[论文解读] Reconfigurable Intelligent Surfaces: Principles and Opportunities

Yuanwei Liu, Xiao 潇 Liu 刘+5 more|arXiv (Cornell University)|Jul 7, 2020

Advanced Wireless Communication Technologies参考文献 180被引用 74

一句话总结

本文对6G无线网络中的可重构智能表面（RISs）进行了全面综述，涵盖其工作原理、性能优化、波束成形设计，以及与机器学习和新兴技术的集成。文章强调RISs作为被动、节能的解决方案，可通过可编程相移智能调控无线传播环境，显著提升频谱效率、覆盖范围和可靠性。

ABSTRACT

Reconfigurable intelligent surfaces (RISs), also known as intelligent reflecting surfaces (IRSs), or large intelligent surfaces (LISs), have received significant attention for their potential to enhance the capacity and coverage of wireless networks by smartly reconfiguring the wireless propagation environment. Therefore, RISs are considered a promising technology for the sixth-generation (6G) of communication networks. In this context, we provide a comprehensive overview of the state-of-the-art on RISs, with focus on their operating principles, performance evaluation, beamforming design and resource management, applications of machine learning to RIS-enhanced wireless networks, as well as the integration of RISs with other emerging technologies. We describe the basic principles of RISs both from physics and communications perspectives, based on which we present performance evaluation of multi-antenna assisted RIS systems. In addition, we systematically survey existing designs for RIS-enhanced wireless networks encompassing performance analysis, information theory, and performance optimization perspectives. Furthermore, we survey existing research contributions that apply machine learning for tackling challenges in dynamic scenarios, such as random fluctuations of wireless channels and user mobility in RIS-enhanced wireless networks. Last but not least, we identify major issues and research opportunities associated with the integration of RISs and other emerging technologies for applications to next-generation networks.

研究动机与目标

• 提供RIS原理及其在增强6G无线网络中作用的统一概述。
• 解决动态RIS增强网络中信道状态信息（CSI）获取和多目标优化的挑战。
• 探索RISs与非正交多址接入（NOMA）、无人机（UAVs）、物理层安全性和自动驾驶车辆等新兴技术的集成。
• 研究机器学习在RIS系统中动态信道自适应和实时资源管理中的应用。
• 识别RIS在下一代网络中部署的开放研究问题和未来方向。

提出的方法

• 从电磁和通信系统两个角度系统性地回顾RIS的工作原理。
• 利用性能分析、信息论和优化工具分析多天线RIS系统的性能。
• 调查在各种网络模型下RIS增强网络的联合波束成形与资源分配设计。
• 评估机器学习技术（尤其是深度学习）在CSI估计、波束成形优化和处理信道动态性方面的表现。
• 提出结合机器学习与数学规划的混合优化框架，以处理无人机-RIS和V2I网络中连续与离散状态空间的问题。
• 讨论RISs与NOMA、无线信息与能量协同传输（SWIPT）、物理层安全性和智能物联网系统集成的策略。

实验结果

研究问题

• RQ1 如何设计RISs以智能重构无线传播环境，从而提升频谱效率和覆盖范围？
• RQ2 在采用被动反射的RIS增强网络中，获取准确且及时的CSI面临哪些关键挑战？
• RQ3 如何利用机器学习应对RIS辅助系统中动态信道波动和用户移动性问题？
• RQ4 哪些优化框架能有效平衡RIS网络中吞吐量、时延和能量效率等相互冲突的目标？
• RQ5 如何将RISs与无人机（UAVs）、NOMA和车对基础设施（V2I）通信等6G关键技术集成，以提升系统性能？

主要发现

• RISs通过被动波束成形实现虚拟视 Line-of-Sight（LoS）链路，显著提升频谱效率和覆盖范围，尤其在障碍物环境中表现突出。
• 由于其被动、低功耗运行，RISs在能效方面优于传统的放大-转发或解码-转发中继。
• 机器学习技术，尤其是深度学习，在减少CSI训练开销和提升对动态信道的适应能力方面展现出巨大潜力。
• RIS相位偏移与波束成形的联合优化高度耦合，尤其在多用户和多天线场景下极具挑战性。
• 将RISs与无人机（UAVs）和V2I网络集成可提升可靠性与降低时延，从而支持更安全高效的自动驾驶系统。
• 在高动态RIS网络中，借助机器学习的Pareto-优化框架对于平衡多种性能指标至关重要。