[論文レビュー] Downlink Extrapolation for FDD Multiple Antenna Systems Through Neural Network Using Extracted Uplink Path Gains

Hyuckjin Choi, Junil Choi|arXiv (Cornell University)|Apr 3, 2020

Advanced MIMO Systems Optimization参考文献 39被引用数 18

ひとこと要約

本稿では、FDD massive MIMOシステムにおける下行リンク（DL）チャネル状態情報（CSI）の外挿技術として、全次元の上行リンク（UL）および下行リンク（DL）チャネルではなく、抽出されたパスゲインを用いることで、トレーニングの複雑さを低減し、精度を向上させる、新しいニューラルネットワークベースの手法を提案する。共通のチャネルパラメータ（送信角度（AoD）や遅延など）を活用することで、パスゲインのみを入力および出力として用いるニューラルネットワークのトレーニングが可能となり、特にコherency時間の短い高速移動環境において、従来手法に比べ優れた性能を達成する。

ABSTRACT

When base stations (BSs) are deployed with multiple antennas, they need to have downlink (DL) channel state information (CSI) to optimize downlink transmissions by beamforming. The DL CSI is usually measured at mobile stations (MSs) through DL training and fed back to the BS in frequency division duplexing (FDD). The DL training and uplink (UL) feedback might become infeasible due to insufficient coherence time interval when the channel rapidly changes due to high speed of MSs. Without the feedback from MSs, it may be possible for the BS to directly obtain the DL CSI using the inherent relation of UL and DL channels even in FDD, which is called DL extrapolation. Although the exact relation would be highly nonlinear, previous studies have shown that a neural network (NN) can be used to estimate the DL CSI from the UL CSI at the BS. Most of previous works on this line of research trained the NN using full dimensional UL and DL channels; however, the NN training complexity becomes severe as the number of antennas at the BS increases. To reduce the training complexity and improve DL CSI estimation quality, this paper proposes a novel DL extrapolation technique using simplified input and output of the NN. It is shown through many measurement campaigns that the UL and DL channels still share common components like path delays and angles in FDD. The proposed technique first extracts these common coefficients from the UL and DL channels and trains the NN only using the path gains, which depend on frequency bands, with reduced dimension compared to the full UL and DL channels. Extensive simulation results show that the proposed technique outperforms the conventional approach, which relies on the full UL and DL channels to train the NN, regardless of the speed of MSs.

研究の動機と目的

• 高速移動時におけるパイロットオーバーヘッドと限られたコherency時間のため、従来のFDD massive MIMOシステムのトレーニングおよびフィードバックのオーバーヘッドが高いために、これを解決すること。
• 全次元のULおよびDLチャネル行列に依存する既存のDL外挿手法には、ニューラルネットワークのトレーニング複雑度が高いため、その制限を克服すること。
• パス遅延や角度といった主要なチャネルパラメータの物理的相反性を活用することで、高速移動環境におけるDL CSI推定の精度とロバスト性を向上させること。
• 入力および出力をパスゲインのみに簡素化することで、ニューラルネットワークのトレーニング複雑度と時間を低減し、推定精度を維持または向上させること。
• 移動性、搬送周波数、帯域幅の影響を含む現実的なQuaDRiGa生成チャネルサンプルを用いてトレーニングすることで、実用的実現可能性を確保すること。

提案手法

• パラメトリックチャネルモデルを用いて、上行リンク（UL）および下行リンク（DL）チャネルから共通のチャネルパラメータ（送信角度（AoD）、遅延、パスゲイン）を抽出する。
• 全チャネルトレーニングと比較して次元を著しく低減するため、ニューラルネットワークの入力および出力にのみ抽出されたパスゲインを用いる。
• パスゲインが周波数および伝搬環境に依存することを活用し、ULパスゲインから予測されたDLパスゲインへのマッピングを学習するニューラルネットワークをトレーニングする。
• 事前にUL測定で得られたAoDおよび遅延を用いて、予測されたDLパスゲインと組み合わせ、基地局で完全なDL CSIを再構築する。
• 高速移動環境におけるロバスト性を確保するため、トレーニングプロセスに処理遅延を組み込む。
• 複数の移動性シナリオおよび帯域幅で、現実的なQuaDRiGa生成チャネルトレースを用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ULおよびDLチャネルからのパスゲイン抽出は、ニューラルネットワークのトレーニング複雑度を著しく低減しつつ、DL CSI推定精度を維持または向上させることができるか？
• RQ2 高速移動環境下で、抽出されたパスゲインを用いたNNベースのDL外挿手法は、従来の全チャネルトレーニング手法に比べてどのように性能を発揮するか？
• RQ3 処理遅延がDL CSI推定精度に与える影響はどの程度であり、トレーニング時のモデル化によってこれを緩和できるか？
• RQ4 本手法は、基地局アンテナ数や移動速度の変動に対しても高い精度を維持できるか？
• RQ5 特にコherencyインターバルが短い高速移動環境において、限られたトレーニングデータに対しても本手法はロバストであるか？

主な発見

• 提案手法であるパスゲインベース学習（PG学習）は、特に高速移動時において、従来の全チャネル学習（CH学習）と比較して、推定されたDL CSIと実際のDL CSIとの相関係数が高くなる。
• 40 MSサンプルセットを用いる場合、PG学習は安定した性能と高い精度を維持するが、CH学習はデータ不足に起因する不十分な性能と性能劣化を示す。
• NBS = 32アンテナおよび150 km/hの速度条件下で、PG学習は約0.74の相関係数を達成するが、CH学習は同じ条件下で0.5未満に低下する。
• 150 km/hの速度で32アンテナを使用する状況において、PG学習手法の有効スペクトル効率は13ビット/秒/Hzを上回り続けるが、DLトレーニングは過大なオーバーヘッドにより実行不可能になる。
• 入力／出力の次元を低減することで、ニューラルネットワークのトレーニング複雑度を低減し、収束速度を向上させ、計算コストを削減しつつ、精度に妥協を生じさせない。
• 処理遅延はトレーニング段階で効果的に補償されるため、移動体が高速に移動してもチャネル推定値が陳腐化する状況でもロバスト性が保証される。