[논문 리뷰] Channel Estimation via Direct Calculation and Deep Learning for RIS-Aided mmWave Systems

Fangqing Jiang, Liang Yang외 2명|arXiv (Cornell University)|2020. 08. 02.

Advanced Wireless Communication Technologies참고 문헌 16인용 수 13

한 줄 요약

이 논문은 활성 요소 추정에 집중함으로써 복잡도를 감소시키는 두 가지 채널 추정 방법—직접 계산(DC) 및 딥 러닝(DL)—를 사용하는 새로운 RIS-보조 mmWave 시스템을 제안한다. 채널과 각도 파rameter 추정을 분리함으로써 기존의 빔 트레이닝보다 더 낮은 MSE, 더 높은 가용률, 더 낮은 아웃지 기술을 달성하며, DL을 통해 각도 정확도가 더욱 향상된다.

ABSTRACT

This paper proposes a novel reconfigurable intelligent surface (RIS) architecture which enables channel estimation of RIS-assisted millimeter wave (mmWave) systems. More specifically, two channel estimation methods, namely, direct calculation (DC) and deep learning (DL) methods, are proposed to skillfully convert the overall channel estimation into two tasks: the channel estimation and the angle parameter estimation of a small number of active elements. In particular, the direct calculation method calculates the angle parameters directly through the channel estimates of adjacent active elements and, based on it, the DL method reduces the angle offset rate and further improves the accuracy of angle parameter estimation. Compared with the traditional methods, the proposed schemes reduce the complexity of the RIS channel estimation while outperforming the beam training method in terms of minimum square error, achievable rate, and outage probability.

연구 동기 및 목표

• 기존의 RIS-보조 mmWave 시스템에서의 높은 복잡도와 낮은 정확도 문제를 해결하기 위해.
• 작은 수의 활성 요소에 집중함으로써 훈련 오버헤드를 줄이고 정확도를 향상시키기 위해.
• 전통적인 빔 트레이닝보다 핵심 성능 지표에서 뛰어난 저복잡도 채널 추정 프레임워크를 개발하기 위해.
• 딥 러닝을 통합하여 각도 파rameter 추정을 정밀하게 보완하고 각도 오프셋 오차를 줄이기 위해.

제안 방법

• 시스템은 활성 요소 수가 적고, 선형 방향성 우세한 희박한 채널로 모델링된 RIS-보조 mmWave 채널을 고려한다.
• 직접 계산(DC) 방법은 기하학적 관계를 이용해 인접한 활성 요소의 채널 추정치에서 각도 파rameter를 직접 추정한다.
• 딥 러닝(DL) 방법은 DC 추정치에서 잔여 각도 오프셋을 보정하여 각도 정확도를 향상시킨다.
• 전체 프레임워크는 채널 추정을 두 가지 하위 작업으로 분리한다: 활성 요소의 채널 응답 추정 및 각도 파rameter 추정.
• 딥 러닝 모델은 합성 데이터를 사용하여 엔드 투 엔드로 훈련되어 각도 추정 오차를 최소화한다.
• 제안된 방법은 오직 활성 요소에만 초점을 맞추어 필요한 파ilot 신호 수를 줄여 훈련 오버헤드를 낮춘다.

실험 결과

연구 질문

• RQ1 RIS-보조 mmWave 시스템에서 채널 추정의 복잡도는 어떻게 유지하면서 낮출 수 있는가?
• RQ2 인접한 활성 요소에서의 직접 계산을 통해 빔 포밍을 위한 신뢰할 수 있는 初기 추정치를 제공할 수 있는가?
• RQ3 딥 러닝은 직접 계산을 초월하여 각도 파rameter 추정 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 제안된 방법은 MSE, 가용률, 아웃지 기술 측면에서 기존의 빔 트레이닝과 비교해 어떻게 성능을 냅니까?

주요 결과

• 제안된 DC 및 DL 방법은 오직 활성 요소에 집중함으로써 기존의 접근 방식보다 채널 추정 복잡도를 감소시킨다.
• DL을 통합한 방법은 각도 오프셋 비율을 감소시켜 더 높은 각도 추정 정확도를 달성한다.
• 전통적인 빔 트레이닝 방법보다 더 낮은 최소 제곱 오차(MSE)를 달성한다.
• 더 정확한 채널 상태 정보 덕분에 제안된 방법은 더 높은 가용률을 확보한다.
• 아웃지 기술이 감소하여 시간에 따라 변하는 또는 희박한 채널 환경에서의 신뢰성이 향상됨을 나타낸다.
• DC-DL 프레임워크는 하드웨어 복잡도를 증가시키지 않으면서도 모든 핵심 성능 지표에서 빔 트레이닝을 능가한다.