毫米波通信：波束训练vs信道估计, 传统方法vs机器学习方法

点击上方“中国科学信息科学”, 及时获取期刊动态!

毫米波大规模MIMO的信道状态信息获取方法，采用波束训练还是信道估计？采用传统方法还是机器学习方法？Science China Information Sciences 2021年第64卷第8期的综述将为您带来答案和思考。

Acquisition of channel state information for mmWave massive MIMO: traditional and machine learning-based approaches

Qi C H, Dong P H, Ma W Y, et al.

Sci China Inf Sci, 2021, 64(8): 181301

(长按并识别二维码，免费下载全文PDF)

毫米波通信可充分利用26 GHz以上频段丰富的频谱资源实现超高速的数据传输，因此吸引了学术界、工业界和政府管理部门的广泛关注与研究兴趣。而与此同时，毫米波通信较高的工作频段带来了较大的路径损耗。研究者一般采用大规模天线阵列构成多输入多输出（Multiple-input Multiple-output，MIMO）系统，生成高指向性的波束，对其路径损耗进行补偿。由于毫米波通信信号波长较短，相邻天线单元的距离可以设计得更小，在相同的面积上易于集成更多的天线单元，从而形成更大规模的天线阵列。此外，使用可重构的智能反射表面（Reconfigurable Intelligent Surface，RIS）能实现对毫米波信号的反射，使其到达信号遮挡的区域，增强毫米波信号的覆盖。

Illustration of mmWave massive MIMO communications system.

然而，高指向性的波束成形，依赖于信道状态信息获取的准确性。与Sub 6GHz常规频段MIMO系统相比，毫米波大规模MIMO系统的信道状态信息获取，具有更大的挑战。一方面，大规模天线阵列产生了大维度的空口信道矩阵，其估计过程需要消耗更多的资源，例如导频序列、探测波束、计算复杂度等。而另一方面，毫米波大规模MIMO通常采用混合波束成形架构，其射频链路数目远小于天线数目，通常只能获得与射频链路数目相同维度的小维接收信号，而无法直接获得与天线数目相同维度的大维接收信号，因此需要使用小维的接收信号来估计大维的空口信道矩阵，相比于常规频段的MIMO信道估计难度更大。

CSI acquisition for mmWave massive MIMO.

毫米波大规模MIMO的信道状态信息获取方法，主要包括波束训练和信道估计两大类。波束训练通常也称为波束对准。对于使用电磁透镜的毫米波大规模MIMO，波束训练也被称为波束选择，其中电磁透镜的作用相当于离散傅里叶变换。波束训练通过使用模拟的发射波束和接收波束对毫米波大规模MIMO信道进行探测，寻找接收信号能量最大的收发波束组合，即最适配于该信道传输的波束对，从而避免了对大维空口信道的直接估计。当波束训练完成以后，形成了小维的等效信道矩阵，只需要少量的导频就能基于最小二乘或者最小均方误差进行快速估计。而另一类方法——信道估计，主要研究如何对大维的空口信道实施有效估计，通过发掘信道潜在的稀疏性和信道的结构特征，通常采用压缩感知、稀疏信号处理技术、阵列信号处理技术等进行参数估计。不论波束训练还是信道估计，除了采用传统的方法，均可采用机器学习方法。

Hybrid architecture for mmWave MIMO transceiver.

Illustrations of partial beam sweeping and hierarchical beam training.

该文基于作者前期的研究工作基础，对现有的毫米波大规模MIMO信道状态信息获取方法进行综述。首先调研了主要的波束训练方法，包括波束扫描、分层码本波束训练和基于机器学习的波束训练。完成波束训练以后，只需要估计与射频链路数目相当的小维信道矩阵。作为信道状态信息获取方法的另外一大类，信道估计以如何准确的获取大维空口信道为目标。文章随后讨论了主流的信道估计方法，包括稀疏信道估计、基于阵列信号处理的信道估计和基于机器学习的信道估计。最后对不同的信道状态信息获取方法进行仿真对比，考虑了频谱效率、计算复杂度与各种开销。此外，还给出了一些未来的研究方向与开放性的研究主题。

该项研究得到了国家自然科学基金（Nos. 62071116, 61960206005）资助。

SCIENCE CHINA Information Sciences |《中国科学：信息科学》

及时报道计算机科学与技术、控制科学与控制工程、通信与信息系统、微电子与固体电子学等领域基础与应用研究方面的原创性成果.        

英文版投稿:  https://mc03.manuscriptcentral.com/scis

中文版投稿:  https://www.scicloudcenter.com/SSI/login/index

快速访问:     http://scis.scichina.com/