[论文解读] User Activity Detection and Channel Estimation for Grant-Free Random Access in LEO Satellite-Enabled Internet-of-Things

Zhaoji Zhang, Ying Li+5 more|arXiv (Cornell University)|May 20, 2020

IoT Networks and Protocols参考文献 36被引用 4

一句话总结

本文提出了一种伯努利-瑞利消息传递与期望最大化（BR-MP-EM）算法，用于低地球轨道（LEO）卫星支持的物联网（IoT）网络中免授权随机接入（GF-RA）的联合用户活动检测（UAD）与信道估计（CE）。该方法通过迭代优化活动与信道估计，并结合消息传递与基于EM的超参数更新，实现了低时延、高鲁棒性的接入，在严重信道畸变条件下仍保持高精度。

ABSTRACT

With recent advances on the dense low-earth orbit (LEO) constellation, LEO satellite network has become one promising solution to providing global coverage for Internet-of-Things (IoT) services. Confronted with the sporadic transmission from randomly activated IoT devices, we consider the random access (RA) mechanism, and propose a grant-free RA (GF-RA) scheme to reduce the access delay to the mobile LEO satellites. A Bernoulli-Rician message passing with expectation maximization (BR-MP-EM) algorithm is proposed for this terrestrial-satellite GF-RA system to address the user activity detection (UAD) and channel estimation (CE) problem. This BR-MP-EM algorithm is divided into two stages. In the inner iterations, the Bernoulli messages and Rician messages are updated for the joint UAD and CE problem. Based on the output of the inner iterations, the expectation maximization (EM) method is employed in the outer iterations to update the hyper-parameters related to the channel impairments. Finally, simulation results show the UAD and CE accuracy of the proposed BR-MP-EM algorithm, as well as the robustness against the channel impairments.

研究动机与目标

• 为解决大规模物联网设备在高时延与有限反馈条件下的LEO卫星网络中突发性、随机接入的挑战。
• 在LEO卫星-IoT系统中实现免授权随机接入（GF-RA），以降低接入延迟与信令开销。
• 在存在瑞利衰落与瑞利-莱斯衰落，以及相位与幅度畸变的情况下，联合检测活跃用户并估计其信道。
• 开发一种鲁棒的迭代算法，可自适应未知信道畸变，而无需先验知识。

提出的方法

• 提出两阶段BR-MP-EM算法：内层迭代执行伯努利-瑞利消息传递以实现联合UAD与CE，外层迭代使用期望最大化（EM）优化超参数。
• 在因子图上使用消息传递计算用户活动与信道状态的后验估计，整合了莱斯衰落与瑞利散射分量。
• 在外层迭代中采用EM更新，基于迭代似然最大化，估计未知的信道畸变参数，如幅度增益 $ h_r $ 与相位偏移 $ \theta_\delta $。
• 针对畸变仅影响Line-of-Sight（LoS）分量的情况，修改消息更新规则，将时变方差替换为常数 $ v^{\text{ray}}_k $。
• 通过复杂信道估计的加权平均，推导出 $ \hat{h}_r $ 与 $ \hat{\phi}_\delta $ 的闭式解，通过选择正确的解分支确保物理一致性。
• 在包含混合LoS与非LoS分量的真实LEO卫星-IoT信道模型下，通过仿真结果验证了该算法的有效性。

实验结果

研究问题

• RQ1 在免授权随机接入方案中，如何联合优化LEO卫星支持的物联网网络中的用户活动检测与信道估计？
• RQ2 当信道畸变（幅度与相位）未知且同时影响LoS与NLoS分量时，UAD与CE的性能极限是什么？
• RQ3 基于EM的超参数学习的消息传递方法是否能在真实LEO卫星信道条件下实现鲁棒且精确的估计？
• RQ4 在不同信噪比（SNR）与信道畸变水平下，所提出的BR-MP-EM算法相较于传统方法在UAD与CE精度方面表现如何？

主要发现

• 所提出的BR-MP-EM算法实现了高用户活动检测精度，即使在低信噪比与高干扰环境下，也能正确识别活跃用户。
• 信道估计精度显著提升，算法能收敛至 $ h_r $ 与 $ \phi_\delta $ 的准确估计，这两者是信道畸变的关键参数。
• 该算法对未知信道畸变具有鲁棒性，即使真实 $ h_r $ 与 $ \phi_\delta $ 值事先未知，仍能保持高性能。
• 仿真结果表明，BR-MP-EM算法在UAD与CE方面均优于传统方法，尤其在混合LoS与NLoS传播场景下表现更优。
• 当畸变仅影响LoS分量时，算法的改进版本可为 $ \hat{h}_r $ 与 $ \hat{\phi}_\delta $ 推导出闭式解，提升了计算效率。
• 解的物理解释确保仅选择两个可能解中正确的分支，依据是信道估计的预期相位对齐特性。