[论文解读] Graph Attention Networks for Channel Estimation in RIS-assisted Satellite IoT Communications

Kürşat Tekbıyık, Güneş Karabulut Kurt+2 more|arXiv (Cornell University)|Apr 1, 2021

Satellite Communication Systems被引用 7

一句话总结

本文提出一种基于图注意力网络（GAT）的可重构智能表面（RIS）辅助直连卫星（DtS）物联网（IoT）通信中的信道估计算法。通过将导频信号建模为图结构，GAT能够学习级联信道中的相位关系，在动态条件下实现鲁棒、低复杂度的信道估计，并在离散RIS相位偏移和2位分辨率下取得优异的误比特率（BER）性能。

ABSTRACT

Direct-to-satellite (DtS) communication has gained importance recently to support globally connected Internet of things (IoT) networks. However, relatively long distances of densely deployed satellite networks around the Earth cause a high path loss. In addition, since high complexity operations such as beamforming, tracking and equalization have to be performed in IoT devices partially, both the hardware complexity and the need for high-capacity batteries of IoT devices increase. The reconfigurable intelligent surfaces (RISs) have the potential to increase the energy-efficiency and to perform complex signal processing over the transmission environment instead of IoT devices. But, RISs need the information of the cascaded channel in order to change the phase of the incident signal. This study evaluates the pilot signal as a graph and incorporates this information into the graph attention networks (GATs) to track the phase relation through pilot signaling. The proposed GAT-based channel estimation method examines the performance of the DtS IoT networks for different RIS configurations to solve the challenging channel estimation problem. It is shown that the proposed GAT both demonstrates a higher performance with increased robustness under changing conditions and has lower computational complexity compared to conventional deep learning methods. Moreover, bit error rate performance is investigated for RIS designs with discrete and non-uniform phase shifts under channel estimation based on the proposed method. One of the findings in this study is that the channel models of the operating environment and the performance of the channel estimation method must be considered during RIS design to exploit performance improvement as far as possible.

研究动机与目标

• 解决因长距离传输和物联网设备能力有限导致的直连卫星（DtS）IoT网络中路径损耗高和硬件复杂度高的挑战。
• 通过利用可重构智能表面（RIS）将信号处理任务转移到传播介质中，避免物联网设备进行复杂的信号处理。
• 提升RIS辅助DtS IoT系统中的信道估计精度，尤其在动态条件和有限导频开销下表现更优。
• 研究RIS相位偏移配置（离散、非均匀、量化）对系统性能和信道估计鲁棒性的影响。
• 证明基于GAT的估计算法在计算复杂度低于传统深度学习方法的同时，仍能实现高性能，即使在传播条件变化时亦然。

提出的方法

• 将导频信号信息建模为图结构，其中节点代表导频符号，边表示信道中的空间和时间相关性。
• 采用图注意力网络（GAT）学习图边上的注意力权重，使模型在估计过程中能够聚焦于关键的信道相位关系。
• 端到端训练GAT模型，从导频信号预测级联信道状态信息（CSI），损失函数设计为最小化估计误差。
• 将GAT估计算法集成到RIS辅助的DtS IoT系统架构中，实现基于估计CSI的相位偏移优化。
• 在不同RIS相位偏移配置下评估性能：配置集1（全范围）、配置集2（排除中心区域）、配置集3（窄范围），并测试不同位分辨率。
• 利用估计的CSI计算有效波束成形，并在考虑实际RIS约束（如离散和非均匀相位偏移）的条件下评估BER性能。

实验结果

研究问题

• RQ1 基于GAT的信道估计算法是否能在训练中未见的动态传播条件下，实现高精度和高鲁棒性？
• RQ2 RIS相位偏移配置的选择（如离散、非均匀或有限范围）如何影响基于GAT的信道估计算法性能及后续的BER表现？
• RQ3 当与基于GAT的估计算法结合时，2位RIS的离散相位偏移在多大程度上可近似理想连续相位RIS的性能？
• RQ4 与现有最先进方法相比，使用所提出的基于GAT的估计算法时，导频开销对估计精度和BER性能有何影响？
• RQ5 如何调整基于GAT的估计算法以适应卫星IoT系统中上行链路与下行链路信道特性差异？

主要发现

• 所提出的基于GAT的信道估计算法在变化的传播条件下，相比传统深度学习方法展现出更高的性能和更强的鲁棒性。
• 该方法在保持高精度的同时，显著降低了计算复杂度，优于传统基于深度学习的估计算法。
• 在2位RIS相位偏移下，系统BER性能几乎等同于理想连续相位RIS的性能，表明其具有高度的实际可行性。
• 配置集1和配置集2（包含±π附近的相位）优于配置集3（限制在[−π/2, π/2]范围内），因为它们更匹配实际级联信道的主导相位分布。
• GAT估计算法可实现极短导频序列下的有效信道估计，显著降低导频开销，同时保持低BER。
• 研究证实，必须联合考虑信道模型与RIS设计，因为配置不匹配即使在估计准确的情况下仍会导致性能下降。