[論文レビュー] Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems

Xisuo Ma, Zhen Gao+2 more|arXiv (Cornell University)|Apr 22, 2021

Millimeter-Wave Propagation and Modeling参考文献 42被引用数 6

ひとこと要約

本稿は、角度遅延ドメインのスパarsityを活用することで、広帯域mmWave massiveハイブリッドMIMOシステムにおける低コストなチャネル推定とフィードバックのためのモデル駆動型ディープラーニング（MDDL）フレームワークを提案する。複数測定ベクトル学習された近似メッセージパッシング（MMV-LAMP）ネットワークを用いた位相シフトネットワークとチャネル推定器の共同最適化により、最先端の手法と比較してパイロットオーバーヘッドを低減しつつ優れた性能を達成する。

ABSTRACT

This paper proposes a model-driven deep learning (MDDL)-based channel estimation and feedback scheme for wideband millimeter-wave (mmWave) massive hybrid multiple-input multiple-output (MIMO) systems, where the angle-delay domain channels' sparsity is exploited for reducing the overhead. Firstly, we consider the uplink channel estimation for time-division duplexing systems. To reduce the uplink pilot overhead for estimating the high-dimensional channels from a limited number of radio frequency (RF) chains at the base station (BS), we propose to jointly train the phase shift network and the channel estimator as an auto-encoder. Particularly, by exploiting the channels' structured sparsity from an a priori model and learning the integrated trainable parameters from the data samples, the proposed multiple-measurement-vectors learned approximate message passing (MMV-LAMP) network with the devised redundant dictionary can jointly recover multiple subcarriers' channels with significantly enhanced performance. Moreover, we consider the downlink channel estimation and feedback for frequency-division duplexing systems. Similarly, the pilots at the BS and channel estimator at the users can be jointly trained as an encoder and a decoder, respectively. Besides, to further reduce the channel feedback overhead, only the received pilots on part of the subcarriers are fed back to the BS, which can exploit the MMV-LAMP network to reconstruct the spatial-frequency channel matrix. Numerical results show that the proposed MDDL-based channel estimation and feedback scheme outperforms the state-of-the-art approaches.

研究の動機と目的

• 制限されたRFチェーンのための上行リンクmmWave massiveハイブリッドMIMOシステムにおける高いパイロットオーバーヘッドを解消すること。
• 角度遅延ドメインにおける構造的スパarsityを活用することで、FDDシステムにおける下行リンクチャネルフィードバックオーバーヘッドを低減すること。
• 推定精度の向上を図るために、位相シフトネットワークとチャネル推定器を自動符号化器として共同最適化すること。
• 複数サブキャリアにわたる共通スパarsityを活用して効率的なマルチサブキャリアチャネル回復を実現する、トレーニング可能なMMV-LAMPネットワークを開発すること。
• ゼロ平均ベルヌーイ・ガウス分布の事前分布の下で、学習可能なスリミング関数を用いて最小限のトレーニングオーバーヘッドで高精度なチャネル推定とフィードバックを達成すること。

提案手法

• 上行リンクのチャネル推定では、事前モデルからの構造的スパarsityを活用して、位相シフトネットワークとチャネル推定器を自動符号化器として共同トレーニングする。
• 複数測定ベクトル学習された近似メッセージパッシング（MMV-LAMP）ネットワークを設計し、冗長辞書を用いて複数サブキャリアにわたるチャネルを同時に回復する。
• MMV-LAMPネットワークは、ゼロ平均ベルヌーイ・ガウス事前分布の下でMSE最適なノイズ除去器から導出された学習可能なスリミング関数を用い、トレーニング可能なパラメータθ₁およびθ₂を有する。
• 下行リンクのフィードバックでは、ユーザー機器でのパイロットがサブキャリアの一部にのみフィードバックされ、MMV-LAMPネットワークが全空間周波数チャネル行列を再構成する。
• アルゴリズムは、残差行列のフロベニウスノルムを用いた適応的ノイズ分散推定を組み込み、トレーニング可能なパラメータの勾配ベースの更新を実行する。
• フレームワークはバックプロパゲーションを用いてエンドツーエンドでトレーニングされ、位相シフトネットワークと推定器が推定誤差を最小化するように共同最適化される。

実験結果

リサーチクエスチョン

• RQ1 モデル駆動型ディープラーニングは、上行リンクmmWave massiveハイブリッドMIMOシステムにおけるパイロットオーバーヘッドを低減しつつ、高いチャネル推定精度を維持できるか？
• RQ2 自動符号化を介した位相シフトネットワークとチャネル推定器の共同最適化は、従来手法と比較してどれほど性能を向上させられるか？
• RQ3 MMV-LAMPを用いてサブキャリア間で共通するスパarsityを活用することで、広帯域mmWaveシステムにおけるチャネル回復がどの程度向上するか？
• RQ4 特定サブキャリアに限定してパイロットをフィードバックし、MMV-LAMPによる再構成を組み合わせることで、精度を損なわずにフィードバックオーバーヘッドを顕著に低減できるか？
• RQ5 推定精度と耐障害性の観点から、提案されたMDDLフレームワークは、最先端の圧縮センシングおよびディープラーニングベースの手法と比較してどの程度優れているか？

主な発見

• 提案されたMDDLベースのチャネル推定とフィードバック方式は、さまざまなSNR条件下でも、最先端の手法と比較して推定精度と耐障害性に優れている。
• 冗長辞書を備えたMMV-LAMPネットワークにより、構造的スパarsityの活用のおかげで、複数サブキャリアのチャネルを同時に回復する性能が顕著に向上した。
• 位相シフトネットワークと推定器の共同トレーニングが自動符号化器として機能することで、上行リンクのパイロットオーバーヘッドが低減されつつ、高い推定精度を維持できる。
• 特定サブキャリアに限定してパイロットをフィードバックし、MMV-LAMPによる再構成を組み合わせることで、低コストなフィードバックオーバーヘッドで高精度なチャネル行列再構成が達成できる。
• ゼロ平均ベルヌーイ・ガウス事前分布の下で学習可能なスリミング関数を用いることで、最適なノイズ除去が可能となり、推定収束性と精度が向上する。