[论文解读] DL-based CSI Feedback and Cooperative Recovery in Massive MIMO

Jiajia Guo, Xi Yang+3 more|arXiv (Cornell University)|Mar 6, 2020

Advanced MIMO Systems Optimization参考文献 57被引用 36

一句话总结

该论文提出 CoCsiNet，一种基于深度学习的框架，通过利用附近用户设备（UE）之间的空间相关性，降低了大规模 MIMO 系统中 CSI 反馈的开销。通过联合解码来自多个 UE 的共享 CSI，并结合使用新颖的解码器与组合网络，CoCsiNet 实现了高精度的信道恢复，同时减少了反馈开销，该方法在两个真实世界信道数据集上得到了验证。

ABSTRACT

In this paper, we exploit the correlation between nearby user equipment (UE) and develop a deep learning-based channel state information (CSI) feedback and cooperative recovery framework, CoCsiNet, to reduce the feedback overhead. The CSI information can be divided into two parts: shared by nearby UE and owned by individual UE. The key idea of exploiting the correlation is to reduce the overhead used to repeatedly feedback shared information. Unlike in the general autoencoder framework, an extra decoder and a combination network are added at the base station to recover the shared information from the feedback CSI of two nearby UE and combine the shared and individual information, respectively, but no modification is performed at the UEs. For a UE with multiple antennas, we also introduce a baseline neural network architecture with long short-term memory modules to extract the correlation of nearby antennas. Given that the CSI phase is not sparse, we propose two magnitude-dependent phase feedback strategies that introduce statistical and instant CSI magnitude information to the phase feedback process, respectively. Simulation results on two different channel datasets show the effectiveness of the proposed CoCsiNet.

研究动机与目标

• 通过利用附近用户设备（UE）之间的空间相关性，降低大规模 MIMO 系统中的反馈开销。
• 设计一种协作式 CSI 反馈与恢复框架，最小化相邻 UE 之间共享 CSI 的冗余传输。
• 在不修改 UE 端反馈机制的前提下，实现在基站端对共享与个体 CSI 的重建。
• 针对 CSI 相位非稀疏的特性，提出幅度感知的相位反馈策略。
• 通过深度学习联合解码与融合多 UE 反馈，提升 CSI 恢复精度。

提出的方法

• 提出一种基于基站的解码器与组合网络的深度学习框架 CoCsiNet，用于从两个相邻 UE 的反馈中重建共享 CSI。
• 设计双路径网络架构，其中共享 CSI 通过联合反馈恢复，而个体 CSI 则被保留并与其共享分量结合。
• 在基线神经网络中引入长短期记忆（LSTM）模块，以建模单个 UE 多个天线之间的相关性。
• 提出两种基于幅度的相位反馈策略：一种使用统计 CSI 幅度，另一种使用瞬时幅度，以提升相位反馈效率。
• 使用两个真实世界信道数据集进行端到端训练，以优化反馈压缩与重建精度。
• 在基站端使用组合网络融合共享与个体 CSI 分量，实现最终的信道状态估计。

实验结果

研究问题

• RQ1 能否有效利用附近 UE 之间的空间相关性，以降低大规模 MIMO 系统中的 CSI 反馈开销？
• RQ2 如何在不修改 UE 端传输机制的前提下，从多个 UE 的反馈中联合重建共享 CSI？
• RQ3 在相位非稀疏的情况下，引入 CSI 幅度信息对相位反馈精度有何影响？
• RQ4 LSTM 模块的使用如何提升 UE 内部多个天线之间 CSI 相关性的建模能力？
• RQ5 与传统反馈方案相比，所提出的 CoCsiNet 框架在重建精度与反馈开销方面有多大的性能提升？

主要发现

• CoCsiNet 通过消除相邻 UE 之间共享 CSI 的冗余传输，显著降低了 CSI 反馈开销。
• 从两个 UE 联合解码共享 CSI 的方法，实现了高精度的信道状态估计，且信道状态估计质量损失极小。
• 在相位反馈中整合统计与瞬时 CSI 幅度信息，即使在相位非稀疏的情况下，也显著提升了相位重建精度。
• 在基线架构中使用 LSTM 模块增强了 UE 内部相关性建模，从而提升了 UE 端的 CSI 表示质量。
• 在两个不同信道数据集上的仿真结果表明，CoCsiNet 在 CSI 恢复性能方面优于基线方法。
• 所提出的框架在不同信道条件下均保持了高重建精度，展现出良好的鲁棒性与可扩展性。