[论文解读] Cell-Free Massive MIMO for 6G Wireless Communication Networks

Hengtao He, Xianghao Yu+3 more|arXiv (Cornell University)|Oct 14, 2021

Advanced MIMO Systems Optimization被引用 13

一句话总结

本文提出了一套全面的信号处理框架，用于6G网络中的无蜂窝大规模MIMO，其中分布式的接入点（AP）协同服务用户，打破传统蜂窝边界，通过用户中心的协作与先进信号处理技术，实现均匀覆盖、高 spectral efficiency 和可扩展性。主要贡献包括用户关联、导频分配、上行合并、下行预编码和功率控制的优化，并初步集成机器学习与可重构智能表面（RIS）技术，以实现面向未来的性能增强。

ABSTRACT

The recently commercialized fifth-generation (5G) wireless communication networks achieved many improvements, including air interface enhancement, spectrum expansion, and network intensification by several key technologies, such as massive multiple-input multiple-output (MIMO), millimeter-wave communications, and ultra-dense networking. Despite the deployment of 5G commercial systems, wireless communications is still facing many challenges to enable connected intelligence and a myriad of applications such as industrial Internet-of-things, autonomous systems, brain-computer interfaces, digital twin, tactile Internet, etc. Therefore, it is urgent to start research on the sixth-generation (6G) wireless communication systems. Among the candidate technologies for such systems, cell-free massive MIMO which combines the advantages of distributed systems and massive MIMO is considered as a key solution to enhance the wireless transmission efficiency and becomes the international frontier. In this paper, we present a comprehensive study on cell-free massive MIMO for 6G wireless communication networks, especially from the signal processing perspective. We focus on enabling physical layer technologies for cell-free massive MIMO, such as user association, pilot assignment, transmitter and receiver design, as well as power control and allocation. Furthermore, some current and future research problems are highlighted.

研究动机与目标

• 解决5G蜂窝大规模MIMO的局限性，特别是边缘用户性能退化和小区间干扰问题。
• 通过部署分布式、用户中心的接入点，克服集中式大规模MIMO中的可扩展性与计算开销问题。
• 通过分布式天线带来的宏分集增益，实现广域范围内均匀、高可靠、节能的连接。
• 开发可扩展的物理层信号处理技术——包括用户关联、导频分配、合并、预编码与功率控制，以支持实际部署。
• 探索集成新兴技术（如机器学习、可重构智能表面（RIS）和联邦学习）以提升系统性能与可扩展性。

提出的方法

• 提出一种用户中心的动态协作聚类（DCC）方案，将每个用户的业务限制在一组AP内，从而降低计算负载与信令开销。
• 采用最小均方误差（LMMSE）与基于深度学习的信道估计方法，在导频污染与衰落条件下提升估计精度。
• 应用多种上行合并技术（如顺序MMSE、基于投影矩阵的软检测、基于期望传播的检测），在性能与复杂度之间取得平衡。
• 引入多种下行预编码策略，包括最大Ratio传输（MRT）、迫零（ZF）、局部ZF、团队预编码与协作预编码，以抑制多用户干扰。
• 结合基于优化与基于深度学习的功率控制方法（如使用大规模衰落系数的深度卷积神经网络（DCNN）），提升频谱效率与能量效率。
• 通过信号量化与结构化格码设计，考虑回传链路受限系统，并探索无线电条架构以实现低成本部署。

实验结果

研究问题

• RQ1 如何优化用户关联与导频分配，以在无蜂窝大规模MIMO中最小化干扰与导频污染？
• RQ2 在保持低复杂度的前提下，哪些上行合并与下行预编码技术最有效于实现高谱效率？
• RQ3 如何利用机器学习改进信道估计、功率控制与TDD互易性校准？
• RQ4 可重构智能表面（RIS）在提升无蜂窝大规模MIMO覆盖与频谱效率方面可发挥何种作用？
• RQ5 如何通过高效的信号处理与压缩技术，解决回传链路容量受限问题？

主要发现

• 用户中心的动态协作聚类（DCC）即使在用户数无限的情况下，也能保证每个AP的计算负载有限，从而解决可扩展性问题。
• 基于深度学习的功率控制（采用DCNN与大规模衰落系数）在反馈开销低的前提下实现接近最优的性能。
• LMMSE与基于深度学习的信道估计显著降低了导频污染，并在丰富的散射环境中提升了频谱效率。
• 先进的预编码方案（如局部ZF与团队预编码）在高SINR与干扰受限场景下，优于传统的MRT与ZF方案。
• 在无蜂窝大规模MIMO中集成联邦学习可显著缩短训练时间，通过分布式模型聚合实现，且无需共享原始数据。
• 回传链路受限系统通过结构化量化与格码设计获益，可在保持性能的同时降低回传负载。