[论文解读] Acquisition of Channel State Information for mmWave Massive MIMO: Traditional and Machine Learning-based Approaches

Chenhao Qi, Peihao Dong+4 more|arXiv (Cornell University)|Jun 16, 2020

Millimeter-Wave Propagation and Modeling参考文献 14被引用 8

一句话总结

本文全面综述了毫米波大规模MIMO系统中的信道状态信息（CSI）获取技术，对比了传统方法与基于机器学习的波束训练和信道估计技术。结果表明，基于机器学习的方法，尤其是深度卷积神经网络（CNN）和ESPRIT-based方案，在频谱效率和鲁棒性方面表现更优，其中ESPRIT方法在15 dB信噪比下相较分层波束训练的性能提升高达36.3%。

ABSTRACT

The accuracy of channel state information (CSI) acquisition directly affects the performance of millimeter wave (mmWave) communications. In this article, we provide an overview on CSI acquisition, including beam training and channel estimation for mmWave massive multiple-input multiple-output systems. The beam training can avoid the estimation of a high-dimension channel matrix while the channel estimation can flexibly exploit advanced signal processing techniques. In addition to introducing the traditional and machine learning-based approaches in this article, we also compare different approaches in terms of spectral efficiency, computational complexity, and overhead.

研究动机与目标

• 为毫米波大规模MIMO系统中的CSI获取技术提供系统性综述，重点聚焦于波束训练与信道估计。
• 从频谱效率、计算复杂度和开销等方面，分析并比较传统方法与基于机器学习的方法。
• 识别移动性、智能反射面（RIS）辅助以及动态毫米波环境下的CSI获取中的关键挑战与开放研究方向。
• 在不同信噪比和硬件约束等实际条件下，评估各类方案的性能表现。
• 探索强化学习与混合波束成形架构的集成，以实现智能CSI获取。

提出的方法

• 采用波束成形架构，其射频链数量少于天线数，限制了对全维CSI的直接获取。
• 回顾通过波束扫描、分层码本和基于机器学习的波束选择来减少导频开销的波束训练方法。
• 分析基于压缩感知（CS）和阵列信号处理（如ESPRIT）的高维信道矩阵估计方法。
• 提出使用深度卷积神经网络（CNN）实现端到端CSI估计，并在噪声条件下进行训练以提升鲁棒性。
• 在ESPRIT-based方法中使用奇异值分解（SVD）实现超分辨率到达角（AoA）与离开角（AoD）估计。
• 采用频谱效率、计算复杂度（数量级）和时隙开销等指标对各类方案进行比较。

实验结果

研究问题

• RQ1 在不同信噪比条件下，基于机器学习的波束训练与信道估计技术相较于传统方法，在频谱效率和鲁棒性方面表现如何？
• RQ2 与传统方法相比，基于深度学习的CSI获取在计算复杂度与性能增益之间存在何种权衡？
• RQ3 ESPRIT-based方法为何在高信噪比下表现更优？其在低信噪比下为何性能下降？
• RQ4 分层码本、自适应CS和深度CNN-based方案在时隙开销方面有何影响？
• RQ5 如何有效将强化学习集成到CSI获取中，以应对动态信道与短相干时间？

主要发现

• 在15 dB信噪比下，ESPRIT-based方案在频谱效率上比深度CNN-based方案高出8.3%。
• ESPRIT-based方法相较部分波束扫描方案提升15.7%，相较MAB-based方案提升23.6%，相较分层波束训练方案提升36.3%。
• 深度CNN-based方案具有最高的计算复杂度（量级为10^7），但能显著受益于并行计算加速。
• ESPRIT-based方法通过SVD实现超分辨率AoA/AoD估计，可在高信噪比下实现高精度，但在低信噪比下性能较差。
• 深度CNN-based与ESPRIT-based方案的开销与天线数、用户数或射频链数无关，仅需T个时隙。
• 分层波束训练与自适应CS-based方案具有相同的开销，当N_T较大时低于部分波束扫描，但当N_T较小时则更高。