Einleitung

Durch die gezielte Ausrichtung der übertragenen Energie auf die Empfänger, während die Interferenz an anderer Stelle aufgehoben wird, können Beamforming-Systeme der fünften Generation (5G) New Radio (NR), Wi‐Fi 6/7 und andere fortschrittliche Standards Datenraten von mehreren Gigabit an eine dichte Nutzerpopulation liefern. Um diese Gewinne zu erzielen, muss der Sender (z. B. eine Basisstation oder ein Zugangspunkt) jedoch über genaue, rechtzeitige Kenntnisse des Ausbreitungskanals zwischen jeder Antenne und jedem Benutzerendgerät verfügen. Dieses Wissen wird durch Benutzerfeedback gewonnen - ein Prozess, bei dem das Endgerät seine Kanalzustandsinformationen misst und an den Sender zurücksendet. Die Rückkopplungsverbindung führt zwangsläufig eine Verzögerung ein und diese Verzögerung kann die Beamforming-Leistung erheblich beeinträchtigen, insbesondere in hochmobilen Umgebungen oder Anwendungen mit niedriger Latenz, wie autonomes Fahren und industrielle Steuerung.

Dieser Artikel untersucht die physikalischen und systembezogenen Mechanismen, durch die die Verzögerung des Benutzerfeedbacks das MIMO-Strahlformen beeinträchtigt. Zunächst überprüfen wir die Grundlagen des Beamforming und die Rolle von CSI. Anschließend analysieren wir die Verzögerungsquellen, quantifizieren die Verschlechterung in Metriken wie Signal-Rausch-Plus-Interferenz-Verhältnis (SINR) und Bitfehlerrate (BER) und untersuchen etablierte und aufkommende Minderungsstrategien. Durch das Verständnis der Kosten veralteter Kanalinformationen können Ingenieure fundierte Kompromisse bei der Gestaltung von Feedback-Protokollen, der Vorhersage von Kanalvariationen und der Auswahl robuster Beamforming-Algorithmen eingehen.

Grundlagen von MIMO Beamforming

Strahlformverfahren

Beamforming bezieht sich auf die Anwendung komplexer Gewichte (Phasenverschiebungen und Amplitudenanpassungen) auf jedes Antennenelement in einem Array, so dass die abgestrahlten Signale konstruktiv in eine gewünschte Richtung interferieren und an anderer Stelle destruktiv interferieren. Die beiden Hauptkategorien sind analoges Beamforming, bei dem Gewichte im Radiofrequenzbereich über Phased-Shifter angewendet werden, und digitales Beamforming, bei dem Gewichte im Basisband angewendet werden, was eine gleichzeitige Mehrstrom-Übertragung (mehrschichtige) ermöglicht. Hybridarchitekturen, die eine begrenzte Anzahl von Radiofrequenzketten mit analoger Vorcodierung kombinieren, sind in massiven MIMO-Systemen üblich, um die Leistung mit Hardwarekosten und Stromverbrauch auszugleichen.

Der Strahlformungsvektor (oder die Matrix für die Mehrschichtübertragung) wird auf der Grundlage der CSI jedes Benutzers berechnet. Für ein System mit N Sendeantennen und K Benutzern erfordert der optimale lineare Präcoder unter den Kriterien der Summenratenmaximierung oder der Mittelwertquadrat-Fehlerminimierung Kenntnis der Kanalmatrix H (Größe KxN) oder zumindest ihrer dominanten Singularvektoren. Algorithmen wie Zero-Forcing-Strahlenformung (ZF‐BF), regularisierte Zero-Forcing und Minimum Mean-Squared-Error (MMSE) sind in der Praxis weit verbreitet.

Rolle der Kanalstaatsinformationen

CSI ist weitgehend in momentane (per-slot) und statistische (langfristige) unterteilt. Momentane CSI, die den Fast-fading-Kanalzustand zum Zeitpunkt der Übertragung erfasst, ist für schmalbandige oder subbandige Strahlformungsgewichte wesentlich. In FDD-Systemen (Frequency-Division-Duplex) ist der Downlink-Kanal nicht reziprok zum Uplink, so dass der Benutzer den Downlink-Kanal messen muss (typischerweise über Pilotreferenzen wie CSI-Reference-Signale in 5G NR) und die quantisierten Messungen an die Basisstation zurückführen muss. In TDD-Systemen (Time-Division-Duplex) kann Kanalreziprozität ausgenutzt werden, aber Kalibrierfehler und der zeitliche Abstand zwischen Uplink-Sounding und Downlink-Übertragung führen immer noch zu einer Form von Rückkopplungsverzögerung.

Die Genauigkeit der CSI-Rückmeldung wird von mehreren Faktoren bestimmt: der Quantisierungscodebuchgröße, der Rückmeldungshäufigkeit (Berichtsintervall) und der Verzögerung zwischen Messung und Anwendung. Die Verzögerungskomponente ist oft am schädlichsten, da selbst eine perfekt quantisierte CSI-Schnappschussaufnahme veraltet ist, wenn sich der Kanal aufgrund der Mobilität des Benutzers, der Umgebungsdynamik oder des Frequenzversatzes ändert.

Ursachen und Folgen von Feedback Delay

Quellen von Delay

Feedback-Delay sammelt sich aus mehreren Phasen:

  1. Mess- und Verarbeitungsverzögerung – die Zeit, die der Benutzer benötigt, um Referenzsignale zu empfangen, den Kanal zu schätzen und die CSI zu quantisieren. In 5G NR ist die CSI-Referenzressource so definiert, dass der Benutzer den an einem bestimmten Slot gemessenen Kanalzustand meldet; die nachfolgende Verarbeitung am Benutzergerät (UE) fügt sich in der Reihenfolge von Hunderten von Mikrosekunden hinzu.
  2. Uplink-Übertragungsverzögerung – die physische Laufzeit plus die Zeit, die der CSI-Bericht benötigt, um das Medium zu durchqueren (z. B. auf dem Physical Uplink Control Channel oder Physical Uplink Shared Channel in LTE/5G).
  3. Basestation Verarbeitungsverzögerung – einmal empfangen, muss die Basisstation den Bericht dekodieren, neue Beamforming-Gewichte berechnen und sie auf nachfolgende Downlink-Übertragungen anwenden.

Die Gesamtverzögerung FLT:0 wird oft in Form von OFDM-Symbolen oder -Slots gemessen. Bei einem typischen 5G-NR-Einsatz mit einem Unterträgerabstand von 30 kHz dauert ein Slot 0,5 ms. Die Gesamtrückkopplungsverzögerungen können je nach Konfiguration zwischen 1 und 10 ms liegen. Bei einem Benutzer, der sich mit 30 m/s (108 km/h) und einer Trägerfrequenz von 3,5 GHz bewegt, kann sich der Kanal innerhalb weniger Millisekunden signifikant ändern.

Auswirkungen auf die Systemleistung

Der zentrale Effekt der Rückkopplungsverzögerung ist eine Fehlanpassung zwischen den zur Übertragung verwendeten Strahlformungsvektoren und dem tatsächlichen momentanen Kanal, die mehrere Probleme verursacht:

  • Reduzierte Signalleistung beim beabsichtigten Benutzer – der Strahl ist nicht mehr auf den dominanten Pfad ausgerichtet, was zu einem effektiven Array-Verstärkungsverlust führt. Für ein einheitliches lineares Array mit N Elementen verschlechtert sich der normalisierte Strahlgewinn in der gewünschten Richtung, wenn die Verzögerung zunimmt, wodurch der SINR um mehrere dB reduziert wird.
  • Erhöhte Inter-User-Interferenz – Zero-Forcing-Vorcodierung beruht auf präzisem Null-Lenken. Veraltete CSI verursacht Rest-Interferenzen, die das Systemrauschen in hoch-SNR-Regimen dominieren können. Dieser Effekt ist besonders schädlich in massiven MIMO-Systemen, in denen sich Interferenzen von vielen Strahlen ansammeln.
  • Höherer Rangmangel – im Multi-Stream (Multi-Layer) MIMO ist der Precoder so konzipiert, dass er parallele räumliche Kanäle erzeugt. Delay-induzierte Kanalfehlanpassung reduziert die Orthogonalität zwischen den Streams, senkt die erreichbare Pro-Stream-Rate und erfordert möglicherweise, dass das System auf eine Übertragung mit niedrigerem Rang zurückgreift.
  • Degraded beam correspondence – in TDD-Systemen, die Reziprozität verwenden, bedeutet die Zeitlücke zwischen Uplink-Sounding und Downlink-Übertragung, dass der geschätzte Uplink-Kanal nicht genau der Downlink-Kanal ist.

Analytisch betrachtet, wenn der wahre Kanal zum Zeitpunkt hhhhttτ zur Berechnung des Strahlformungsvektors verwendet wird, skaliert sich die empfangene Signalleistung wie |wHhf]Dh0]Dτ], wobei J0 im Produkt von Doppler und Verzögerung exponentiell ist. Feldversuche haben gezeigt, dass eine Rückkopplungsverzögerung von 5

Fallstudien: Verzögerungen in verschiedenen Systemen

5G NR und Massive MIMO

5G NR umfasst mehrere Mechanismen zur Minderung der Feedback-Verzögerung. Die CSI-Berichtskonfiguration kann periodisch (in einem festen Intervall), semi-persistent oder aperiodisch (ausgelöst durch eine Finanzhilfe) sein. Für mobile Nutzer wird eine aperiodische Berichterstattung mit kurzen Intervallen bevorzugt, verbraucht jedoch mehr Uplink-Ressourcen. Die 3GPP-Spezifikation (3GPP TS 38.214) definiert CSI-Referenzressourcen und Berichts-Timing-Beschränkungen, um eine bekannte Verzögerung zu gewährleisten. Darüber hinaus unterstützt NR Codebücher vom Typ I und Typ II — Typ II bietet höhere räumliche Informationen unter Verwendung einer linearen Kombination von Basisvektoren, erfordert jedoch größere Feedback-Nutzlasten und kann somit die Verzögerung erhöhen. In der Praxis müssen Betreiber die Feedback-Genauigkeit für Latenz tauschen, wobei häufig multi-panel oder Interferenzabweisungskombinationen verwendet werden, die auf statistischer statt auf sofortiger CSI beruhen, um die

Massive MIMO (64, 128 oder sogar 256 Antennenelemente) verschärft das Verzögerungsproblem, weil die Strahlbreite im Winkelbereich etwa 1/N skaliert; schmalere Strahlen erfordern genauere Winkelinformationen. Eine kleine Verzögerung kann den Strahl um einen Bruchteil eines Grades ausrichten, was zu einer erheblichen Leistungsverluste führt. Um dem entgegenzuwirken, verwendet 5G NR beam management Verfahren (P‐1, P‐2, P‐3), die grobe Strahlsweeps durchführen, um das beste Strahlpaar zu identifizieren, und verfeinern sich dann mit immer schmaleren Strahlen. Die Rückkopplungsverzögerung für Strahlqualitätsberichte (Schicht-1-Referenzsignal-Empfangsleistung) ist typischerweise weniger als ein paar Schlitze, wodurch das System robust für moderate Geschwindigkeiten bis zu 30 km/h wird. Für Hochgeschwindigkeitszüge (300 km/h+) verlassen sich die Betreiber auf Doppler-Vorkompensation und erweiterte Kanalvorhersage.

Wi‐Fi 6/6E und 7

Im nicht lizenzierten Spektrum verwenden Wi‐Fi 6 (IEEE 802.11ax) und Wi‐Fi 7 (802.11be) ebenfalls MIMO-Beamforming, hauptsächlich über das explicit-Beamforming-Protokoll. Die Station (STA) sendet einen Channel State Information Feedback (CBF)-Rahmen nach Erhalt eines Null Data Packet (NDP) vom Access Point (AP). Die Verzögerung umfasst den kurzen Interframe Space (SIFS) von 16 μs plus die Übertragungszeit des CBF-Rahmens. In Umgebungen mit geringer Mobilität ist diese Verzögerung vernachlässigbar. In Unternehmen oder im Freien kann diese Verzögerung jedoch zu einer Fehlausrichtung der Beamalignment führen. Wi‐Fi 7 führt verbesserte Feedbackformate ein, einschließlich 11-Bit-Quantisierung und häufigeres Feedback, um einen hohen Durchsatz zu erhalten (Überblick auf Wi‐Fi 7 Beamforming). Darüber hinaus ermöglicht Multi‐Link-Betrieb Feedback auf einem Link, während Daten auf

Minderungsstrategien

Kanalvorhersage

Die direkteste Art, Feedback-Delay zu bekämpfen, besteht darin, den Kanalzustand zum Zeitpunkt der tatsächlichen Übertragung basierend auf vergangenen Messungen vorherzusagen. Lineare Vorhersage (z. B. mit einem Wiener-Filter) nutzt die Autokorrelation des zeitvariablen Kanals aus. Die Leistung hängt von der Doppler-Spread und dem Vorhersagehorizont ab. Für moderate Doppler (fDτ < 0.2), a simple first‑order autoregressive model can restore most of the array gain. More advanced methods use neural networks, such as Long Short‑Term Memory (LSTM) or Transformers, to learn the channel dynamics from sequences of CSI reports. These methods can extrapolate beyond the coherence time of the channel, offering gains of 2–4 dB in SINR for high‑mobility users (IEEE-Artikel zur Vorhersage von Deep Learning-Kanals müssen jedoch die zusätzliche Komplexität und Inferenzlatenz berücksichtigt werden.

Robuste Strahlformung

Statt auf perfekt abgestimmte momentane CSI zu setzen, beinhalten robuste Beamforming-Designs Unsicherheitsmodelle. So minimiert ein Worst-Case-Ansatz die maximal mögliche SINR-Degradation bei einem begrenzten Fehler in der CSI. Alternativ behandelt stochastische robuste Beamforming den Kanal als Zufallsvariable mit bekannter Verteilung (abgeleitet aus der Verzögerungsstatistik) und optimiert die erwartete Summenrate.

  • Matrix-Unsicherheit - modelliert den tatsächlichen Kanal als H = ġ + Δ, wobei Δ eine Fehlermatrix mit begrenzter Norm ist.
  • Statistisches Beamforming – unter Verwendung der Langzeitkanalkovarianzmatrix, die sich im Vergleich zur momentanen CSI langsam verändert. So bietet der Eigenstrahlformer basierend auf der Sendekorrelationsmatrix auch unter veralteter CSI eine robuste Leistung.
  • Regularisierter Null-Forcing – Addition eines diagonalen Ladeterms proportional zur erwarteten Fehlerleistung zum Pseudo-Inversum.

Diese Methoden tauschen Spitzenleistung (wenn CSI frisch ist) gegen verbesserte Leistung bei Verzögerung aus. In massiven MIMO-Systemen hilft das Gesetz der großen Zahlen: Bei vielen Benutzern tendiert die durchschnittliche Interferenz durch verzögerte CSI zu einer Konstante, was Robustheit ohne explizite Vorhersage ermöglicht.

Machine Learning Ansätze

Maschinelles Lernen (ML) wird zunehmend sowohl auf prädiktiven Kanalzuständen als auch auf direkt lernenden Beamforming-Richtlinien angewendet, die robust sind, um zu verzögern. Deep Reinforcement Learning kann einen Agenten trainieren, um Beamforming-Vektoren aus einem Codebuch auszuwählen, basierend auf verzögerten Beobachtungen, was den Langzeitdurchsatz optimiert. Faltungsneurale Netze (CNNs) können Verzögerungs-Doppler-Profile verarbeiten, um den aktuellen Kanal in hochmobilen Fahrzeugszenarien zu schätzen. Ein wesentlicher Vorteil von ML ist seine Fähigkeit, sich an umweltspezifische zeitliche Muster anzupassen, ohne explizite Modellierung der Ausbreitungsphysik. Die laufende Forschung im Bereich 3GPP zielt darauf ab, AI / ML-Modelle für CSI-Komprimierung und -Vorhersage zu standardisieren (3GPP-Workshop über AI für NR Air Interface).

Protokollverstärkungen

Änderungen auf Systemebene können die effektive Verzögerung auf der Protokollschicht reduzieren, beispielsweise:

  • Schnelleres Feedback-Reporting – reduziert die Periodizität periodischer Berichte oder verwendet aperiodische Trigger, die sich an den Mobilitätszustand des Benutzers anpassen.
  • Mehrstufige Rückmeldungen – senden schnell einen Grobstrahlindex, gefolgt von einer feineren Verfeinerung später. Der Grobstrahl kann für die sofortige Datenübertragung während des Eintreffens der feinen CSI verwendet werden, um die Auswirkungen der Verzögerung zu mildern.
  • Adaptive Codebuchauflösung – erhöht Quantisierungsbits nur, wenn der Kanal statisch ist (niedrige Verzögerungswirkung) und reduziert sie während hoher Mobilität, um die Feedback-Latenz gering zu halten.
  • Kreuzschichtoptimierung – Integration von Beamforming-Scheduling mit HARQ-Prozessen (Hybrid Automatic Repeat reQuest), so dass Wiederübertragungen von neueren CSI profitieren können.

Zukünftige Richtungen

Da die Trägerfrequenzen in die Millimeterwellen (mmWave) und Sub-Terahertz-Bänder (z. B. 6G bei 100 GHz +) vordringen, schrumpft die Wellenlänge und der Kanal wird viel empfindlicher auf winzige Bewegungen reagieren - ein Bruchteil eines Millimeters kann den dominanten Pfad verändern. Rückkopplungsverzögerungen, die bei 3,5 GHz akzeptabel sind, werden bei 100 GHz verheerend. Zukünftige Systeme werden wahrscheinlich auf einer Kombination aus extrem schneller analoger Strahlumschaltung, eingebauter ML-Vorhersage an beiden Enden und der Nutzung von Seiteninformationen wie Radar oder Lidar zur Schätzung der Benutzerposition und -geschwindigkeit angewiesen sein. In Verbindung mit ultra-langsamen Rückkopplungskanälen (Gesamtverzögerung unter 100 μs) könnten diese Ansätze die Strahlformung auch bei 500 km / h effektiv halten.

Eine weitere vielversprechende Richtung ist die Verwendung von intelligenten reflektierenden Oberflächen (IRS) und rekonfigurierbaren intelligenten Oberflächen (RIS), um das Beamforming zu unterstützen. Durch die Steuerung der Ausbreitungsumgebung selbst kann die Abhängigkeit von präzisem CSI-Feedback reduziert werden, da das IRS reflektierte Pfade basierend auf einem statistischen Durchschnitt und nicht auf sofortigem Feedback steuern kann. Hybridarchitekturen, die traditionelles digitales Beamforming mit RIS-Steuerung kombinieren, könnten Robustheit gegen CSI-Alterung bieten.

Schlussfolgerung

Die Verzögerung des Benutzerfeedbacks bleibt eine grundlegende Herausforderung für MIMO-Beamforming, mit Auswirkungen, die von Signalleistungsverlusten bis hin zu erhöhten Interferenzen und reduzierten räumlichen Multiplexing-Verstärkungen reichen. Der Schweregrad nimmt mit der Mobilität der Benutzer zu und arbeitet über alle wichtigen drahtlosen Standards hinweg - von 5G NR und WLAN bis hin zu aufkommenden 6G-Systemen. Keine einzige Lösung reicht aus; eine effektive Minderung erfordert einen vielschichtigen Ansatz: genaue Kanalvorhersage auf der physikalischen Ebene, robuste algorithmische Designs, die Unsicherheit berücksichtigen, maschinelle Lernmodelle, die zeitliche Dynamiken lernen, und Protokolloptimierungen, die die Round-Trip-Feedbackzeit minimieren. Durch das Verständnis des Zusammenspiels zwischen Messgranularität, Latenz und Leistung können Systemarchitekten bewusste Designentscheidungen treffen, die eine hohe Strahlformungseffizienz beibehalten, auch wenn das Feedback unvermeidlich verzögert wird. Da sich Netzwerke zu höheren Frequenzen und extremer Mobilität entwickeln, wird die Fähigkeit, CSI-Verzögerung zu tolerieren oder vorherzusagen ein entscheidender Faktor für die Bereitstellung zuverlässiger, hochleistungsfähiger drahtloser Konnektivität.