[论文解读] Efficient Beam Training and Channel Estimation for Millimeter Wave Communications Under Mobility

Sun Hong Lim, Jisu Bae Sunwoo Kim+3 more|arXiv (Cornell University)|Apr 21, 2018

Millimeter-Wave Propagation and Modeling参考文献 30被引用 7

一句话总结

该论文针对用户移动性下的毫米波通信，提出了一种专用的波束训练与信道估计框架，通过为高速移动用户优化训练波束，显著降低了开销。该方法利用概率信道知识与一种贪心稀疏估计算法，在相比传统方案大幅减少训练资源的前提下，实现了较低的信道估计误差。

ABSTRACT

In this paper, we propose an efficient beam training technique for millimeter-wave (mmWave) communications. When some mobile users are under high mobility, the beam training should be performed frequently to ensure the accurate acquisition of the channel state information. In order to reduce the resource overhead caused by frequent beam training, we introduce a dedicated beam training strategy which sends the training beams separately to a specific high mobility user (called a target user) without changing the periodicity of the conventional beam training. The dedicated beam training requires small amount of resources since the training beams can be optimized for the target user. In order to satisfy the performance requirement with low training overhead, we propose the optimal training beam selection strategy which finds the best beamforming vectors yielding the lowest channel estimation error based on the target user's probabilistic channel information. Such dedicated beam training is combined with the greedy channel estimation algorithm that accounts for sparse characteristics and temporal dynamics of the target user's channel. Our numerical evaluation demonstrates that the proposed scheme can maintain good channel estimation performance with significantly less training overhead compared to the conventional beam training protocols.

研究动机与目标

• 解决高速移动用户频繁波束训练时毫米波系统中训练开销过高的问题。
• 通过仅对高速移动用户进行波束训练而非所有用户，降低资源消耗。
• 尽管受移动性导致的信道快速变化影响，仍能保持准确的信道状态信息（CSI）获取。
• 开发一种低开销、高性能的信道估计算法，专用于时变且稀疏的毫米波信道。

提出的方法

• 提出一种专用波束训练策略，仅向高速移动用户发送训练波束，将其训练与传统的周期性波束轮换解耦。
• 设计一种基于目标用户概率信道状态信息的最优波束选择算法，以最小化估计误差。
• 采用一种贪心稀疏信道估计算法，利用多个训练周期内毫米波信道的时间相关性与稀疏性。
• 利用多测量向量（MMV）框架联合处理多个波束训练实例，提升估计精度。
• 将波束成形向量优化与时间动态建模相结合，提升在移动性下的跟踪性能。
• 应用压缩感知原理，高效恢复波束端口到达角（AoD）与用户端口到达角（AoA）分量。

实验结果

研究问题

• RQ1 在不牺牲信道估计精度的前提下，如何最小化高速移动用户在毫米波系统中的波束训练开销？
• RQ2 在训练资源有限且用户移动性高的情况下，何种波束选择策略可最小化估计误差？
• RQ3 在多训练周期中，信道的时间相关性可被多大程度地利用以在降低训练开销的同时提升估计性能？
• RQ4 与传统波束训练及最先进的波束跟踪算法相比，所提方法在估计误差与资源使用方面表现如何？

主要发现

• 所提方案在所有信噪比（SNR）范围内，其信道估计的归一化均方误差（MSE）均低于OMP，且在低SNR时性能差距更大，得益于对时间相关性的有效利用。
• 贪心稀疏估计算法通过联合处理连续波束训练周期的多个测量向量，优于基线方法。
• 专用波束训练协议显著降低了训练开销，同时保持了对高速移动用户的高度准确的估计精度。
• 在估计精度与资源效率方面，该方法优于最先进的波束跟踪算法[35, 33]。
• Cramér-Rao下界（CRLB）推导证实了在所假设信道模型下，所提估计框架具有理论最优性。
• 数值评估表明，与传统协议相比，所提方法在大幅减少训练资源消耗的同时，仍能保持良好的信道估计性能。