[논문 리뷰] A Survey of Beam Management for mmWave and THz Communications Towards 6G

Qing Xue, Chengwang Ji외 5명|arXiv (Cornell University)|2023. 08. 04.

Millimeter-Wave Propagation and Modeling인용 수 5

한 줄 요약

이 종합적 서베이는 6G를 위한 밀리미터파 및 테라헤르츠 대역에서의 비드 관리에 대해 AI 기반, RIS 향상, ISAC 통합 기법을 포함하여 포괄적인 분석을 제공한다. 비드 트레이닝 오버헤드, 채널 변동성, 근거리 효과와 같은 주요 과제를 규명하고, 고속 이동성 및 동적 환경에서 효율적인 비드 정렬, 추적, 장애 복구를 위한 고도의 기법을 제안한다.

ABSTRACT

Communication in millimeter wave (mmWave) and even terahertz (THz) frequency bands is ushering in a new era of wireless communications. Beam management, namely initial access and beam tracking, has been recognized as an essential technique to ensure robust mmWave/THz communications, especially for mobile scenarios. However, narrow beams at higher carrier frequency lead to huge beam measurement overhead, which has a negative impact on beam acquisition and tracking. In addition, the beam management process is further complicated by the fluctuation of mmWave/THz channels, the random movement patterns of users, and the dynamic changes in the environment. For mmWave and THz communications toward 6G, we have witnessed a substantial increase in research and industrial attention on artificial intelligence (AI), reconfigurable intelligent surface (RIS), and integrated sensing and communications (ISAC). The introduction of these enabling technologies presents both open opportunities and unique challenges for beam management. In this paper, we present a comprehensive survey on mmWave and THz beam management. Further, we give some insights on technical challenges and future research directions in this promising area.

연구 동기 및 목표

• 6G 네트워크에서 고주파 밀리미터파 및 테라헤르츠 대역에서의 비드 관리에 대한 핵심 과제를 해결하기 위해.
• 빠른 채널 변동성, 사용자 이동성, 환경의 동적 변화가 비드 획득 및 추적에 미치는 영향을 분석하기 위해.
• 신기술—AI, RIS, ISAC—을 비드 관리 프레임워크에 통합하는 것을 조사하기 위해.
• 초기 대규모 MIMO 및 RIS 지원 시스템에서 근거리 비드 포밍 효과와 높은 트레이닝 오버헤드와 같은 열린 문제를 규명하기 위해.
• AI 파ar디그마, 감지 방법, RIS 통합을 포함한 최신 비드 관리 기법들에 대한 체계적 분류 및 비교 분석을 제공하기 위해.

제안 방법

• 학습 방식과 모델 아키텍처에 따라 AI 기반 비드 관리를 지도 학습, 강화 학습, 피어드 학습으로 분류한다.
• 감지 기반 비드 관리를 레이더 감지, 통신 신호 감지, 하이브리드 감지, 전용 센서 기반 접근 방식으로 분류한다.
• 기존 비드 관리 기법이 RIS 향상 네트워크로의 확장성 여부를 평가함으로써 RIS 지원 비드 관리 기법을 분석한다.
• 딥 강화 학습(예: DDPG, DQN)과 전이 학습을 활용하여 학습 오버헤드를 줄이는 AI 기반 비드 관리 프레임워크를 제안한다.
• 기존의 원거리 가정과는 달리 각도와 거리 양측을 고려한 근거리 비드 코드북 설계를 제안한다.
• 부분 관측 가능성을 다루기 위해 동적 환경에서 POMDP 및 MDP 모델을 사용하여 비드 추적 전략을 평가한다.

실험 결과

연구 질문

• RQ1 딥 강화 학습 및 피어드 학습과 같은 AI 기법은 밀리미터파/테라헤르츠 시스템에서 비드 정렬 및 추적 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 RIS를 비드 관리 프레임워크에 통합할 경우 성능 상의 트레이드오프와 제약 조건는 무엇인가?
• RQ3 초기 대규모 MIMO 및 RIS 지원 시스템에서의 근거리 효과는 기존 원거리 비드 코드북 설계에 어떤 도전을 가하는가?
• RQ4 통합 감지 및 통신(ISAC)은 V2X와 같은 고속 이동 환경에서 비드 관리에 어떻게 기여할 수 있는가?
• RQ5 동적 밀리미터파/테라헤르츠 환경에서 고신뢰성 유지와 함께 비드 트레이닝 오버헤드를 줄이는 데 있어 핵심 기술 과제는 무엇인가?

주요 결과

• 원거리 비드 코드북은 거리에 따른 위상 이동을 고려하지 못해 근거리 테라헤르츠 시스템에서 성능 저하를 야기한다.
• 특히 딥 강화 학습을 활용한 AI 기반 비드 관리는 고속 이동 환경에서 학습 오버헤드를 줄이고 비드 추적 정확도를 향상시킨다.
• RIS 향상 비드 관리는 커버리지 연장과 비드 오정렬 감소에 기여할 잠재력이 있으나, 동적 재구성 처리를 위한 새로운 프로토콜이 필요하다.
• ISAC 기반 비드 관리는 특히 V2X 환경에서 실시간 이동 사용자 감지 및 추적을 가능하게 하여 비드 획득 지연을 줄인다.
• 피어드 학습은 중앙 집중식 CSI 피드백이 필요 없이 분산 비드 관리를 가능하게 하며, 개인정보 보호를 유지한다.
• 초기 대규모 MIMO 및 RIS 지원 테라헤르츠 시스템에서 고비드 포밍 이득을 달성하기 위해서는 각도 및 거리 정보를 모두 포함한 근거리 비드 코드북 설계가 필수적이다.