[论文解读] Beam Training and Tracking in MmWave Communication: A Survey

Yi Wang, Zhiqing Wei+1 more|arXiv (Cornell University)|May 20, 2022

Millimeter-Wave Propagation and ModelingEngineering被引用 18

一句话总结

本综述全面概述了毫米波（mmWave）通信中的波束训练与波束追踪技术，重点解决高开销和移动性引起的波束失准问题。它提出了先进方法——包括混合波束成形、机器学习以及感知-通信一体化系统——以实现未来6G网络中快速、精确且鲁棒的波束对准。

ABSTRACT

Communicating on millimeter wave (mmWave) bands is ushering in a new epoch of mobile communication which provides the availability of 10 Gbps high data rate transmission. However, mmWave links are easily prone to short transmission range communication because of the serious free space path loss and the blockage by obstacles. To overcome these challenges, highly directional beams are exploited to achieve robust links by hybrid beamforming. Accurately aligning the transmitter and receiver beams, i.e. beam training, is vitally important to high data rate transmission. However, it may cause huge overhead which has negative effects on initial access, handover, and tracking. Besides, the mobility patterns of users are complicated and dynamic, which may cause tracking error and large tracking latency. An efficient beam tracking method has a positive effect on sustaining robust links. This article provides an overview of the beam training and tracking technologies on mmWave bands and reveals the insights for future research in the 6th Generation (6G) mobile network. Especially, some open research problems are proposed to realize fast, accurate, and robust beam training and tracking. We hope that this survey provides guidelines for the researchers in the area of mmWave communications.

研究动机与目标

• 解决毫米波系统中因信道快速变化和用户移动性导致的高训练开销和波束失准问题。
• 克服传统波束训练方法在大规模毫米波MIMO系统中过度反馈和导频开销的局限性。
• 探索利用机器学习实现智能波束管理的技术，以缩小搜索空间并提升对动态环境的适应能力。
• 研究感知-通信一体化（ISAC）与太赫兹频段波束成形作为未来实现鲁棒毫米波与太赫兹通信的潜在方向。
• 识别开放的研究问题，以实现6G网络中快速、精确且节能的波束训练与追踪。

提出的方法

• 综述并分类现有波束训练与波束追踪方法，包括穷举搜索、基于码本的方法以及混合波束成形技术。
• 分析大规模阵列天线系统中信道状态信息（CSI）反馈与波束对准过程的作用。
• 引入基于机器学习的方法——特别是深度学习与强化学习——以学习信道动态特性，降低波束搜索复杂度。
• 提出双功能雷达-通信（DFRC）系统，通过联合感知与通信能力消除对专用导频和反馈的需求。
• 研究太赫兹（THz）频段波束成形面临的挑战，包括高路径损耗、空间非平稳性以及精确CSI估计的需求。
• 评估混合预编码架构，通过结合数字与模拟波束成形，在频谱效率与硬件成本之间实现平衡。

实验结果

研究问题

• RQ1 在大规模阵列天线的毫米波系统中，如何最小化波束训练开销？
• RQ2 在高用户移动性和环境遮挡条件下，维持波束对准的关键挑战是什么？
• RQ3 机器学习技术如何提升动态毫米波环境中波束选择与追踪的速度与准确性？
• RQ4 感知-通信一体化（ISAC）系统在波束训练中以何种方式减少反馈与导频开销？
• RQ5 毫米波与太赫兹（THz）频段在波束成形与波束追踪方面存在哪些根本性差异与挑战？

主要发现

• 毫米波频段的高度定向波束成形可通过将能量聚焦于窄波束中，显著延长通信距离并提升频谱效率。
• 传统波束训练方法由于大规模阵列天线的存在而产生过高的开销，尤其在信道快速变化的高速移动场景中更为明显。
• 基于机器学习的波束训练通过学习信道动态特性与用户移动模式，可缩小波束搜索空间并实现更快收敛。
• 感知-通信一体化（ISAC）系统可消除对专用导频与上行反馈的需求，从而提升频谱效率并降低时延。
• 太赫兹频段波束成形面临的挑战甚至超过毫米波，主要源于更高的路径损耗与空间非平稳性，需要先进的CSI估计与波束管理技术。
• 混合波束成形架构可降低硬件成本，但引入的约束可能降低波束成形增益，因此需仔细设计模拟与数字预编码器。