[论文解读] IRS-Empowered Wireless Communications: State-of-the-Art, Key Techniques, and Open Issues

Ming Zeng, Ebrahim Bedeer+5 more|arXiv (Cornell University)|Jan 19, 2021

Advanced Wireless Communication Technologies参考文献 15被引用 10

一句话总结

本文全面综述了智能反射面（IRS）赋能的无线通信技术，涵盖其与毫米波、非正交多址接入（NOMA）及物理层安全技术的融合，同时分析了硬件非理想性和信道状态信息（CSI）不完美性的影响。论文识别了资源分配的关键技术，并指出了若干开放问题，如无人机（UAV）集成IRS、基于机器学习的优化，以及近场感知/定位挑战。

ABSTRACT

In this article, we overview intelligent reflecting surface (IRS)-empowered wireless communication systems. We first present the fundamentals of IRS-assisted wireless transmission. On this basis, we explore the integration of IRS with various advanced transmission technologies, such as millimeter wave, non-orthogonal multiple access, and physical layer security. Following this, we discuss the effects of hardware impairments and imperfect channel-state-information on the IRS system performance. Finally, we highlight several open issues to be addressed.

研究动机与目标

• 提供IRS赋能无线通信系统的最新技术综述。
• 研究IRS与毫米波、非正交多址接入（NOMA）和物理层安全（PLS）等先进技术的融合。
• 分析硬件非理想性（HWIs）和不完美信道状态信息（CSI）对系统性能的影响。
• 识别并讨论IRS部署与系统设计中的开放研究挑战。
• 探索新兴应用，如无人机集成IRS、基于机器学习的优化，以及近场感知。

提出的方法

• 系统性地将IRS辅助系统分类为SISO、MISO和MIMO配置，并分析其性能增益。
• 提出联合优化反射系数与波束成形以提升频谱效率和能量效率。
• 在不完美CSI条件下提出鲁棒设计策略，利用统计CSI或最坏情况优化以缓解估计误差。
• 应用考虑硬件非理想性的资源分配技术，如相位噪声和功率放大器非线性。
• 探索基于机器学习的方法，以解决动态IRS环境中非凸、高复杂度的优化问题。
• 提出考虑波前曲率的近场信道模型，适用于高频（毫米波/太赫兹）IRS系统，以实现精确感知与定位。

实验结果

研究问题

• RQ1 如何有效将IRS与毫米波系统集成，以缓解路径损耗并扩展覆盖范围？
• RQ2 在结合IRS与NOMA以实现多用户接入时，性能增益与设计挑战是什么？
• RQ3 IRS通过将信号波束定向至合法用户并抑制窃听者，可在哪些方面增强物理层安全性？
• RQ4 硬件非理想性与不完美CSI如何影响IRS赋能系统的性能？鲁棒设计如何缓解这些影响？
• RQ5 在无人机网络、基于机器学习的优化系统和近场感知等新兴场景中，IRS部署的关键开放挑战是什么？

主要发现

• 在具有大量反射单元的MISO系统中，IRS可实现平方量级的功率增益，优于传统大规模MIMO系统。
• 不完美CSI会导致性能下降，尤其在IRS单元数量增加时，需采用鲁棒设计以维持系统可靠性。
• 硬件非理想性（如相位噪声和功率放大器非线性）显著影响系统性能，必须在系统设计中加以建模。
• 机器学习为动态环境中非凸IRS资源分配问题提供了低复杂度的有前景替代方案。
• 近场IRS系统需要新的信道模型以考虑波前曲率，因为传统远场假设在高频下不再适用。
• 无人机集成IRS系统可通过与地面基站联合波束成形，控制信号方向，从而缓解小区间干扰。