[论文解读] Channel Estimation for Full-Duplex RIS-assisted HAPS Backhauling with Graph Attention Networks

Kürşat Tekbıyık, Güneş Karabulut Kurt+3 more|arXiv (Cornell University)|Oct 22, 2020

Advanced Wireless Communication Technologies参考文献 21被引用 9

一句话总结

该论文提出了一种基于图注意力网络（GAT）的全双工可重构智能表面（RIS）辅助高空平台站（HAPS）回传系统中的信道估计算法，实现了无需时分双工（TDD）信令的级联信道系数同时估计。该GAT方法具有低开销和优异的归一化均方误差（NMSE）性能，即使在训练数据中未包含此类变化的情况下，也能对硬件损伤和不同小尺度衰落条件保持鲁棒性。

ABSTRACT

In this paper, graph attention network (GAT) is firstly utilized for the channel estimation. In accordance with the 6G expectations, we consider a high-altitude platform station (HAPS) mounted reconfigurable intelligent surface-assisted two-way communications and obtain a low overhead and a high normalized mean square error performance. The performance of the proposed method is investigated on the two-way backhauling link over the RIS-integrated HAPS. The simulation results denote that the GAT estimator overperforms the least square in full-duplex channel estimation. Contrary to the previously introduced methods, GAT at one of the nodes can separately estimate the cascaded channel coefficients. Thus, there is no need to use time-division duplex mode during pilot signaling in full-duplex communication. Moreover, it is shown that the GAT estimator is robust to hardware imperfections and changes in small-scale fading characteristics even if the training data do not include all these variations.

研究动机与目标

• 解决传统RIS辅助全双工HAPS系统中信道估计的高开销和复杂度问题。
• 克服全双工RIS通信中基于时分双工（TDD）导频信令的局限性。
• 开发一种低开销、高性能的信道估计算法，可同时估计级联信道（CN–RIS与RIS–BS）。
• 确保对训练数据中未出现的硬件损伤和小尺度衰落变化具有鲁棒性。
• 使该方法可应用于全双工和半双工场景，包括多用户和MIMO系统。

提出的方法

• 将RIS辅助HAPS通信链路建模为图结构，其中节点代表RIS单元，边代表信道依赖关系，利用图注意力网络（GAT）进行建模。
• GAT估计算法通过一个节点（如核心网）的导频信号，同时估计CN–RIS与RIS–BS信道系数，从而无需依赖基于TDD的导频调度。
• 利用GAT中的注意力机制，在估计过程中动态聚焦于最相关的RIS单元，提升对信道变化的鲁棒性。
• GAT架构通过带标签的信道数据进行端到端训练，图结构编码了RIS单元的空间与传播特性。
• 该模型设计为可泛化至未见过的图结构和信道条件，包括不同小尺度衰落参数（K因子）和RIS幅值增益误差。
• 通过并行估计所有信道系数，避免了开关状态控制，从而降低训练与估计开销。

实验结果

研究问题

• RQ1 基于GAT的估计算法是否能在不依赖TDD模式的前提下，实现在全双工RIS辅助HAPS回传系统中的高精度信道估计？
• RQ2 与传统的最小二乘（LS）估计相比，GAT估计算法在归一化均方误差（NMSE）方面的表现如何？
• RQ3 当训练数据中未包含RIS幅值增益误差时，GAT估计算法对硬件损伤的鲁棒性如何？
• RQ4 当训练集中未包含不同小尺度衰落（如不同K因子）时，GAT估计算法如何处理此类变化？
• RQ5 GAT估计算法是否能泛化至未见过的图结构和信道条件，包括不同数量的RIS单元和导频符号？

主要发现

• 在全双工RIS辅助HAPS回传系统中，GAT估计算法的NMSE显著低于最小二乘（LS）估计算法，表现出更优的估计精度。
• GAT估计算法在CN–RIS与RIS–BS信道估计中均保持近乎一致的NMSE性能，表明其在两条链路间实现均衡且可靠的估计。
• 即使仅在K=10（瑞利衰落）条件下进行训练，GAT估计算法在广泛K因子范围（包括非视 Line-of-Sight 条件）下仍能实现满意的NMSE性能，展现出对未见衰落环境的强大泛化能力。
• GAT估计算法对RIS幅值增益误差（ε = 10⁻³, 10⁻², 10⁻¹）保持鲁棒性，NMSE性能仅轻微恶化；而LS估计算法虽不受影响但整体性能较差。
• 随着RIS单元数量的增加，NMSE性能略有下降，当单元数量加倍时，需额外约3 dB的SNR才能维持相同的NMSE水平。
• 注意力机制使GAT能够聚焦于最相关的RIS单元，减少对高导频开销的依赖，即使在训练数据有限的情况下也能实现高效估计。