L'expansion rapide des communications sans fil dans les centres urbains densément peuplés a imposé des exigences sans précédent sur la capacité et la fiabilité du réseau. La technologie multi-sorties (MIMO), qui utilise plusieurs antennes à la fois à l'émetteur et au récepteur, est apparue comme une pierre angulaire des systèmes cellulaires modernes tels que 4G LTE, 5G NR et le 6G à venir. En exploitant les environnements riches de diffusion typiques des villes, les systèmes MIMO peuvent obtenir des taux de données plus élevés, une meilleure efficacité spectrale et une meilleure fiabilité des liaisons.

Comprendre les systèmes MIMO dans les contextes urbains

Les systèmes MIMO utilisent plusieurs antennes pour transmettre et recevoir simultanément plusieurs flux de données sur une même bande de fréquences. Dans un contexte urbain, l'environnement physique se caractérise par des bâtiments hauts, des véhicules mobiles, des panneaux et d'autres obstacles qui provoquent une propagation multipathe riche. Les signaux réfléchissent, diffractent et dispersent, créant de multiples chemins distincts entre l'émetteur et le récepteur. Cette richesse multipathe est en fait bénéfique pour MIMO : elle permet au système de créer des canaux spatiaux indépendants, permettant le multiplexage spatial et les gains de diversité.

Le multiplexage spatial augmente le taux de données en transmettant des flux de données indépendants de chaque antenne, en multipliant efficacement le débit sans nécessiter de bande passante ou de puissance supplémentaires. La diversité améliore la fiabilité en envoyant des copies redondantes du même signal sur différentes antennes, réduisant la probabilité de faiblir profondément. Dans les environnements urbains denses, la propagation angulaire des signaux entrants est importante, ce qui améliore le nombre de conditions de la matrice de canal MIMO et facilite l'ordre de multiplexage spatial plus élevé.

Les macrocellules urbaines utilisent souvent des antennes sectorielles à éléments multiples, et les petites cellules sont déployées au niveau de la rue pour améliorer la couverture et la capacité. L'interaction entre les macrocellules et les petites cellules, combinée à des modèles de mobilité des utilisateurs, crée un paysage d'interférence dynamique.

Impact de la densité de l'utilisateur sur le débit

La densité des utilisateurs influe directement sur le nombre de flux de données actives dans une cellule ou une zone de couverture. À mesure que la densité des utilisateurs augmente, le débit total que le réseau peut fournir doit être divisé entre un plus grand nombre d'utilisateurs, ce qui réduit inévitablement le taux de données par utilisateur si la capacité globale du système ne s'élargit pas proportionnellement.

Interférence dans les scénarios à haute sensibilité

Dans les systèmes MIMO, les utilisateurs sont souvent séparés spatialement, mais dans des environnements urbains denses, la séparation angulaire peut être insuffisante pour empêcher les interférences mutuelles. Ceci est particulièrement problématique dans la liaison ascendante, où plusieurs utilisateurs transmettent simultanément à la même station de base. Sans traitement spatial efficace, l'interférence peut réduire considérablement le rapport signal-interférence-bruit-plus-bruit (SINR), ce qui entraîne des schémas de modulation et de codage moins élevés et donc un débit plus faible.

Dans les zones urbaines, les cellules sont petites et se chevauchent en raison du déploiement dense de macro et de petites cellules. Les utilisateurs près du bord des cellules subissent une forte interférence des stations de base voisines. Les techniques MIMO telles que la formation coordonnée de faisceaux et la transmission articulaire entre les cellules peuvent atténuer cette situation, mais ces méthodes nécessitent un échange d'informations étendu sur l'état des canaux et une synchronisation étroite du réseau, ce qui devient plus difficile à mesure que la densité des utilisateurs augmente.

De plus, la contamination des pilotes se produit dans les systèmes MIMO massifs (discutés plus tard) lorsque les séquences des pilotes utilisées pour l'estimation de la réutilisation des canaux entre les cellules deviennent corrélées, corrompant les estimations des canaux et la performance dégradante de la formation des faisceaux.

Défis en matière d'allocation des ressources

Avec plus d'utilisateurs qui se disputent des ressources radio limitées, les algorithmes de planification doivent devenir plus sophistiqués. L'établissement de programmation équitable proportionnée vise à équilibrer le débit et l'équité, mais à mesure que la densité des utilisateurs augmente, le programmeur fait face à une complexité informatique plus grande et à des transferts plus fréquents.

Dans les environnements denses, la puissance de transmission de chaque utilisateur doit être soigneusement réglée pour éviter de causer des interférences excessives tout en maintenant une force de signal adéquate.Les algorithmes de contrôle de puissance distribuée (p. ex. DPC utilisés dans les systèmes CDMA) peuvent aider, mais les systèmes MIMO ajoutent des dimensions spatiales qui compliquent encore l'optimisation. La recherche récente propose un apprentissage de renforcement multi-agents pour le contrôle de puissance distribuée dans les réseaux MIMO urbains denses.

Conditions de la Manche dans les milieux urbains à haute densité

Dans les zones surpeuplées, la présence de nombreux utilisateurs crée des disperseurs et des bloqueurs supplémentaires. Par exemple, un groupe d'utilisateurs près d'une station de base peut s'ombrer, entraînant des fluctuations rapides de la force du signal reçu. Cet effet fast fading force le processus d'estimation du canal à se mettre à jour plus fréquemment, augmentant les frais généraux et réduisant le débit disponible pour les données.

Les systèmes MIMO avec de grandes antennes peuvent encore surmonter ces blocages par la formation de faisceaux qui orientent autour des obstacles, mais les ressources informatiques nécessaires augmentent avec le nombre d'utilisateurs suivis. De plus, la propagation delay — la propagation des retards de temps dus à des voies multiples — peut augmenter dans les canyons urbains denses, ce qui peut causer des interférences intersymboles si le préfixe cyclique n'est pas assez long.

Techniques clés pour atténuer les effets de densité élevée des utilisateurs

Malgré les défis posés par la forte densité des utilisateurs, plusieurs techniques MIMO ont été développées pour maintenir ou même améliorer le débit des systèmes dans les milieux urbains surpeuplés.

Enfoirés

Dans les environnements urbains denses, la formation de faisceaux numériques permet à chaque utilisateur d'être servi avec un faisceau personnalisé, améliorant grandement SINR. La formation de faisceaux hybrides, qui combine des étapes analogiques et numériques, offre un compromis pratique entre les performances et le coût matériel. Les algorithmes de formation de faisceaux adaptatifs peuvent suivre les utilisateurs mobiles et mettre à jour les faisceaux en temps réel. Par exemple, la formation de faisceaux linéaires moyens carrés (LMMSE) peut maximiser SINR pour chaque utilisateur donné un canal connu. Les études montrent que dans les scénarios urbains denses avec de nombreux utilisateurs, la formation de faisceau peut augmenter le débit de système jusqu'à 300 % par rapport à la transmission omnidirectionnelle.

Multiplexage spatial et MIMO multi-usagers

Avec un grand nombre d'antennes à la station de base (], il devient possible de desservir des dizaines d'utilisateurs dans le même bloc de ressources avec un minimum d'interférence. Cette évolutivité est la raison pour laquelle le MIMO massif est une technologie clé pour les déploiements urbains 5G. Une étude de 2022 a démontré que le MIMO massif avec 128 antennes a atteint un débit de surface 10 fois plus élevé dans une simulation urbaine dense que le MIMO conventionnel avec 4 antennes, même avec des densités d'utilisateurs supérieures à 500 utilisateurs par cellule.

Techniques avancées d'allocation des ressources

Les techniques avancées comprennent les méthodes de jeu-théorique qui modélisent le comportement de l'utilisateur et allouent des ressources pour atteindre l'équilibre Nash, et les planificateurs basés sur l'apprentissage automatique[ qui apprennent les schémas de circulation et la dynamique des canaux au fil du temps. L'apprentissage profond du renforcement (DRL) a montré une promesse particulière : un réseau Q profond (DQN) peut affecter les utilisateurs aux sous-porteurs et antennes pour maximiser le débit à long terme tout en maintenant l'équité. Les chercheurs ont proposé un cadre de RDR multi-agents pour l'établissement de l'horaire et l'attribution de puissance dans les systèmes MU-MIMO urbains denses, permettant ainsi de réaliser un gain de 20 % en somme par rapport aux méthodes traditionnelles.

MIMO massif et MIMO à pleine dimension

En exploitant la loi des grands nombres, le MIMO massif peut se traduire par une diminution et un bruit de petite taille, ce qui entraîne une très grande efficacité spectrale. En milieu urbain, le MIMO massif peut permettre de réaliser un gain de faisceaux élevé et de servir de nombreux utilisateurs simultanément avec des canaux spatiaux proches de l'orthogone. Le MIMO à dimension complète (FD-MIMO), une extension pour la formation de faisceaux 3D, peut servir les utilisateurs à la fois en azimut et en altitude, ce qui est particulièrement utile dans les environnements urbains verticaux denses avec des bâtiments à hauteur. La combinaison du MIMO massif et du MIMO permet ce qu'on appelle les « réseaux ultra-denses » (UDNs) où le réseau peut efficacement soutenir des millions d'appareils connectés par kilomètre carré.

Défis et limites

Malgré le potentiel des techniques décrites, plusieurs défis pratiques subsistent lors du déploiement de systèmes MIMO dans des zones urbaines denses.

Chaque antenne nécessite une chaîne radiofréquence (RF) séparée — mélangeurs, filtres, convertisseurs analogiques à numériques — qui augmente la consommation d'énergie, le coût et le facteur de forme. La formation de faisceaux hybrides réduit le nombre de chaînes RF, mais nécessite encore des commutateurs et des commutateurs de phase sophistiqués. Les défis thermiques de l'emballage de centaines d'antennes dans une petite zone (surtout sur les petites cellules de niveau de rue) doivent être gérés.

Dans des scénarios urbains denses avec de nombreux utilisateurs et de petites cellules, la réutilisation de séquences pilotes à travers les cellules entraîne des erreurs d'estimation de canal qui ne disparaissent pas même avec des antennes infinies. Des algorithmes avancés tels que la décontamination pilote basée sur la valeur propre ou l'estimation de canal basée sur la compression peuvent aider mais ajouter des frais généraux de calcul.

Pour servir de nombreux utilisateurs avec la formation de faisceaux, la station de base doit acquérir des informations précises sur l'état des canaux (ISC) pour chaque utilisateur. Dans des environnements de grande mobilité comme une rue urbaine avec voitures rapides et piétons, l'ISC peut devenir rapidement obsolète. Cela oblige les transmissions pilotes plus fréquentes, qui consomment des ressources de fréquence temporelle qui pourraient autrement transporter des données.

Les contraintes de capacité de l'arrière-cour et de l'avant-cour limitent également les avantages. Dans les déploiements urbains denses, les petites cellules sont souvent reliées par fibre, mais si le lien de l'arrière-cour est insuffisant, les gains de traitement du MIMO ne peuvent être réalisés.

Orientations futures

La recherche continue de repousser les limites de la performance du MIMO dans les scénarios urbains à forte densité. Plusieurs directions prometteuses apparaissent.

Apprentissage automatique pour l'optimisation de bout en bout

L'apprentissage profond est appliqué à presque tous les aspects de la conception du système MIMO : estimation des canaux, conception de cahiers de bord, allocation des ressources et même remplacement de la rétroaction des canaux par des autoencodeurs. Une étude récente souligne que les approches en réseau neuronal peuvent apprendre les corrélations spatiales et les modèles de densité des utilisateurs à partir de données, permettant des configurations adaptatives qui dépassent l'optimisation conventionnelle.

Surfaces réfléchissantes intelligentes (IRS)

En plaçant IRS sur les façades de bâtiments dans les canyons urbains, le réseau peut créer des chemins virtuels de visibilité autour des obstacles, améliorer la couverture des utilisateurs à l'ombre et même réduire les interférences. Dans les zones denses de hauteur, IRS peut diriger les signaux verticalement pour servir les utilisateurs sur différents étages, augmentant ainsi l'ouverture de l'antenne sans ajouter de chaînes RF coûteuses. Les simulations précoces montrent que le MIMO assisté par IRS peut augmenter le débit de plus de 50% dans des scénarios urbains denses.

MIMO à double face

Dans les systèmes MIMO, le fonctionnement du duplex complet ajoute des défis d'annulation d'auto-interférence, mais les récentes avancées dans l'annulation analogique et numérique ont rendu possible. Dans les réseaux urbains denses, le duplex complet peut permettre à une station de base de desservir un utilisateur dans la liaison descendante tout en recevant d'un autre utilisateur dans la liaison ascendante dans le même bloc de ressources, augmentant efficacement le débit du système sans avoir besoin d'une bande passante supplémentaire.

Intégration avec les bandes de fréquences supérieures

Les réseaux urbains se déplacent vers les fréquences millimétriques (mmWave) et subTHz, où de grandes largeurs de bande sont disponibles. Le faisceau MIMO se formant à ces fréquences est extrêmement étroit, ce qui permet de réaliser des gains d'antenne élevés. Cependant, les signaux mmWave sont plus sensibles aux blocages (par exemple, par les bâtiments, les arbres, et même les corps humains).La forte densité des utilisateurs peut exacerber le blocage parce que de nombreux utilisateurs occupent physiquement le même espace.

Conclusion

La densité des utilisateurs est un facteur déterminant dans la performance des systèmes MIMO déployés dans les scénarios urbains. Bien qu'elle pose des défis importants - brouillage, contraintes d'allocation des ressources et conditions de canal défavorables - elle crée également des possibilités pour les techniques avancées MIMO pour briller. Grâce au multiplexage spatial, au MIMO massif, au faisceaulage intelligent et à la gestion des ressources par apprentissage automatique, les réseaux sans fil modernes peuvent maintenir un débit élevé même dans les villes les plus encombrées du monde.