[論文レビュー] Beam Training and Tracking in MmWave Communication: A Survey

Yi Wang, Zhiqing Wei+1 more|arXiv (Cornell University)|May 20, 2022

Millimeter-Wave Propagation and ModelingEngineering被引用数 18

ひとこと要約

本調査は、ミリ波（mmWave）通信におけるビームトレーニングおよびトラッキング技術について包括的な概要を提供し、高いオーバーヘッドと移動性に起因するビームのずれを克服することに焦点を当てている。将来の6Gネットワークにおける高速で正確かつ耐障害性の高いビーム整合を実現するため、ハイブリッドビームフォーミング、機械学習、統合センシング・コミュニケーションシステムといった高度な手法を提案している。

ABSTRACT

Communicating on millimeter wave (mmWave) bands is ushering in a new epoch of mobile communication which provides the availability of 10 Gbps high data rate transmission. However, mmWave links are easily prone to short transmission range communication because of the serious free space path loss and the blockage by obstacles. To overcome these challenges, highly directional beams are exploited to achieve robust links by hybrid beamforming. Accurately aligning the transmitter and receiver beams, i.e. beam training, is vitally important to high data rate transmission. However, it may cause huge overhead which has negative effects on initial access, handover, and tracking. Besides, the mobility patterns of users are complicated and dynamic, which may cause tracking error and large tracking latency. An efficient beam tracking method has a positive effect on sustaining robust links. This article provides an overview of the beam training and tracking technologies on mmWave bands and reveals the insights for future research in the 6th Generation (6G) mobile network. Especially, some open research problems are proposed to realize fast, accurate, and robust beam training and tracking. We hope that this survey provides guidelines for the researchers in the area of mmWave communications.

研究の動機と目的

• mmWaveシステムにおける急激なチャネル変動およびユーザー移動性に起因する高いトレーニングオーバーヘッドとビームのずれを解消すること。
• 大規模なmmWave MIMOシステムにおける、過剰なフィードバックとパイロットオーバーヘッドといった従来のビームトレーニングの制限を克服すること。
• 機械学習を用いた知的ビーム管理技術を検討し、探索空間を縮小し、動的環境への適応性を向上させること。
• 統合センシングと通信（ISAC）および太赫茲帯（THz）バンドのビームフォーミングを、強固なmmWaveおよびテラヘルツ通信の今後の方向性として調査すること。
• 6Gネットワーク向けに、高速で正確かつエネルギー効率の良いビームトレーニングおよびトラッキングを実現するための未解決の研究課題を特定すること。

提案手法

• 全般的なビームトレーニングおよびトラッキング手法を調査・分類し、全探索、コードブックベース、ハイブリッドビームフォーミング技術を含む。
• 大規模アレイアンテナを備えたmmWaveシステムにおけるチャネル状態情報（CSI）フィードバックとビーム整合手順の役割を分析する。
• 深層学習および強化学習を含む機械学習ベースのアプローチを導入し、チャネルのダイナミクスを学習し、ビーム探索の複雑さを低減する。
• 共同センシングと通信機能を活用することで、専用パイロットとフィードバックの必要性を排除する二重機能型レーダー通信（DFRC）システムを提案する。
• 高い経路損失、空間非定常性、正確なCSI推定の必要性を伴う太赫茲（THz）帯のビームフォーミングにおける課題を検討する。
• デジタルとアナログビームフォーミングを組み合わせることでスペクトル効率とハードウェアコストの両立を図るハイブリッドプレコーディングアーキテクチャを評価する。

実験結果

リサーチクエスチョン

• RQ1 大規模アンテナアレイを備えたmmWaveシステムにおいて、どのようにしてビームトレーニングのオーバーヘッドを最小限に抑えることができるか？
• RQ2 高いユーザー移動性と環境遮断の下でも、ビーム整合を維持する上で直面する主な課題は何か？
• RQ3 機械学習技術は、動的mmWave環境におけるビーム選択およびトラッキングの速度と正確性をどのように向上させることができるか？
• RQ4 統合センシングと通信（ISAC）システムは、ビームトレーニングにおけるフィードバックおよびパイロットオーバーヘッドをどのように低減できるか？
• RQ5 mmWave帯と太赫茲（THz）帯におけるビームフォーミングおよびビームトラッキングの根本的な違いと課題は何か？

主な発見

• mmWave帯における高指向性ビームフォーミングは、エネルギーを狭いビームに集中させることで、通信距離を著しく延長し、スペクトル効率を向上させることができる。
• 従来のビームトレーニング手法は、特に急激に変化するAoD/AoAを伴う高移動度環境において、大規模アンテナアレイに起因する過剰なオーバーヘッドに苦しんでいる。
• 機械学習ベースのビームトレーニングは、チャネルのダイナミクスとユーザー移動パターンを学習することで、探索空間を縮小し、収束速度を向上させる。
• 統合センシングと通信（ISAC）システムは、専用パイロットと上行リンクフィードバックの必要性を排除し、スケジューリング効率を向上させるとともに遅延を低減する。
• THz帯のビームフォーミングは、mmWave帯よりもさらに大きな課題を抱えており、高い経路損失と空間非定常性のため、高度なCSI推定とビーム管理が求められる。
• ハイブリッドビームフォーミングアーキテクチャはハードウェアコストを低減するが、ビームフォーミングゲインの低下を引き起こす可能性がある制約を伴うため、アナログおよびデジタルプレコーダーの設計を慎重に行う必要がある。