[論文レビュー] Fast Beam Training for RIS-Assisted Uplink Communication

Chandradeep Singh, Kamal Singh+1 more|arXiv (Cornell University)|Jul 23, 2021

Advanced Wireless Communication Technologies参考文献 9被引用数 10

ひとこと要約

本稿では、再構成可能インテリジェント表面（RIS）を支援するミリ波上行リンク通信において、粗いから細かいビームスイープを段階的に適用し、後続段階でビーム幅を狭めて検出精度を向上させる、複数ラウンドのビームトレーニングコードブックを提案する。この手法は、最終ラウンドでの検索を精緻化することで、訓練オーバーヘッドを低減しつつ高い成功確率を達成し、以前のコードブックでさえも、より少ない訓練シンボルで上回る性能を発揮する。

ABSTRACT

In this work, we propose a beam training codebook for Reconfigurable Intelligent Surface (RIS) assisted mmWave uplink communication. Beam training procedure is important to establish a reliable link between user node and Access point (AP). A codebook based training procedure reduces the search time to obtain best possible phase shift by RIS controller to align incident beam at RIS in the direction of receiving node. We consider a semi passive RIS to assist RIS controller with a feedback of minimum overhead. It is shown that the procedure detects a mobile node with high probability in a short interval of time. Further we use the same codebook at user node to know the desired direction of communication via RIS.

研究の動機と目的

• RISを支援する上行リンクのミリ波通信におけるビーム干渉と低検出確率の課題に対処すること。
• 動的かつ移動するユーザー環境において、高いビーム検出精度を維持しながら訓練オーバーヘッドを低減すること。
• RISとユーザー設備の両方で最小限のフィードバックで効率的なビーム同定を可能にするコードブックの設計。
• 受動的RIS反射の独自の制約に適応することで、既存のビームトレーニングフレームワークをRIS支援上行リンクに拡張すること。
• 最適化されたビームトレーニングにより、RISを活用するミリ波ネットワークにおけるスケーラブルで信頼性の高いランダムアクセスを実現すること。

提案手法

• 広いビームから開始し、段階的にビーム幅を狭めて角度分解能を向上させる複数ラウンドのビームトレーニングコードブックを提案する。
• RISコントローラーがユーザー信号の入射角を推定し、後続段階で検索を精緻化する階層的ビームスイープ戦略を採用する。
• 最終ラウンドで狭いビームを用いて微調整ステップを実施し、誤検出を最小限に抑え、検出確率を最大化する。
• RISのサイズとシステム制約に基づいて、各スイープにおけるビーム数を適応的に調整し、訓練オーバーヘッドと精度のトレードオフを最適化する。
• ユーザー側でも同一のコードブックを統合することで、RIS経由の双方向ビームアライメントを実現し、フィードバック信号の伝送を削減する。
• ユーザーおよびAPで単一RFチェーンを用いたアナログビームフォーミングを活用し、ハイブリッドプレフィングアーキテクチャと互換性を確保する。

実験結果

リサーチクエスチョン

• RQ1 移動ユーザーを伴うRIS支援上行リンクミリ波通信において、どのようにビームトレーニングを効率的かつ信頼性高く実現できるか？
• RQ2 干渉やパスロスの影響を受ける状況下で、訓練オーバーヘッドを最小限に抑えつつ検出確率を最大化するビームコードブック構造は何か？
• RQ3 最終トレーニングラウンドでのビーム幅の狭小化が角度分解能を向上させ、誤検出を低減するメカニズムは何か？
• RQ4 RISとユーザー設備の両方で同一のコードブックを用いて、最小限のフィードバックで双方向ビームアライメントを実現できるか？
• RQ5 提案手法は、既存のコードブックと比較して、成功確率および訓練シンボル効率の点でどのように優れているか？

主な発見

• 提案コードブックは、[8]のコードブックでさえも上回る高い成功確率を達成しており、訓練シンボル数を減らしても同様の性能を発揮する。
• 最終ラウンドでM=8ビームと微調整を適用した場合（図3の赤線）は、微調整なしのM=4ビーム（青線）よりも優れた性能を示し、精緻化の有効性を実証する。
• 最終ラウンドのビン数Tを減少させることで、低SNRビンの削除に伴い、高SNR条件下でも検出精度が向上するが、成功確率に悪影響を及げない。
• 訓練オーバーヘッドを低減しても高い検出確率を維持できることから、低SNR環境下でも高いロバストネスを示す。
• ダウンリンクでも、同じコードブックによりユーザー側で高い受信SNRが得られることから、上行リンクおよびダウンリンク両方のシナリオで有効性が確認される。
• 高SNR条件下で、特に最終ラウンドに微調整を適用した場合、提案手法のレート性能は既存手法を上回る。