[論文レビュー] Twenty-Five Years of Advances in Beamforming: From Convex and Nonconvex Optimization to Learning Techniques

Ahmet M. Elbir, Kumar Vijay Mishra+2 more|arXiv (Cornell University)|Nov 3, 2022

Antenna Design and Optimization被引用数 4

ひとこと要約

本稿は、過去25年間におけるビームフォーミング技術の進展を包括的にレビューし、凸最適化と非凸最適化の手法から、現代の学習ベースのアプローチへと進化する過程をたどる。これらの手法がレーダー、無線通信、およびインテリジェントリフレクティングサーフェス（IRS）や近距離ビームフォーミングといった新興分野における、耐障害性、アレイ不一致、複雑な伝搬環境の課題に対処する仕組みを詳細に説明する。

ABSTRACT

Beamforming is a signal processing technique to steer, shape, and focus an electromagnetic wave using an array of sensors toward a desired direction. It has been used in several engineering applications such as radar, sonar, acoustics, astronomy, seismology, medical imaging, and communications. With the advances in multi-antenna technologies largely for radar and communications, there has been a great interest on beamformer design mostly relying on convex/nonconvex optimization. Recently, machine learning is being leveraged for obtaining attractive solutions to more complex beamforming problems. This article captures the evolution of beamforming in the last twenty-five years from convex-to-nonconvex optimization and optimization-to-learning approaches. It provides a glimpse of this important signal processing technique into a variety of transmit-receive architectures, propagation zones, paths, and conventional/emerging applications.

研究の動機と目的

• 過去25年間にわたり、凸最適化から非凸および学習ベースの手法に至るビームフォーミング技術の進化を調査すること。
• スティーリングベクトルの不一致、限られたスナップショット、アレイマニフォールド誤差に対する耐障害性を向上させるための主要なアルゴリズム的進展を同定すること。
• 従来の最適化を超えて、複雑なビームフォーミング問題を解消するための機械学習の役割を分析すること。
• ハイブリッドビームフォーミング、インテリジェントリフレクティングサーフェス（IRS）、近距離ビームフォーミングといった新興のビームフォーミングアーキテクチャを検討すること。
• レーダー、無線通信、超音波、光学分野を含む多様な応用分野におけるビームフォーミングの統合的概要を提供すること。

提案手法

• 送信距離（遠距離対近距離）、受信機・送信機アーキテクチャ（アナログ、デジタル、ハイブリッド）、伝搬経路（LoS、NLoS）に基づいてビームフォーミング手法を体系的に分類する。
• 耐障害性を向上させるために、最悪ケースのロバストビームフォーミング、SMI、楕円体型不確実性モデルを含む凸最適化ベースのビームフォーマーをレビューする。
• 半定値緩和（SDR）、圧縮センシング（CS）、および交互最適化を用いた非凸ビームフォーミング技術を分析し、ハイブリッドビームフォーミングおよびマルチキャストビームフォーミングに応用する。
• 教師あり学習（SL）、教師なし学習（UL）、強化学習（RL）、フェデレーテッドラーニング（FL）、オンライン学習（OL）を含む学習ベースのビームフォーミングを紹介し、アプリケーション固有の利点を提示する。
• 電力制約と位相制約を満たす共同最適化フレームワークを用いて、IRS支援システムにおけるアクティブ／パッシブビームフォーミングの共同設計を提示する。
• 近距離ビームフォーミングに適した距離依存型アレイ応答モデルを導出する。このモデルでは応答が方向と距離の両方に依存し、球面波面モデルを用いる必要がある。

実験結果

リサーチクエスチョン

• RQ1 スティーリングベクトルと伝搬方向の不一致が生じる状況下で、凸最適化手法はどのように耐障害性を向上させたか？
• RQ2 信号共分散、定幅変調、SNRに制約を課す非凸ビームフォーミング問題における主な課題とその解決策は何か？
• RQ3 教師あり学習（SL）、強化学習（RL）、フェデレーテッドラーニング（FL）、オンライン学習（OL）といった異なる機械学習パラダイムは、動的またはデータが限られた環境でどのようにビームフォーミング性能を向上させるか？
• RQ4 インテリジェントリフレクティングサーフェス（IRS）技術は、ビームフォーミングシステムにおけるカバレッジ拡張と電力消費低減にどのように寄与するか？
• RQ5 近距離ビームフォーミングは遠距離ビームフォーミングとどのように異なるか？正確なビームフォーマー設計に必要なモデリングの変更は何か？

主な発見

• 最悪ケースのロバストビームフォーミングやSMIを含む凸最適化ベースのビームフォーマーは、スティーリングベクトルの不確実性や限られたスナップショット下でも、性能を著しく向上させる。
• SDRと圧縮センシングを用いた非凸ビームフォーミング技術により、定幅変調制約を満たすハイブリッドビームフォーミングおよびマルチキャストビームフォーミングの効率的解決が可能になった。
• 強化学習は、長期的な性能最適化を報酬に基づいて行う点で、教師ありおよび教師なし学習を上回る性能を発揮する。
• フェデレーテッドラーニングにより、プライバシー保護とフィードバックオーバーヘッドの低減を実現しつつ、マルチユーザー環境における分散型ビームフォーミングが可能になった。
• IRS支援ビームフォーミングは、ビームフォーマーと位相シフトを共同最適化することで顕著な性能向上を達成し、低消費電力でカバレッジを拡張可能となった。
• 近距離ビームフォーミングには距離依存型アレイ応答モデルが必要であり、ビームパターンが距離に応じて変化するため、平面波近似ではなく球面波面モデルを用いる必要がある。