[论文解读] Terahertz-Band Joint Ultra-Massive MIMO Radar-Communications: Model-Based and Model-Free Hybrid Beamforming

Ahmet M. Elbir, Kumar Vijay Mishra+1 more|arXiv (Cornell University)|Feb 27, 2021

Millimeter-Wave Propagation and Modeling参考文献 80被引用 169

一句话总结

本文提出了一种用于太赫兹频段联合雷达通信的混合波束成形框架，采用具有子阵列组（GoSA）架构的超大规模MIMO系统。通过引入基于模型和无模型的深度学习技术，降低了硬件复杂度和计算时间，同时通过相位校正缓解了波束分裂问题，实现了高 spectral efficiency 和鲁棒的雷达波束成形，计算时间比传统方法降低500倍。

ABSTRACT

Wireless communications and sensing at terahertz (THz) band are increasingly investigated as promising short-range technologies because of the availability of high operational bandwidth at THz. In order to address the extremely high attenuation at THz, ultra-massive multiple-input multiple-output (MIMO) antenna systems have been proposed for THz communications to compensate propagation losses. However, the cost and power associated with fully digital beamformers of these huge antenna arrays are prohibitive. In this paper, we develop wideband hybrid beamformers based on both model-based and model-free techniques for a new group-of-subarrays (GoSA) ultra-massive MIMO structure in low-THz band. Further, driven by the recent developments to save the spectrum, we propose beamformers for a joint ultra-massive MIMO radar-communications system, wherein the base station serves multi-antenna user equipment (RX), and tracks radar targets by generating multiple beams toward both RX and the targets. We formulate the GoSA beamformer design as an optimization problem to provide a trade-off between the unconstrained communications beamformers and the desired radar beamformers. To mitigate the beam split effect at THz band arising from frequency-independent analog beamformers, we propose a phase correction technique to align the beams of multiple subcarriers toward a single physical direction. To further decrease the ultra-massive MIMO computational complexity and enhance robustness, we also implement deep learning solutions to the proposed model-based hybrid beamformers. Numerical experiments demonstrate that both techniques outperform the conventional approaches in terms of spectral efficiency and radar beampatterns, as well as exhibiting less hardware cost and computation time.

研究动机与目标

• 解决太赫兹频段超大规模MIMO系统在联合雷达通信中路径损耗高和硬件成本高的问题。
• 开发在低太赫兹频段平衡频谱效率和硬件复杂度的混合波束成形技术。
• 缓解宽带太赫兹系统中由频率无关的模拟波束成形器引起的波束分裂问题。
• 通过利用二阶信道统计特性，降低信道反馈开销。
• 利用深度学习实现低复杂度、高性能的波束成形，适用于超大规模MIMO系统。

提出的方法

• 提出一种GoSA超大规模MIMO结构，相比全连接阵列，可减少移相器数量和硬件成本。
• 将混合波束成形建模为一个权衡通信与雷达性能的优化问题。
• 通过使用中心频率fc调整模拟波束成形器相位，实现子载波间波束对齐的相位校正技术。
• 利用信道状态信息（CSI）和信道协方差矩阵设计基于模型的波束成形器，以减少反馈开销。
• 应用深度学习实现无模型波束成形，通过大规模数据集训练，利用GPU并行处理逼近最优波束成形器。
• 将波束分裂校正集成到基带波束成形器中，避免昂贵的移相器重新配置。

实验结果

研究问题

• RQ1 如何为联合雷达通信系统中的超大规模MIMO设计混合波束成形，以平衡频谱效率与硬件成本？
• RQ2 频率无关的模拟波束成形器对宽带太赫兹系统中波束对准的影响是什么？如何校正波束分裂？
• RQ3 无模型深度学习波束成形能否在显著降低计算时间的前提下，实现接近CSI基于方法的性能？
• RQ4 如何通过利用二阶信道统计特性降低超大规模MIMO系统中的反馈开销？
• RQ5 在频谱效率和雷达精度方面，全连接与部分连接GoSA结构之间的性能权衡如何？

主要发现

• GoSA结构通过最小化移相器数量，显著降低了硬件复杂度，相比全连接和AoSA架构。
• 所提出的波束分裂校正技术恢复了宽带系统中的频谱效率，消除了因频率无关模拟波束成形器导致的性能下降。
• 无模型深度学习波束成形在频谱效率上仅比CSI基于方法低约5%，同时将计算时间减少约500倍。
• 基于信道协方差矩阵的波束成形器相比CSI基于方法将反馈开销降低了90%，仅造成轻微性能损失。
• 部分连接GoSA结构的性能略逊于全连接结构，但提供了复杂度与性能之间的有利权衡。
• 无模型方法的计算时间仅为0.0058秒，而MO方法为2.124秒，表明其在超大规模MIMO系统中具有更优的可扩展性。