in der Basisbandverarbeitung von Kommunikationssystemen

Weitere Informationen: