Da die fünfte Generation des neuen Funks (5G NR) weiter ausgereift ist und seine Präsenz weltweit erweitert, ist einer der folgenreichsten technologischen Enabler die Entwicklung von Multi-User Multiple Input Multiple Output (MU-MIMO) -Vorcodierungstechniken. Indem es einer Basisstation ermöglicht, mehrere Benutzer gleichzeitig mit den gleichen Zeitfrequenzressourcen zu bedienen, erhöht MU-MIMO direkt die spektrale Effizienz und den Benutzerdurchsatz. Die Raffinesse der Vorcodierungsalgorithmen - die mathematischen Operationen, die auf die übertragenen Signale angewendet werden - bestimmt, wie gut ein System Benutzer trennen, Interferenzen ausschalten und sich an schnell wechselnde Funkbedingungen anpassen kann. Die jüngsten Fortschritte in diesem Bereich bereiten die Bühne für die ultrazuverlässigen, latenzarmen und hochleistungsfähigen Netzwerke, die 5G NR verspricht, und sie werden auch als Grundlage für zukünftige 6G-Systeme dienen.

Grundlagen der MU-MIMO Precoding in 5G NR

Die MU-MIMO-Vorcodierung verarbeitet die für mehrere Benutzer bestimmten Signale, bevor sie von einem Antennenarray kombiniert und übertragen werden. Die Kernidee besteht darin, das Signal jedes Benutzers aufgrund der Kenntnis der Kanalzustandsinformationen (CSI) so vorzuzerren, dass bei Eintreffen der Signale an den Empfängern die Interferenz zwischen Benutzern minimiert wird. Bei 5G NR erfolgt dies typischerweise durch lineare Vorcodierungsverfahren wie Zero-Forcing (ZF) oder Minimum Mean Square Error (MMSE), die aus den Downlink-Kanalschätzungen eine Vorcodierungsmatrix berechnen. Im Gegensatz zu Single-User MIMO, bei dem alle räumlichen Schichten einem Benutzer dienen, muss MU-MIMO gleichzeitig die Signal-zu-Störung-plus-Rausch-Verhältnis (SINR) -Bedingungen mehrerer unabhängig voneinander geplanter Benutzer erfüllen.

5G NR führt flexible Rahmenstrukturen und Referenzsignale ein, die MU-MIMO praktischer machen. Die Übertragung von Demodulationsreferenzsignalen (DM‐RS) ermöglicht es dem Netzwerk, den vorcodierten Kanal an den Benutzergeräten (UE) zu schätzen, was eine geschlossene Rückkopplung ermöglicht. In FDD-Systemen (Frequency Division Duplex) ist die Kanal-Reziprozität nicht gewährleistet, so dass die UE-Berichte Precoder-Matrixindikatoren (PMI) und Rangindikatoren (RI) auswerten. In TDD-Systemen (Time Division Duplex) kann die Kanal-Reziprozität genutzt werden, was den Feedback-Overhead erheblich reduziert. Der 5G-NR-Standard unterstützt beide Modi, und die neuesten Vorcodierungstechniken sind so konzipiert, dass sie in beiden Szenarien effizient funktionieren.

Wechsel vom Codebook zum Non-Codebook Precoding

Frühes LTE MU-MIMO stützte sich auf feste Codebücher - ein kleiner Satz vordefinierter Vorcodiermatrizen. 5G NR führt jedoch, insbesondere mit Release 15 und darüber hinaus, eine Nicht-Codebuch-Vorcodierung für TDD-Systeme ein, bei denen die Basisstation den Vorcodierer direkt aus den Uplink-Kanalschätzungen berechnen kann. Dieser Ansatz ermöglicht eine viel feinere räumliche Auflösung und war ein wesentlicher Treiber für Leistungssteigerungen in eingesetzten 5G-Netzen. Nicht-Codebuch-Vorcodierung ist besonders vorteilhaft bei massiven MIMO-Konfigurationen, bei denen die Anzahl der Antennen (oft 64 oder 128) die Anzahl der gleichzeitigen Benutzer weit übersteigt, was eine präzise Strahlformung ermöglicht.

Fortschritte in Hybrid-Precoding für Massive MIMO

Eine der wichtigsten praktischen Neuerungen ist die Hybrid-Vorcodierung, die die Signalverarbeitung zwischen dem analogen (RF) und dem digitalen (Basisband) Bereich aufteilt. Eine vollständig digitale Vorcodierung würde für jedes Antennenelement eine eigene HF-Kette erfordern, was für Arrays mit Hunderten von Antennen kosten- und leistungsprohibitiv ist. Die Hybrid-Vorcodierung reduziert die Anzahl der digitalen HF-Ketten auf einen Bruchteil der Anzahl der Antennen, während das analoge Netzwerk - typischerweise mit Phasenschiebern implementiert - eine grobe Strahlformung liefert. Die Digitalstufe wendet dann eine feinkörnige Vorcodierung auf das reduzierte dimensionale Signal an.

Jüngste Arbeiten zur Hybrid-Vorcodierung für 5G NR konzentrieren sich auf Algorithmen, die die analogen und digitalen Matrizen unter praktischen Bedingungen gemeinsam optimieren. So ist der analoge Strahlformer oft auf konstante Modulphasenverschiebungen beschränkt, während der digitale Vorcodierer als eine niedrigerdimensionale ZF- oder MMSE-Lösung berechnet werden kann. Sparse-Optimierung und Codebuch-basierte analoge Strahlauswahl haben sich als effektiv erwiesen. Untersuchungen von Gruppen wie IEEE Transactions on Signal Processing haben gezeigt, dass hybride Vorcodierung die Leistung von volldigitalen Schemata in Millimeterwellen (mmWave) -Kanälen erreichen kann, wenn die Anzahl der HF-Ketten doppelt so hoch ist wie die Anzahl der Datenströme.

Hardware-Beeinträchtigungen wie die Quantisierung von Phasenschiebern und gegenseitige Kopplung sind aktive Untersuchungsbereiche. Einige Hersteller setzen jetzt Hybrid-Vorcodierung in kommerziellen 5G-NR-Basisstationen für mmWave-Bänder (n257, n258) ein, bei denen die große Bandbreite und der hohe Pfadverlust konzentrierte Strahlen erfordern. Durch die Kombination von analoger Beamforming mit digitaler MU-MIMO-Vorcodierung für mehrere Benutzer erreichen diese Systeme sowohl Reichweite als auch Kapazität.

Analoge Strahlformungserweiterungen

Über hybride, vollständig analoge Beamforming wird in einigen anfänglichen 5G-mmWave-Einsätzen, insbesondere für festen drahtlosen Zugang, verwendet. MU-MIMO erfordert jedoch mindestens ein gewisses Maß an digitaler Steuerung, um mehrere Benutzer gleichzeitig auf demselben Strahl zu bedienen. Fortgeschrittene Beamforming-Techniken wie Beam Spleißen und Multi-Beam Analognetzwerke entstehen, bei denen ein einzelner analoger Strahl so geformt werden kann, dass er zwei oder mehr winkelgetrennte Benutzer unterstützt. Diese Techniken beruhen auf optimierten Antennenarray-Architekturen und sind eine aktive Forschungsgrenze.

Machine Learning-basiertes Precoding

Die rechnerische Komplexität der Berechnung optimaler Vorcodierungsmatrizen in Echtzeit, insbesondere bei nichtlinearen Methoden wie Dirty Paper Coding (DPC), hat zu einer Verschiebung hin zu maschinellen Lernansätzen geführt. Tiefe neuronale Netze (DNNs) können die Zuordnung von CSI zu Vorcodierungsmatrizen unter Umgehung herkömmlicher iterativer Solver lernen. Eine typische Pipeline verwendet ein konvolutionales oder rezidivierendes neuronales Netzwerk, um die Kanalschätzungen zu verarbeiten und die Vorcodierungsgewichte auszugeben. Das Netzwerk wird offline mit simulierten oder gemessenen Kanaldaten trainiert und dann zur Inferenz an der Basisstation eingesetzt.

Die Vorteile sind zweifach: eine reduzierte Rechenverzögerung - wichtig für Anwendungsfälle mit geringer Latenz - und die Anpassungsfähigkeit an nicht ideale Kanäle, die analytisch schwer zu modellieren sind, wie z. B. solche mit starker gegenseitiger Kopplung oder Hardware-Beeinträchtigungen. [FLT: 0] Veröffentlichte Forschung von arXiv [FLT: 1] zeigt, dass ML-basierte Vorcodierung 90-95% der spektralen Effizienz optimaler DPC beibehalten kann, während sie in weniger als 100 Mikrosekunden arbeitet, viel schneller als herkömmliche iterative Methoden.

Reinforcement Learning (RL) wird auch für dynamische Vorcodierungen in Szenarien untersucht, in denen sich der Kanal schnell ändert, wie z. B. Hochgeschwindigkeitszüge. Der Agent lernt eine Richtlinie zur sequentiellen Aktualisierung von Vorcodierungsvektoren auf der Grundlage verzögerter CSI-Feedbacks. Betreiberversuche von Unternehmen wie Qualcomm haben bestätigt, dass RL-basiertes Beam-Management den Overhead reduzieren kann, während die Verbindungsqualität in hochmobilen Umgebungen erhalten bleibt.

Deep Unfolding und Model-Based ML

Ein besser interpretierbarer Ansatz kombiniert iterative Algorithmen mit lernbaren Parametern, die als Deep Entfaltung bekannt sind. So kann beispielsweise der Iterative Shrinkage-Thresholding-Algorithmus (ISTA) für die spärliche Kanalschätzung in ein gelerntes Netzwerk (LISTA) entrollt und dann auf die Vorcodierungsoptimierung angewendet werden. Dieses Verfahren behält die Struktur etablierter Techniken bei und ermöglicht es, die Parameter (z. B. Schrittgrößen, Regularisierungsgewichte) aus Daten zu lernen. Modellbasierte ML stellt ein Gleichgewicht zwischen der Blackbox-Natur von DNNs und den analytischen Garantien der traditionellen Signalverarbeitung her, was es für die Standardisierung attraktiv macht.

Beamforming-Erweiterungen für MU-MIMO

Vorcodierung und Beamforming sind eng miteinander verknüpft; bei 5G NR wird Beamforming zunächst während des Beammanagement-Verfahrens (P‐1, P‐2, P‐3) eingesetzt, um eine Richtverbindung herzustellen, während die Vorcodierung dann auf das strahlgeformte Signal für das räumliche Multiplexing angewendet wird. Zu den jüngsten Verbesserungen gehören die dynamische Strahlanpassung mit Hilfe von Standortbestimmung und/oder Radarerfassung (integrierte Erfassung und Kommunikation). So kann eine Basisstation beispielsweise 5G NR-Positionierungsreferenzsignale oder sogar Uplink-Ankunftswinkelschätzungen verwenden, um die Beams zu verfeinern, wodurch die Notwendigkeit einer Vollkanal-Rückmeldung in hochmobilen Szenarien reduziert wird.

Eine 5G-NR-Basisstation kann mehrere Antennenfelder unterschiedlich ausgerichtet haben (z. B. 120° voneinander entfernt). Koordinierte Vorcodierung über Felder hinweg - oft als Panel-kohärente Übertragung bezeichnet - kann Verbundstrahlen bilden, die einem Benutzer folgen, der sich ohne Übergabe von einem Panel-Abdeckungsbereich zum anderen bewegt. Dies ist besonders in Stadien oder dichten städtischen Schluchten nützlich.

Massive MIMO Optimierung

Massive MIMO, bei denen die Basisstation mit Dutzenden oder Hunderten von Antennen ausgestattet ist, ist der Eckpfeiler der 5G-NR-Kapazitätsgewinne. Um solche Arrays in großem Maßstab einzusetzen, sind jedoch sorgfältige Optimierungen sowohl von Vorcodierungsalgorithmen als auch von Hardware erforderlich. Eine wichtige Erkenntnis ist, dass die Kanalvektoren in Rich-Scatter-Umgebungen mit zunehmender Anzahl von Antennen nahezu orthogonal werden, so dass einfache lineare Vorcodierer (wie konjugiertes Beamforming) nahezu optimal funktionieren. In Line-of-Sight- oder Sparse-mmWave-Kanälen ist eine ausgefeiltere Vorcodierung erforderlich, um Benutzer mit korrelierten Pfaden zu trennen.

Netzbetreiber setzen massive MIMO im Mittelband (3,5 GHz) und mmWave-Band ein. Zum Beispiel unterstreicht das 5G Massive MIMO Whitepaper von Qualcomm, dass MU-MIMO mit 64 Antennenelementen und 16 gleichzeitig geplanten Benutzern einen 5-8-fachen Durchsatzgewinn gegenüber dem Single-User MIMO in typischen städtischen Umgebungen erzielen kann. Um diese Gewinne zu erzielen, muss die Vorcodierung die Benutzerplanung, die Leistungszuweisung und die Kanalalterungseffekte berücksichtigen. Die jüngsten Fortschritte bei den Codebüchern für Gitterstrahlen und CSI-Feedback mit geringem Overhead (z. B. Typ II CSI in 3GPP) ermöglichen es dem Netzwerk, hochauflösende räumliche Informationen zu erhalten ohne unerschwinglichen Uplink-Ressourcenverbrauch.

Spatial Multiplexing gewinnt in der Praxis

Feldversuche haben gezeigt, dass massive MIMO-Systeme mit optimierter Vorcodierung 12‐16 Benutzer pro Ressourcenblock gleichzeitig bedienen können und eine mittlere spektrale Effizienz von 50‐100 bps/Hz-Zellen erreichen. Dies ist ein großer Schritt über LTE hinaus, das typischerweise 2‐4 MU-MIMO-Schichten unterstützt. Die Fortschritte in den Vorcodierungstechniken sind direkt für diesen Sprung verantwortlich, da sie die räumlichen Freiheitsgrade des großen Arrays in nutzbare Kapazität verwandeln.

Herausforderungen beim MU-MIMO Precoding

Trotz beeindruckender Fortschritte bestehen noch mehrere Hindernisse. Der erste ist CSI-Feedback-Overhead. Für FDD-Systeme mit großen Antennenarrays würde die Rückkopplung von Vollkanalmatrizen an die Basisstation unerschwinglich viele Uplink-Ressourcen verbrauchen. Sparse-Recovery- und Kompressionssensoriken können den Overhead reduzieren, aber die praktischen Implementierungen bleiben immer noch hinter den theoretischen Grenzen zurück. 3GPPs Release 16 führte verbesserte Typ II-CSI mit linearen Kombinations-Codebüchern ein, um räumliche Informationen zu komprimieren, und Release 17 fügte Unterstützung für Portauswahl und Frequenzdomänenkompression hinzu.

Hardware-Beeinträchtigungen wie Phasenrauschen, Leistungsverstärker-Nichtlinearität und gegenseitige Kopplung verschlechtern die Vorcodierungsleistung. Phasenrauschen ist besonders stark bei mmWave- und Sub-Terahertz-Frequenzen, was zu zeitvariablen Strahlfehlausrichtungen führt. Adaptive Vorcodierung, die Phasenrauschen in Echtzeit verfolgt, ist ein aktiver Forschungsbereich. Darüber hinaus erlegt das analoge Strahlformungsnetzwerk dem Vorcodierer eine konstante Modul-Beschränkung auf, die das erreichbare SINR begrenzen kann, wenn die Benutzer eng voneinander beabstandet sind.

Die Mobilität der Nutzer führt zu einer Kanalalterung – die aus veraltetem CSI berechnete Vorcodierung kann erhebliche Störungen verursachen. Die Doppler-Spreizung bei hohen Geschwindigkeiten (300-500 km/h für Hochgeschwindigkeitszüge) erfordert Vorcodierungsaktualisierungsintervalle von weniger als 1 ms. Prädiktive Vorcodierung mit autoregressiven Modellen oder Kalman-Filtern kann die Alterung mildern, erfordert jedoch eine genaue Bewegungsschätzung.

Einsatzszenarien: mmWave vs. Sub-6 GHz

Vorcodierungstechniken müssen auf das Frequenzband zugeschnitten sein. Bei Sub-6 GHz sind Kanäle typischerweise reicher an Streuung, was eine lineare Vorcodierung mit moderaten Array-Größen (32-64 Elemente) ermöglicht. Bei mmWave (24-52 GHz) sind Kanäle spärlich und oft Line-of-Sight, erfordern schmalere Strahlen und eine sorgfältige Nulllenkung, um eine Blockierung anderer Benutzer zu vermeiden. Hybrid-Vorcodierung ist der vorherrschende Ansatz für mmWave, da eine volldigitale Übertragung unerschwinglich wäre. Codebook-basierte analoge Strahlauswahl, gefolgt von digitaler MU-MIMO-Vorcodierung über ausgewählte Benutzer, ist eine gängige Architektur.

In Inneneinsätzen wie Büros und Einkaufszentren, in denen die Ausbreitungswege stark reflektierend sind, kann räumliches Multiplexen einfacher zu erreichen sein. Die Vorkodierung muss jedoch berücksichtigen, dass Benutzer sich stationär oder langsam bewegen können, was die Verwendung von langfristigem Kovarianz-Feedback anstelle von sofortigem CSI ermöglicht.

Standardisierung und zukünftige Richtungen in 3GPP

Die 3GPP-Spezifikationsserie (Release 15-18) hat die MU-MIMO-Fähigkeiten schrittweise verbessert. Release 15 führte das grundlegende Framework für die Nicht-Codebuch-Vorcodierung in TDD und Typ-I-Codebuch für FDD ein. Release 16 brachte das Codebuch Typ II (lineare Kombination) mit bis zu 32 CSI-RS-Ports, was eine bessere räumliche Auflösung ermöglicht. Release 17 erweiterte dies um die Frequenzdomänenkompression und eine erweiterte Portauswahl für massive MIMO. Release 18, das derzeit fertiggestellt wird, konzentriert sich auf AI / ML für Luftschnittstellen, einschließlich ML-basierter CSI-Komprimierung und Vorcodierungsvorhersage. Die nächste Generation (Release 19, voraussichtlich 2025) wird wahrscheinlich fortschrittlichere ML-Modelle, wie Transformatorarchitekturen, direkt in die Vorcodierungspipeline integrieren.

Außerhalb von 3GPP gewinnt die Forschung zu verteilten MIMO- und zellfreien Architekturen an Fahrt. In einem zelllosen Netzwerk kooperieren mehrere Access Points (APs), um den Benutzern zu dienen, was eine gemeinsame Vorcodierung über geografisch getrennte APs hinweg erfordert. Dies vervielfacht die Rechenkomplexität, verspricht jedoch enorme Gewinne bei Abdeckung und Fairness. Die für solche Systeme erforderliche iterative Koordination kann von verteilten Optimierungsalgorithmen und föderiertem Lernen profitieren, um eine Zentralisierung aller CSI zu vermeiden.

Rekonfigurierbare Intelligent Surfaces (RIS) werden auch als Werkzeug für die MU-MIMO-Vorcodierung in Betracht gezogen. Durch die Steuerung von Reflexion und Brechung von einfallenden Signalen kann RIS virtuelle Line-of-Sight-Pfade erstellen und den Kanal so umgestalten, dass er für das räumliche Multiplexing günstiger wird. Die gemeinsame Optimierung von RIS-Phasenverschiebungen und Basisstations-Vorcodierungsvektoren ist eine aktive mathematische Herausforderung, die oft durch abwechselnde Optimierung oder Deep Learning gelöst wird. Erste Ergebnisse zeigen signifikante Kapazitätsverbesserungen in deckungsbegrenzten Szenarien.

Schlussfolgerung

Fortschritte bei der MU-MIMO-Vorcodierung für 5G NR machen das theoretische Versprechen massiver Antennenarrays zu einer greifbaren Netzwerkleistung. Hybridarchitekturen senken die Hardwarekosten bei gleichzeitig hoher spektraler Effizienz, maschinelles Lernen ermöglicht die Echtzeitanpassung an komplexe Kanäle und Strahlformungserweiterungen erweitern die Reichweite des räumlichen Multiplexens auf Hochmobilitäts- und mmWave-Umgebungen. Mit der Entwicklung von 5G hin zu 5G-Advanced und schließlich 6G werden Vorcodierungstechniken noch adaptiver, verteilter und KI-gesteuerter. Die kontinuierliche Zusammenarbeit zwischen Industrie, Wissenschaft und Standardisierungsgremien stellt sicher, dass diese Innovationen robust und skalierbar eingesetzt werden die ständig wachsende Nachfrage nach drahtloser Konnektivität, die unsere digitale Zukunft untermauert.