[論文レビュー] Channel Estimation via Direct Calculation and Deep Learning for RIS-Aided mmWave Systems

Fangqing Jiang, Liang Yang+2 more|arXiv (Cornell University)|Aug 2, 2020

Advanced Wireless Communication Technologies参考文献 16被引用数 13

ひとこと要約

本稿では、アクティブなエレメントの推定に焦点を当てることで複雑さを低減する、2つのチャネル推定手法—直接計算（DC）とディープラーニング（DL）—を用いた新規なRIS支援mmWaveシステムを提案する。チャネルと角度パラメータの推定を分離することで、従来のビームトレーニングに比べてMSEが低く、実現可能なデータレートが高く、アウトージェ確率も低くなる。さらにDLにより角度の精度が向上する。

ABSTRACT

This paper proposes a novel reconfigurable intelligent surface (RIS) architecture which enables channel estimation of RIS-assisted millimeter wave (mmWave) systems. More specifically, two channel estimation methods, namely, direct calculation (DC) and deep learning (DL) methods, are proposed to skillfully convert the overall channel estimation into two tasks: the channel estimation and the angle parameter estimation of a small number of active elements. In particular, the direct calculation method calculates the angle parameters directly through the channel estimates of adjacent active elements and, based on it, the DL method reduces the angle offset rate and further improves the accuracy of angle parameter estimation. Compared with the traditional methods, the proposed schemes reduce the complexity of the RIS channel estimation while outperforming the beam training method in terms of minimum square error, achievable rate, and outage probability.

研究の動機と目的

• RIS支援mmWaveシステムにおける従来のチャネル推定の高コストかつ低精度の問題を解決すること。
• アクティブなエレメントの少数に焦点を当てることで、トレーニングオーバーヘッドを低減し、推定精度を向上させること。
• 従来のビームトレーニングを上回る主要な性能指標において、低コストなチャネル推定フレームワークを構築すること。
• ディープラーニングを統合して角度パラメータ推定を精緻化し、角度オフセット誤差を低減すること。

提案手法

• システムは、少数のアクティブエレメントを有するスパarsな視線直線支配チャネルとしてRIS支援mmWaveチャネルをモデル化する。
• 直接計算（DC）法は、隣接するアクティブエレメントのチャネル推定値を用いて、幾何的関係から角度パラメータを直接推定する。
• ディープラーニング（DL）法は、DC推定値からの残存角度オフセットを補正するために訓練され、角度の精度を向上させる。
• 全体のフレームワークは、チャネル推定を2つのサブタスクに分離する：アクティブエレメントのチャネル応答の推定と、それらの角度パラメータの推定。
• DLモデルは合成データを用いてエンドツーエンドで訓練され、角度推定誤差を最小化する。
• 提案手法は、アクティブエレメントにのみ焦点を当てることで、必要なパイロット信号の数を削減し、トレーニングオーバーヘッドを低減する。

実験結果

リサーチクエスチョン

• RQ1 RIS支援mmWaveシステムにおけるチャネル推定の複雑さを、高い精度を維持したままどのように低減できるか？
• RQ2 隣接するアクティブエレメントからの角度パラメータの直接計算は、ビームフォーミングのための信頼できる初期推定値を提供できるか？
• RQ3 ディープラーニングは、直接計算を上回る角度パラメータ推定の精度をどの程度向上させられるか？
• RQ4 MSE、実現可能なデータレート、アウトージェ確率という観点から、提案手法は従来のビームトレーニングに比べてどのように異なるか？

主な発見

• 提案されたDCおよびDL手法は、アクティブエレメントにのみ焦点を当てることで、従来のアプローチに比べてチャネル推定の複雑さを低減する。
• DLを統合した手法は、角度オフセット率を低減し、結果として角度推定の精度が向上する。
• 本システムは、従来のビームトレーニング手法よりも低い最小二乗誤差（MSE）を達成する。
• より正確なチャネル状態情報のおかげで、提案手法では実現可能なデータレートが高くなる。
• アウトージェ確率が低減し、時間変動性やスパースなチャネル環境下でも信頼性が向上していることが示される。
• DC-DLフレームワークは、ハードウェアの複雑さを増さずに、すべての主要な性能指標においてビームトレーニングを上回る。