[논문 리뷰] Artificial Intelligence-aided Receiver for A CP-Free OFDM System: Design, Simulation, and Experimental Test

Jing Zhang, Chao-Kai Wen외 2명|arXiv (Cornell University)|2019. 03. 12.

Wireless Signal Modulation Classification참고 문헌 30인용 수 4

한 줄 요약

이 논문은 모델 기반 딥러닝 접근법을 사용하여 CP가 없는 OFDM 시스템을 위한 AI 보조 수신기 아키텍처를 제안한다. 이는 최소 제곱법으로 초기화된 채널 추정 네트워크(CE-NET)와 OAMP 기반 신호 검출 네트워크(OAMP-NET)를 결합한다. 시뮬레이션과 실외 환경(OTA) 테스트를 통해 높은 순서의 변조 및 동적 환경에서도 기존 방법보다 낮은 복잡도와 더 높은 강인성으로 열등한 BER 성능을 달성한다.

ABSTRACT

Orthogonal frequency division multiplexing (OFDM), usually with sufficient cyclic prefix (CP), has been widely applied in various communication systems. The CP in OFDM consumes additional resource and reduces spectrum and energy efficiency. However, channel estimation and signal detection are very challenging for CP-free OFDM systems. In this paper, we propose a novel artificial intelligence (AI)-aided receiver (AI receiver) for a CP-free OFDM system. The AI receiver includes a channel estimation neural network (CE-NET) and a signal detection neural network based on orthogonal approximate message passing (OAMP), called OAMP-NET. The CE-NET is initialized by the least-square channel estimation algorithm and refined by a linear minimum mean-squared error neural network. The OAMP-NET is established by unfolding the iterative OAMP algorithm and adding several trainable parameters to improve the detection performance. We first investigate their performance under different channel models through extensive simulation and then establish a real transmission system using a 5G rapid prototyping system for an over-the-air (OTA) test. Based on our study, the AI receiver can estimate time-varying channels with a single training phase. It also has great robustness to various imperfections and has better performance than those competitive algorithms, especially for high-order modulation. The OTA test further verifies its feasibility to real environments and indicates its potential for future communications systems.

연구 동기 및 목표

• 순환 프리픽스(CP) 제거로 스펙트럼 효율성이 감소하는 CP 없는 OFDM 시스템에서 간섭(대역간 간섭 및 블록 간 간섭)을 유발하는 채널 추정 및 신호 검출 문제를 해결한다.
• 시간 변화 및 주파수 선택적 fading 채널에서 기존의 최소 제곱법(LS) 및 제로 포지션(ZF) 방법의 한계를 극복하기 위해 AI를 활용해 강인성과 정확도를 향상시킨다.
• 물리 계층 지식(LMMSE, OAMP)을 가진 학습 가능한 파rameter를 통합한 모델 기반 딥러닝 수신기를 설계하여 학습 데이터 요구량을 줄이고 일반화 능력을 향상시킨다.
• 모의 환경과 실제 실외 환경(OTA)에서 제안된 AI 수신기의 성능을 검증하며, 동적 산란 및 이동성을 포함한 환경을 시뮬레이션한다.
• 향후 고효율, 저지연 무선 시스템(예: 6G 및 IoT)을 위한 AI 보조 수신기의 실현 가능성과 우수성을 입증한다.

제안 방법

• 최소 제곱법 기반 추정으로 초기화된 채널 추정 신경망(CE-NET)을 설계하고, 정확도 향상을 위해 선형 최소 제곱 오차(LMMSE) 레이어를 통합하여 최소한의 데이터로 성능을 향상시킨다.
• 반복적 직교 근사 메시지 전달(OAMP) 알고리즘을 전개하여 OAMP-NET을 개발하고, 성능 향상을 위해 학습 가능한 파rameter를 도입한다.
• 실제 다중 경로 fading을 시뮬레이션하기 위해 IEEE 802.11b를 대표하는 지수형 전력延迟 프로파일(Exp)과 같은 채널 모델을 사용해 수신기를 오프라인으로 훈련시킨다.
• CE-NET과 OAMP-NET을 통합하여 CP 없는 OFDM에서 동시 채널 추정 및 신호 검출을 위한 종단 간 AI 수신기 아키텍처를 설계한다.
• 이동성 및 산란 조건을 통제하는 5G 빠른 프로토타이핑 시스템을 활용해 실외 환경(OTA)에서 AI 수신기를 구현하고 테스트한다.
• 정적 및 동적 환경에서 동일한 SNR 및 피LOT 구성 조건 하에서 기준 LS+OFDM 및 다른 AI 기반 기준(FC-DNN, ComNet)과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 모델 기반 AI 수신기는 최소한의 학습 데이터와 낮은 복잡도로 CP 없는 OFDM 시스템에서 정확한 채널 추정 및 신호 검출을 달성할 수 있는가?
• RQ2 이동하는 산란체가 존재하는 동적 실외 환경에서 제안된 AI 수신기는 기존의 전통적 방법 및 AI 기반 수신기보다 어떻게 성능을 발휘하는가?
• RQ3 고순서 변조 및 시간 변화 채널 환경에서 OAMP-NET은 ZF 기반 방법(예: ComNet)보다 검출 정확도를 얼마나 향상시키는가?
• RQ4 단일 채널 모델(예: EXP)에서 훈련된 AI 수신기는 다양한 실외 OTA 조건에서 테스트할 때도 강인성과 낮은 BER을 유지하는가?
• RQ5 AI 수신기에서 연속형 피LOT과 조합형 피LOT 간의 성능 격차는 무엇이며, 이를 어떻게 완화할 수 있는가?

주요 결과

• 시나리오 2(이동하는 사람 존재하는 동적 환경)에서 제안된 AI 수신기는 BER 4.6 × 10⁻³을 달성하였으며, LS+OFDM(1.9 × 10⁻²), FC-DNN(2.1 × 10⁻²), ComNet(1.2 × 10⁻²)보다 뛰어난 성능을 보였다.
• 시나리오 1(정적 환경)에서 AI 수신기는 BER 3.7 × 10⁻⁴를 기록하였으며, LS+OFDM(3.9 × 10⁻⁴)와 유사하고 FC-DNN(5.4 × 10⁻⁴) 및 ComNet(7.8 × 10⁻⁴)보다 약간 우수했다.
• OAMP-NET 검출기는 ZF 기반 ComNet보다 높은 정밀도를 보였으며, 특히 고순서 변조 및 복잡한 fading 환경에서 두드러졌다.
• AI 수신기는 채널 변화, 변조 방식 변화, 피LOT 구조(조합형 대비 연속형) 변화에 강건하여 다양한 조건에서도 낮은 BER을 유지했다.
• 실외 테스트를 통해 AI 수신기가 실세계 환경에서 실현 가능하고, 실제 비이상적 조건에서도 기존 방법보다 성능 우위를 확보함을 확인하였다.
• 특히 고신호대역비(SNR) 및 고이동성 환경에서 전통적인 모델 기반 수신기보다 낮은 복잡도를 구현하면서도 이론적 성능 한계에 근접하는 성능을 달성했다.