En permettant à une station de base de desservir simultanément plusieurs utilisateurs sur les mêmes ressources de fréquences, MU-MIMO stimule directement l'efficacité spectrale et le débit de l'utilisateur. La sophistication des algorithmes de précodage – les opérations mathématiques appliquées aux signaux transmis – détermine dans quelle mesure un système peut séparer les utilisateurs, annuler les interférences et s'adapter à des conditions radio en évolution rapide. Les progrès récents dans ce domaine permettent de préparer le terrain pour les réseaux ultra-fiables, à faible latence et à haute capacité que la 5G NR promet, et ils serviront également de base pour les futurs systèmes 6G.

Fondations de MU-MIMO Précodage dans 5G NR

Le précodage MU-MIMO traite les signaux destinés à plusieurs utilisateurs avant qu'ils ne soient combinés et transmis à partir d'un réseau d'antennes. L'idée principale est de prédistorer chaque signal utilisateur en fonction de la connaissance de l'information sur l'état du canal (CSI) de sorte que, lorsque les signaux arrivent aux récepteurs, l'interférence entre les utilisateurs soit minimisée. Dans 5G NR, cela se fait généralement par des méthodes de précodage linéaires telles que Zero-Forcing (ZF) ou Minimum Mean Square Error (MMSE), qui calculent une matrice de précodage à partir des estimations du canal de liaison descendante.

La transmission des signaux de référence de la démodulation (DM‐RS) permet au réseau d'estimer le canal précodé à l'équipement utilisateur (UE), ce qui permet de faire une rétroaction en boucle fermée. Dans les systèmes FDD (Frequency Division Duplex), la réciprocité des canaux n'est pas garantie, de sorte que l'UE signale les indicateurs de matrice précoder et les indicateurs de classement (RI). Dans les systèmes TDD (Time Division Duplex), la réciprocité des canaux peut être exploitée, réduisant considérablement les frais généraux de rétroaction.

Déplacement du précodage du carnet de codes vers le précodage du carnet de codes non-code

5G NR, en particulier avec la version 15 et au-delà, introduit un précodage non-codebook pour les systèmes TDD, où la station de base peut calculer le précodeur directement à partir des estimations des canaux de liaison ascendante. Cette approche permet une résolution spatiale beaucoup plus fine et a été un moteur clé des gains de performance dans les réseaux 5G déployés. Le précodage non-codebook est particulièrement avantageux dans les configurations massives du MIMO, où le nombre d'antennes (souvent 64 ou 128) dépasse de loin le nombre d'utilisateurs simultanés, permettant un modelage précis du faisceau.

Progrès dans le précodage hybride pour le MIMO massif

Le précodage hybride, qui divise le traitement du signal entre les domaines analogique (RF) et numérique (bande de base), est l'un des progrès pratiques les plus significatifs. Le précodage entièrement numérique nécessiterait une chaîne RF dédiée à chaque élément d'antenne, qui est prohibitif en termes de coûts et de puissance pour les réseaux à des centaines d'antennes. Le précodage hybride réduit le nombre de chaînes RF numériques à une fraction du nombre d'antennes, tandis que le réseau analogique, généralement mis en place avec des décalages de phase, fournit une formation grossière du faisceau.

Les travaux récents sur le précodage hybride pour le NR 5G se concentrent sur des algorithmes qui optimisent conjointement les matrices analogique et numérique sous des contraintes pratiques. Par exemple, le télédiffuseur analogique se limite souvent aux déplacements de phase à module constant, tandis que le précodeur numérique peut être calculé comme une solution ZF ou MMSE à dimension inférieure. L'optimisation des sparesses et la sélection de faisceaux analogiques à base de codebook se sont avérées efficaces.

Les déficiences matérielles, telles que la quantification des décalages de phase et le couplage mutuel, sont des domaines d'étude actifs.Certains fabricants déploient maintenant le précodage hybride dans les stations de base 5G NR commerciales pour les bandes de Wave (n257, n258), où la grande bande passante et la forte demande de perte de trajectoire sont concentrés.

Améliorations du faisceau analogique

Au-delà des systèmes hybrides, la formage entièrement analogique est utilisée dans certains déploiements initiaux de 5G mmWave, en particulier pour l'accès sans fil fixe. Cependant, MU-MIMO nécessite au moins un certain degré de contrôle numérique pour servir simultanément plusieurs utilisateurs sur le même faisceau.Des techniques avancées de formage de faisceau comme l'étirement de faisceau et les réseaux analogiques multifaisceaux apparaissent, où un seul faisceau analogique peut être façonné pour soutenir deux utilisateurs ou plus séparés par angule.Ces techniques reposent sur des architectures optimisées de réseaux d'antennes et constituent une frontière de recherche active.

Précodage basé sur l'apprentissage automatique

La complexité informatique du calcul des matrices précodantes optimales en temps réel, en particulier avec des méthodes non linéaires comme le codage papier sale (DPC), a motivé un changement vers l'apprentissage automatique (ML). Les réseaux neuronaux profonds (DND) peuvent apprendre la cartographie des matrices CSI aux matrices précodantes, contournant les résolveurs itératifs traditionnels. Un pipeline typique utilise un réseau neuronal convolutionnel ou récurrent pour traiter les estimations des canaux et produire les poids précodables. Le réseau est formé hors ligne à l'aide de données de canaux simulées ou mesurées, puis déployé pour inférence à la station de base.

Les avantages sont doublement doubles : un délai de calcul réduit – important pour les cas d'utilisation à faible latence 5G NR – et une adaptabilité aux canaux non idéaux difficiles à modéliser analytiquement, tels que ceux qui ont des déficiences importantes en matière de couplage mutuel ou de matériel. Les recherches réalisées auprès d'arXiv montrent que le précodage basé sur ML peut maintenir 90 à 95 % de l'efficacité spectrale du DPC optimal tout en fonctionnant en moins de 100 microsecondes, bien plus rapidement que les méthodes itératives conventionnelles.

L'apprentissage du renforcement (RL) est également exploré pour le précodage dynamique dans des scénarios où le canal change rapidement, comme les trains à grande vitesse. L'agent apprend une politique pour mettre à jour séquentiellement les vecteurs de précodage en fonction des retours d'information retardés de l'ICS.

Dépliage profond et ML basé sur le modèle

Par exemple, l'algorithme itératif de la réduction des émissions (ISTA) pour l'estimation des canaux clairs peut être déroulé dans un réseau appris (LISTA), puis appliqué à l'optimisation du précodage. Cette méthode conserve la structure des techniques établies tout en permettant d'apprendre les paramètres (p. ex., taille des étapes, poids de régularisation) à partir de données.

Améliorations de la formation de faisceaux pour MU-MIMO

Le précodage et la formation de faisceaux sont étroitement liés; dans le 5G NR, la formation de faisceaux est utilisée initialement pendant la procédure de gestion du faisceau (P‐1, P‐2, P‐3) pour établir une liaison directionnelle, tandis que le précodage est ensuite appliqué au signal formé par faisceau pour le multiplexage spatial.

Une station de base 5G NR peut avoir plusieurs panneaux d'antenne orientés différemment (p. ex., à 120° d'écart). Le précodage coordonné entre les panneaux – souvent appelé transmission par un panneau – peut former des poutres composites qui suivent un utilisateur qui passe d'un panneau à une autre sans transfert. Ceci est particulièrement utile dans les stades ou les canyons urbains denses.

Optimisation massive du MIMO

Le déploiement de tels réseaux à l'échelle exige une optimisation soigneuse des algorithmes et du matériel de précodage. Une des principales conclusions est que dans les environnements riches en diffusion, les vecteurs de canaux deviennent presque orthogonaux à mesure que le nombre d'antennes augmente, ce qui permet aux précodeurs linéaires simples (comme la formation de faisceaux conjugués) de fonctionner de façon quasi optimale.En ligne de vue ou en mm clairseméLes canaux de transmission doivent être dotés d'un précodage plus sophistiqué pour séparer les utilisateurs avec des chemins corrélés.

Par exemple, Qualcomm=s 5G Livre blanc MIMO massif souligne que, avec 64 éléments d'antenne et 16 utilisateurs simultanément programmés, MU-MIMO peut réaliser un gain de débit de 5-8× sur un seul utilisateur MIMO dans un environnement urbain typique. Pour réaliser ces gains, le précodage doit tenir compte de l'horaire des utilisateurs, de l'attribution de l'énergie et des effets du vieillissement des canaux.

Multiplexage spatial : gains dans la pratique

Les essais sur le terrain ont démontré qu'avec un précodage optimisé, les systèmes MIMO massifs peuvent servir 12 à 16 utilisateurs par bloc de ressources simultanément, ce qui permet d'atteindre l'efficacité spectrale moyenne de 50 à 100 bps/Hz. C'est une étape majeure au-delà de LTE, qui supporte généralement les couches MU-MIMO 2 à 4. Les progrès des techniques de précodage sont directement responsables de ce saut, car ils transforment les degrés de liberté spatiale offerts par le grand réseau en capacité utilisable.

Défis dans le précodage MU-MIMO

Malgré des progrès impressionnants, plusieurs obstacles subsistent. La première est la rétroactivité de l'ISC. Pour les systèmes FDD avec de grandes antennes, le retour des matrices à canal complet à la station de base consommerait prohibitivement beaucoup de ressources de liaison ascendante. La récupération de l'espace et les techniques de détection de compression peuvent réduire les frais généraux, mais les implémentations pratiques restent en retard par rapport aux limites théoriques.

Les défauts matériels tels que le bruit de phase, la non-linéarité de l'amplificateur de puissance et les performances de précodage de couplage mutuels sont particulièrement graves aux fréquences mmWave et sub-terahertz, ce qui entraîne un désalignement du faisceau de temps variable. Le précodage adaptatif qui suit le bruit de phase en temps réel est un domaine de recherche actif.

La mobilité des utilisateurs introduit le vieillissement des canaux — le précodage calculé à partir de l'ISC statique peut causer des interférences importantes. La propagation de Doppler à des vitesses élevées (300 à 500 km/h pour les trains à grande vitesse) nécessite des intervalles de mise à jour de moins de 1 ms.

Scénarios de déploiement : mmWave vs. Sub‐6 GHz

Les techniques de précodage doivent être adaptées à la bande de fréquences. Chez les canaux de sous‐6 GHz, les canaux sont généralement plus riches en diffusion, ce qui rend le précodage linéaire efficace avec des tailles de tableau modérées (32‐64 éléments).À mmWave (24‐52 GHz), les canaux sont clairsemés et souvent linéaires, exigeant des faisceaux plus étroits et une direction soigneusement nulle pour éviter de bloquer d'autres utilisateurs.Le précodage hybride est l'approche dominante pour mmWave, car le numérique intégral serait prohibitif.

Dans les déploiements intérieurs comme les bureaux et les centres commerciaux, où les chemins de propagation sont très réfléchissants, le multiplexage spatial peut être plus facile à réaliser. Cependant, le précodage doit tenir compte du fait que les utilisateurs peuvent être stationnaires ou se déplacer lentement, permettant l'utilisation de la rétroaction de covariance à long terme plutôt que de l'ISC instantané.

Normalisation et orientations futures dans le cadre du 3GPP

La version 15 a introduit le cadre de base pour le précodage non-codebook dans le TDD et le codebook de type I pour le FDD. La version 16 a apporté un code de type II (combinaison linéaire) pour soutenir jusqu'à 32 ports CSI‐RS, permettant une meilleure résolution spatiale. La version 17 a étendu ce cadre avec compression de fréquence et sélection améliorée de ports pour le MIMO massif. La version 18, actuellement en cours de finalisation, se concentre sur l'IA/ML pour l'interface air, y compris la compression CSI basée sur ML et la prévision de précodage. La prochaine génération (la version 19, prévue en 2025) devrait intégrer des modèles ML plus avancés, tels que les architectures de transformateurs, directement dans le pipeline de précodage.

En dehors de 3GPP, la recherche sur les architectures MIMO distribuées et sans cellules gagne en traction. Dans un réseau sans cellules, de multiples points d'accès (PA) coopèrent pour servir les utilisateurs, exigeant un précodage conjoint entre les AP géographiquement séparées. Cela multiplie la complexité computationnelle mais promet des gains énormes en couverture et en équité. La coordination itérative nécessaire pour ces systèmes peut bénéficier d'algorithmes d'optimisation distribués et d'apprentissage fédéré pour éviter de centraliser tous les CSI.

Les surfaces intelligentes reconfigurables (RIS) sont également considérées comme un outil pour le précodage MU-MIMO. En contrôlant la réflexion et la réfraction des signaux incident, RIS peut créer des chemins virtuels de ligne de vision et remodeler le canal pour le rendre plus favorable au multiplexage spatial. L'optimisation conjointe des déplacements de phase RIS et des vecteurs de précodage de station de base est un défi mathématique actif, souvent résolu par optimisation alternée ou apprentissage profond.

Conclusion

Les avancées du précodage MU-MIMO pour les réseaux 5G NR transforment la promesse théorique de réseaux d'antennes massives en performances de réseau tangibles. Les architectures hybrides réduisent le coût matériel tout en maintenant une efficacité spectrale élevée, l'apprentissage automatique permet une adaptation en temps réel aux canaux complexes et des améliorations de faisceaux étendent la portée du multiplexage spatial à des environnements haute mobilité et mmWave. À mesure que 5G évolue vers 5G-Avancé et finalement 6G, les techniques de précodage deviendront encore plus adaptatives, distribuées et axées sur l'IA. La collaboration continue entre l'industrie, le milieu universitaire et les organismes de normalisation garantit que ces innovations sont déployées de manière robuste et évolutive, répondant à la demande toujours croissante de connectivité sans fil qui sous-tend notre avenir numérique.