摘要
最近，大型语言模型（LLMs）因其出色的适应性和推理能力，已成功应用于无线通信、机器人和自动驾驶等多个领域。尽管具有巨大的潜力，但LLMs在移动管理中的应用相对稀缺，因为这不仅需要分析无线测量数据，还需要预测动态用户轨迹并在密集部署的小基站（SBSs）之间做出实时切换决策。
在本文中，我们提出了一种基于大型多模态模型（LMMs）的环境感知移动管理方案，旨在扩展LLMs处理多模态感知数据的能力。通过利用LMMs，所提方案从RGB-D图像中提取周围环境的上下文信息，以捕捉用户设备（UE）的移动模式，并识别由静态反射体和动态障碍物引起的信号反射和阻塞。
使用提取的环境信息，该方案学习UE与SBS位置到信道容量之间的内在映射，称为信道容量地图（CCM），从中预测UE轨迹上的未来信道容量。基于预测的信道容量，我们制定主动切换决策，以最大化累积信道容量。仿真结果表明，所提方案相较于传统深度学习（DL）方法在信道容量上实现了显著提升。
博主点评： 本文探讨了在移动管理中应用多模态模型的创新方法，结合环境感知与信道预测，展现了LLMs在复杂动态环境中的潜力，预示着未来无线通信技术的进步。需要进一步验证其在实际应用中的可行性与效率。