[论文解读] Hybrid-Field Channel Estimation for XL-MIMO Systems: Dictionary-based Sparse Signal Recovery

David William Marques Guerra, Taufik Abrao|arXiv (Cornell University)|Feb 3, 2026

Direction-of-Arrival Estimation Techniques被引用 0

一句话总结

论文提出一种 epsilon-OMP-SSIGW 方法来在不需要先验稀疏性或 NF/FF 拆分知识的情况下估计混合场 XL-MIMO 通道，在降低复杂度的同时实现对 HF 通道的准确重建。

ABSTRACT

Extremely large-scale multiple-input multiple-output (XL-MIMO) systems are a key technology for future wireless networks, but the large array aperture naturally creates a hybrid-field (HF) propagation regime in which far-field (FF) planar-wave and near-field (NF) spherical-wave components coexist. This work considers the problem of HF channel estimation (CE) and introduces a unified model that superimposes FF and NF contributions according to the Rayleigh distance boundary. By exploiting the inherent sparsity of the channel in the angular and polar domains, we formulate the estimation task as a sparse recovery problem. Unlike conventional approaches that require prior knowledge of the channel sparsity level, the proposed method operates without requiring knowledge of the sparsity level L and the NF/FF ratio γ, which are used only for synthetic channel generation in simulations. The channel estimator determines the number of paths adaptively through a residual-based stopping rule. A combined FF/NF dictionary is employed to initialize the support, and each selected atom undergoes continuous parameter refinement to mitigate grid mismatch. Simulation results demonstrate that the proposed estimator achieves accurate HF channel reconstruction under both line-of-sight (LoS) and non-line-of-sight (NLoS) conditions, offering a practical and computationally efficient solution for XL-MIMO systems. Extremely Large-Scale MIMO (XL-MIMO); Channel State Information (CSI); Channel estimation (CE); hybrid-field (HF) wave propagation; near-field (NF) spherical wave model; far-field (FF) planar wave model

研究动机与目标

• 在 XL-MIMO 中动机化并建模混合场传播，其中近场与远场分量共存。
• Develop a sparsity-based channel estimation framework that handles FF and NF components jointly.
• Eliminate reliance on prior knowledge of total sparsity L and NF/FF split gamma in HF-XL-MIMO CE.
• Provide a low-complexity, gridless refinement method to improve estimation accuracy.

提出的方法

• 将 HF 通道形式化为一个在 FF/NF 组合字典上的稀疏向量。
• 使用 epsilon-OMP 贪婪选择在 FF 与 NF 域中建立一个活跃字典。
• 对每个选定的原子进行增量单列最小二乘增益更新。
• 通过标量梯度与 Armijo 回溯，执行 FF/NF 参数的 SSIGW（无网格） refinements。
• 使用基于残差的停止规则结束迭代，无需输入 L 或 gamma。
• 在 LoS 与 NLoS 条件下，评估与最先进的 HF 估计器的性能对比。

Figure 1 : NMSE and runtime of LS, MMSE, FF-OMP, HF-OMP variants, SD-OMP, HF SGP with $\gamma$ , HF SGP without $\gamma$ , and the proposed $\epsilon$ -OMP-SSIGW for (a) NLoS, (b) mixed LoS/NLoS, and (c)–(d) runtime results.

实验结果

研究问题

• RQ1 在没有先验稀疏度 L 或 NF/FF 比 gamma 的情况下，HF 通道估计是否可行？
• RQ2 在 XL-MIMO HF 场景中，使用带简单残差停止规则的组合 FF/NF 字典是否能实现准确的通道重构？
• RQ3 与现有 HF 估计器相比，所提的 epsilon-OMP-SSIGW 方法是否提供有利的精度–复杂度权衡？
• RQ4 方法在噪声方差变化和 FF/NF 表示的网格错配下的鲁棒性如何？

主要发现

• 所提出的估计器在广泛的信噪比范围内达到基准中的最低 NMSE。
• 加入 SSIGW refinements 提供了额外的 NMSE 增益，在 NLoS 以及混合 LoS/NLoS 情况下也表现最好。
• 当噪声方差估计不准确时，该方法仍然鲁棒，在温和偏差下 NMSE 损失很小。
• 该方法具有较好的复杂度，每次迭代避免重复伪逆计算，且依赖于标量精炼。
• 估计器在不需要输入 L 的情况下自动确定有效路径数 L_est，在不同信噪比水平下表现一致。

Figure 2 : (a) Complexity results based on Table II ; (b) NMSE and the resulting $L_{\rm est}$ (mean iteration count of the $\epsilon$ -OMP-SSIGW) for different values of $\epsilon$ .