[论文解读] A Survey of Beam Management for mmWave and THz Communications Towards 6G

Qing Xue, Chengwang Ji+5 more|arXiv (Cornell University)|Aug 4, 2023

Millimeter-Wave Propagation and Modeling被引用 5

一句话总结

本综述对6G中太赫兹（THz）通信的波束管理进行了全面分析，涵盖基于人工智能（AI）驱动、智能反射面（RIS）增强以及感知与通信一体化（ISAC）的方案。它识别出波束训练开销、信道快速波动以及近场效应等关键挑战，并提出了在高移动性和动态环境中实现高效波束对准、波束跟踪及故障恢复的先进技术。

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.

研究动机与目标

• 解决6G网络在高频段毫米波和太赫兹频段中波束管理的关键挑战。
• 分析信道快速波动、用户移动性及环境动态性对波束获取与跟踪的影响。
• 研究新兴技术（如AI、RIS和ISAC）在波束管理框架中的集成。
• 识别开放问题，如超大规模MIMO和RIS辅助系统中的近场波束成形效应及高训练开销。
• 对先进波束管理技术进行系统性分类与对比分析，涵盖AI范式、感知方法及RIS集成。

提出的方法

• 根据训练模式和模型架构，将基于AI的波束管理分类为监督学习、强化学习和联邦学习。
• 将基于ISAC的波束管理分类为雷达感知、通信信号感知、混合感知及专用传感器方法。
• 通过评估传统波束管理在RIS增强网络中的可扩展性，分析RIS辅助的波束管理。
• 提出一种基于AI的波束管理框架，利用深度强化学习（如DDPG、DQN）和迁移学习以减少训练开销。
• 提出一种考虑角度与距离的近场波束码本设计，区别于传统远场假设。
• 采用部分可观察性模型（如POMDP和MDP）评估波束跟踪策略，以应对动态环境中的部分可观测性问题。

实验结果

研究问题

• RQ1 如何通过深度强化学习和联邦学习等AI技术提升毫米波/太赫兹系统中的波束对准与跟踪效率？
• RQ2 在波束管理框架中集成RIS所带来的性能权衡与局限性是什么？
• RQ3 在超大规模MIMO和RIS辅助系统中，近场效应如何挑战传统远场波束码本设计？
• RQ4 在V2X等高移动性场景中，感知与通信一体化（ISAC）在多大程度上可增强波束管理？
• RQ5 在动态毫米波/太赫兹环境中，如何在保持高可靠性的同时降低波束训练开销？

主要发现

• 由于未考虑距离相关的相位偏移，远场波束码本在近场太赫兹系统中会导致显著性能下降。
• 基于AI的波束管理，特别是深度强化学习，可显著降低训练开销，并在高移动性场景中提升波束跟踪精度。
• RIS增强的波束管理在扩展覆盖范围和减少波束失配方面展现出潜力，但需要新型协议以应对动态重构问题。
• 基于ISAC的波束管理可实现实时移动用户检测与跟踪，尤其在V2X环境中，显著降低波束获取延迟。
• 联邦学习支持分布式波束管理并保障隐私，减少了对集中式信道状态信息（CSI）反馈的需求。
• 在超大规模MIMO和RIS辅助太赫兹系统中，必须将到达角/离开角（AoA/AoD）与距离信息同时纳入近场波束码本设计，才能实现高波束成形增益。