[論文レビュー] A Scalable and Statistically Robust Beam Alignment Technique for mm-Wave Systems

Xiaoshen Song, Saeid Haghighatshoar+1 more|arXiv (Cornell University)|Aug 30, 2017

Millimeter-Wave Propagation and Modeling参考文献 36被引用数 4

ひとこと要約

本稿では、2次チャネル統計と非負の最小二乗法（NNLS）を活用して、同時多ユーザー訓練を可能にするスケーラブルで非インタラクティブなミリ波MIMOシステム向けのビームアライメント（BA）技術を提案する。この手法は時間変動するチャネル下でもロバストな性能を発揮し、ユーザー数に依存しないトレーニングオーバーヘッドを実現する。マルチユーザー環境および動的チャネル条件において、インタラクティブおよびCSベースの最先端手法を上回る性能を発揮する。

ABSTRACT

Millimeter-Wave (mm-Wave) frequency bands provide an opportunity for much wider channel bandwidth compared with the traditional sub-6 GHz band. Communication at mm-Waves is, however, quite challenging due to the severe propagation path loss. To cope with this problem, directional beamforming both at the Base Station (BS) side and at the user side is necessary in order to establish a strong path conveying enough signal power. Finding such beamforming directions is referred to as the Beam Alignment (BA) and is known to be a challenging problem. This paper presents a new scheme for efficient BA, based on the estimated second order channel statistics. As a result, our proposed algorithm is highly robust to variations of the channel time-dynamics compared with other proposed approaches based on the estimation of the channel coefficients, rather than of their second-order statistics. In the proposed scheme, the BS probes the channel in the Downlink (DL) letting each user to estimate its own path direction. All the users within the BS coverage are trained simultaneously, without requiring "beam refinement" with multiple interactive rounds of Downlink/Uplink (DL/UL) transmissions, as done in other schemes. Thus, the training overhead of the proposed BA scheme is independent of the number of users in the system. We pose the channel estimation at the user side as a Compressed Sensing (CS) of a non-negative signal and use the recently developed Non-Negative Least Squares(NNLS) technique to solve it efficiently. The performance of our proposed algorithm is assessed via computer simulation in a relevant mm-Wave scenario. The results illustrate that our approach is superior to the state-of-the-art BA schemes proposed in the literature in terms of training overhead in multi-user scenarios and robustness to variations in the channel dynamics.

研究の動機と目的

• マルチユーザーのミリ波MIMOシステムにおける、高いトレーニングオーバーヘッドとスケーラビリティの欠如という、既存のインタラクティブビームアライメント（BA）手法の課題に対処する。
• 時間変動しないチャネルを仮定するCSベースのBA手法の限界を克服する。これは、ミリ波帯域における高いドップラースペクトル拡散のため、しばしば不適切である。
• 反復的DL/ULフィードバックラウンドを必要とせず、BSのカバレッジ内にいるすべてのユーザーに対して同時にビームアライメントを実行できるようにする。
• 即時のチャネル推定に依存するのではなく、2次チャネル統計に依存する統計的にロバストなBAアルゴリズムを開発し、時間変動するチャネルダイナミクスに対する耐性を高める。
• ハイブリッドデジタル/アナログビームフォーミングアーキテクチャを有するマルチユーザーのミリ波MIMO MIMOシステムにおいて、低トレーニングオーバーヘッドと高い信頼性を実現する。

提案手法

• 基地局（BS）は構造化されたビームフォーミングシーケンスを用いてダウンリンク（DL）チャネルをプローブし、カバレッジ内にいるすべてのユーザーが同時に自らのチャネル指向を推定できるようにする。
• 端末設備（UE）は受信信号に対して圧縮センシング（CS）を実行し、チャネルをアングル・オブ・アレイバル（AoA）／アングル・オブ・デパートャチャネル（AoD）ドメインにおける非負のスパース信号としてモデル化する。
• UEにおけるチャネル推定は、非負の最小二乗法（NNLS）問題として定式化され、非負性制約下で主要パスの指向を効率的に回復する。
• このアルゴリズムはチャネルの2次統計に基づくため、即時の推定に依存するCSベースの手法とは異なり、チャネル係数の時間変動に対してロバストである。
• BSは、UEにおける完全なBFゲインとBSにおけるセクタビズドビームフォーミングを組み合わせたビームフォーミング戦略を採用し、初期トレーニングフェーズ中にSNRを最大化する。
• トレーニングオーバーヘッドはユーザー数に依存せず、反復的フィードバックを必要とせず、1回のDL送信フェーズで全ユーザーのトレーニングが完了する。

実験結果

リサーチクエスチョン

• RQ1 反復的DL/ULフィードバックラウンドを必要とせず、マルチユーザーのミリ波MIMOシステムにおけるスケーラビリティをどのように実現できるか？
• RQ2 CSベースのBAにおいて即時のチャネル推定に依存するのと比較して、2次チャネル統計に依存することによって、時間変動するチャネルダイナミクスに対するロバスト性はどの程度向上するか？
• RQ3 非インタラクティブで単一フェーズのトレーニング方式は、検出遅延および精度の観点から、インタラクティブな階層的または反復的BA手法と同等またはそれ以上の性能を達成できるか？
• RQ4 固定システムパrameter下で、ビームアライメントトレーニング時間を最小化するには、UEにおけるRFチェーンの最適数は何か？
• RQ5 チャネル相関が（i.i.d.から時間的に強く相関するまで）変化する条件下で、提案手法のNNLSベースのBA手法の検出確率は、既存のCSベースの手法（例：OMP）と比較してどの程度優れるか？

主な発見

• 提案手法は1回のDL送信フェーズで全ユーザーのトレーニングを完了させ、ユーザー数に依存しないトレーニングオーバーヘッドを実現する。これは、ユーザー数に比例して増加するインタラクティブ手法とは対照的である。
• 時間変動するチャネルに対して優れたロバスト性を示し、チャネル相関係数α（0から1の範囲）の広い範囲で高い検出確率を維持する。一方、[15]で提示されたCSベース手法は中程度から高い時間変動下で失敗する。
• シミュレーション結果から、提案手法ではトレーニングスロット数Tの増加に伴い、正常にアライメントされたユーザー数の割合K(T)/Kが急速に上昇し、理想的なフィードバック仮定下でも[11]のインタラクティブバイセクション法を上回る性能を示す。
• UEにおけるRFチェーンの最適数でビームアライメントの期待検出時間が最小化され、シミュレーションではハードウェアコストとトレーニング遅延のトレードオフが明確に示されている。
• 提案手法のNNLSベースの検出確率は、チャネル相関係数α ≥ 0.6の範囲で90％以上を維持するが、[15]のOMPベース手法は同条件で50％未満に低下する。
• 低ベースバンドSNR（例：-33 dB）でも高い性能を維持しており、RFチェーン数が限られる低SNRのミリ波環境でも有効であることが示された。