[论文解读] Two-Timescale Design for RIS-aided Cell-free Massive MIMO Systems with Imperfect CSI

Mahdi Eskandari, Kangda Zhi+3 more|arXiv (Cornell University)|Mar 14, 2023

Advanced Wireless Communication Technologies被引用 5

一句话总结

该论文提出了一种在不完美信道状态信息（CSI）条件下，针对智能反射面（RIS）辅助的无蜂窝大规模MIMO系统，采用两时间尺度波束成形设计。该设计利用统计CSI（S-CSI）优化无源RIS相位偏移，同时利用瞬时CSI（I-CSI）进行接入点（AP）的主动波束成形。通过线性最小均方误差（LMMSE）估计器与深度强化学习（SAC）相结合，即使在CSI不完美条件下，也能最大化频谱效率，显著优于传统设计方案。

ABSTRACT

The objective of this paper is to evaluate the effectiveness of a two-timescale transmission design in cell-free massive multi-input multiple-output (MIMO) systems incorporating reconfigurable intelligent surfaces (RISs) under the assumption of imperfect channel state information (CSI). We examine the Rician channel model and formulate the passive beamforming for the RISs based on statistical channel state information (S-CSI). To that end, we put forth a linear minimum mean square error (LMMSE) estimator with the aim of estimating the aggregation of channels from the users to the APs within each channel coherence interval. Meanwhile, the active beamforming for the radio units (APs) is executed using the maximum ratio combining (MRC) approach, which utilizes the instantaneous aggregated channels, that result from the combination of the direct and reflected channels from the RISs. Subsequently, we derive the closed-form expressions of the achievable uplink spectral efficiency (SE), which is a function of S-CSI elements such as distance-dependent path loss, Rician factors as well as the number of RIS elements and AP antennas. We then optimize the phase shifts of the RISs to maximize the sum SE of the users, utilizing the soft actor-critic (SAC) which is a deep reinforcement learning (RL) method, and relying on the derived closed-form expressions. Numerical evaluations affirm that, despite the presence of imperfect CSI, the deployment of RIS in cell-free systems can lead to significant performance improvement.

研究动机与目标

• 解决在实际中难以获得完美信道知识的RIS辅助无蜂窝大规模MIMO系统中不完美CSI的挑战。
• 提出一种两时间尺度传输框架，其中RIS相位偏移基于长期统计CSI（S-CSI）进行优化，而接入点（AP）的主动波束成形则基于短期瞬时CSI（I-CSI）。
• 推导出上行链路频谱效率（SE）的闭式表达式，作为路径损耗、Rician因子、RIS单元数和AP天线数等S-CSI参数的函数。
• 利用深度强化学习（SAC）优化RIS相位偏移，以在不完美CSI条件下最大化总频谱效率。
• 通过在真实信道条件下的数值评估，验证所提设计方案的鲁棒性与性能增益。

提出的方法

• 采用线性最小均方误差（LMMSE）估计器，基于统计CSI（S-CSI）对每个信道相干期内用户到接入点（APs）的聚合信道进行估计。
• 在APs上使用最大比率合并（MRC）进行主动波束成形，基于由直射链路与RIS反射链路构成的瞬时聚合信道。
• 推导出包含距离相关路径损耗、Rician因子、RIS单元数和AP天线数等S-CSI参数的上行链路频谱效率（SE）闭式表达式。
• 将RIS相位偏移建模为强化学习（RL）问题，采用软演员评论家（SAC）算法，基于推导出的SE表达式进行优化。
• 在两时间尺度框架中集成基于S-CSI的RIS波束成形与基于I-CSI的AP波束成形，实现RIS慢速优化与AP快速处理的解耦。
• 将推导出的SE表达式作为SAC中的奖励函数，实现不完美CSI条件下RIS相位偏移优化的样本高效策略学习。

实验结果

研究问题

• RQ1 当仅能获取统计CSI时，该两时间尺度设计在RIS辅助无蜂窝大规模MIMO系统中如何提升频谱效率？
• RQ2 在不完美CSI条件下，深度强化学习（SAC）在多大程度上能够优化RIS相位偏移以最大化总频谱效率？
• RQ3 关键S-CSI参数（如路径损耗、Rician因子、RIS单元数和AP天线数）如何影响可实现的频谱效率？
• RQ4 与依赖完美CSI假设的传统方案相比，所提两时间尺度设计的性能增益如何？
• RQ5 在实际部署场景中，该方案对信道估计误差和不完美CSI的鲁棒性如何？

主要发现

• 所提两时间尺度设计即使在不完美CSI条件下也能实现显著的频谱效率增益，表现出对信道估计误差的强鲁棒性。
• 利用S-CSI进行RIS相位偏移优化可实现稳定性能，且无需频繁CSI反馈，显著降低系统开销。
• 软演员评论家（SAC）算法能有效学习最优RIS相位偏移，在最大化总频谱效率方面优于启发式与非学习型方法。
• 频谱效率随Rician因子提高和RIS单元数增加而提升，证实了丰富散射环境对RIS部署的价值。
• 闭式SE表达式能准确捕捉系统行为，并支持高效的基于RL的优化，验证了分析框架的有效性。
• 数值结果表明，RIS与无蜂窝大规模MIMO的集成显著提升了覆盖范围与频谱效率，尤其在遮挡或边缘用户场景下表现突出。