MIMO מותאם בסביבה דינמית Spectrum Environments: Ave Guide

מערכות תקשורת אלחוטיות מודרניות להתמודד עם לחץ בלתי פוסק לספק שיעורי נתונים גבוהים יותר, שקיפות נמוכה יותר, וקישוריות חלקה בסביבה צפופה ובלתי צפויה של ספקטרום רחב (MIMO) טכנולוגיה, אשר משתמשת אנטנה מרובים הן משדר והן מקלט, הפך אבן הפינה של מערכות אלה.עם זאת, הגדרות מכני סטטיות MIMO לעתים קרובות מתפתלות כאשר תנאי הערוץ עוברים במהירות או ספקטרום הופך להיות מפולג.

עקרונות הליבה של MIMO הסתגלות

במהותו, MIMO מותאם אישית ממינוף ידע בזמן אמת של סביבת ה-Proagation - שנאסף באמצעות מידע מצב ערוצים (CSI) - כדי להתאים את הפרמטרים כגון תצורה, משקלים מחלחלים, תוכנית מודולציה, וקצב קידוד זה אופטימיזציה דינמי מאפשר למערכת למקסם את יעילות ספקית, לשפר את האמינות, ולצמצם את ההתערבות הקבועה MIMO, שמסתמך על שידור חד פעמי, ונסיבות מרובות (MO) בין רמות אמינות מרובות (MO) בין רמות שונות (MO) לבין יעילות מרובות (חומריות) לבין רמה גבוהה).

הלולאה ההסתגלות כוללת בדרך כלל ארבעה שלבים: תות ערוץ, משוב של CSI למדר, קבלת החלטות המבוססת על קריטריון אופטימיזציה, ויישום של הפרמטרים הנלווים שנבחרו.המהירות והדיוק של כל צעד משפיע ישירות על הביצועים שניתן להשיג בסביבות המשתנה במהירות.התקדמות בעיבוד אותות וערוצי בקרה נמוכים של שליטה עכשיו מאפשרת הסתגלות על פני שטח של מילימטריים, מה שהופך את ההסתגלות קיימא עבור פריסה עולמית אמיתית.

טכניקות מפתח

ערוץ אסטנס וחיזוי

הערכה ועדכונים של ערוץ (IMO) היא סלע המיואם של שיטות MIMO. Common כוללות הערכה מבוססת פיילוט, שבו סמלים ידועים מועברים מעת לעת, ואלגוריתמים עיוורים או סמי-עיוורים המנצלים תכונות סטטיסטיות של האות המתקבל.בתרחישים דינמיים מאוד, טכניקות חיזוייותנות - כגון מודלים הנעים אוטומטית (ARMA) או חיזוי רשת עצבית - יכולים לצפות באבולוציה, ומאפשרים ביצועים מתקדמים לפני למידה יעילה: 1.

בחירת אנטנה

במקום תמיד להשתמש בכל האנאנטנות הזמינות, מערכות MIMO אדפטיות יכולות לבחור תת-קבוצה הממקסמת את יחס ה-Lo-interference-Over-noise (SINR) או מצמצם את שיעור השגיאה הקטן. אלגוריתמים של בחירת אנטנה נעים מחיפושים ממצה (או כבד אך חישובי) ל-heists נורמטיביים ומבוססים על ידי שינוי כמעט-opal עם מורכבות נמוכה בהרבה.

להיות אמין ופרסום

(הופנה מהדף מוביל אנרגיה אותות לאנרגיה לעבר המקלט המיועד, שיפור הרווח והפחתת ההתערבות.אם הסתגלות מעסיקה הן את ההוויה האנלוגית (באמצעות משמרות שלב) וקידוד דיגיטלי (באמצעות עיבוד אותות בסיס) אדריכלות היברידית המשלבת הן אטרקטיביות במיוחד עבור מערכות גלי מילימטר הפועלות בספקטרום דינמי.

שינוי והתאמה משותפת

הסתגלות קישורים - תוך שמירה על סדר מודולציה וקצב הקידוד של הערוץ - היא טכניקה מבוססת היטב בסטנדרטים אלחוטיים.בהתאמה MIMO, זה מורחב על פני זרמים מרחביים.לדוגמה, מערכת עשויה להשתמש 64-QAM עם שיעור קוד גבוה בערוץ מרחבי חזק תוך שימוש QPSK עם קצב נמוך יותר coding על אחד זרם מבוזר, הידוע בשם "אדפטציה וקידוד עבור תנאי משותף" ללא אותות משתנים (R) באמצעות יחס כולל של QPSK עם קצב נמוך יותר עם התאמה להתאמה להתאמה להתאמה להתאמה להתאמה לזרם נמוך יותר.

אתגרים של איכות הסביבה של דינמי

סביבות ספקטרום דינמי מאופיינות בתנאי ערוץ משתנים במהירות, הפרעה לסירוגין, וזמינות מגוון טווח - במיוחד בלהקות ללא רישיון או תחת פרדיגמות רדיו קוגניטיביות. גורמים אלה מציבים אתגרים חמורים במערכות MIMO קונבנציונליות.

  • (FLT:0) ערוצים בזמן-הוירינג: 1FIRLT:1 הניידות של משתמשים או מתפזרים גורם לדופלר להתפשט, מה שהופך את CSI מיושן בתוך מילימטרים.
  • (FLT:0) ,Spatial Interference Dynamics:FLT:1 בפריסה צפופה, מקורות התערבות מופיעים להיעלם ללא משפט, הדורש התאמה בזמן אמת של דפוסים מגובשים ובחירת אנטנה.
  • (FLT:0) ספקטרום Fragmentation:FreaLT:1 , שיתוף רדיו קוגניטיבי וספקטרום מציג להקות לא עקביות, מה שחייב את ה- MIMO transceivers לפעול על פני מספר רב של קטעים עם תכונות שונות של פרופיל.
  • (FLT:0)Feedback Overhead:FLT:1 Rapid הסתגלות דורש משוב CSI תכוף, אשר צורכת משאבים יקרים של ספקטרום.מסחר בין תדירות משוב למערכת באמצעותput יש לנהל בזהירות.
  • (FLT:0) Hardware Constraints:FreaLT:1 פאוור מגבר, משמרות שלב ורשתות RF להטיל מגבלות על האופן שבו ניתן לשנות תצורה של אנטנה מהירה, במיוחד בציוד רגיש ובעל רגישות עלות.

היתרונות של MIMO הסתגלות בפרקטיקה

למרות האתגרים האלה, MIMO מותאם מספק יתרונות משכנעים המצדיקים את המורכבות שלה.

יעילות ספציפית

על ידי בחירה דינמית של שילוב אופטימלי של מספר גדול מרחבי, beamforming, ומודולציה, MIMO מותאם משתמשת רוחב הפס הזמין הרבה יותר ביעילות מאשר חלופות קבועות. Measurements בתרחישים microcell עירוניים להראות רווחים של 30-50% יעילות ספקטרלית הממוצעת בהשוואה ל- MIMO פתוח סטטי.

שיפור נאמנות הקישור

בסביבות בעלות גבוהה (למשל, תקשורת vehicular), MIMO מותאם יכול לעבור למצבים מגוונים כאשר איכות ערוץ טיפות, צמצום ההסתברות החוצה. , ניסויים שדה עם בחירת אנטנה אדפטיבית הראו שיפור 10 dB שולי קישור בתנאים המהירים.

גבוה יותר שיא וממוצע נתונים

כאשר תנאים מאפשרים, MIMO מותאם מנצלת מספר עצום של צפי נתונים קרוב ליכולת הערוץ.היכולת ליפול בחזרה למצבים חזקים מבטיחה כי הממוצע באמצעות לוח נשאר גבוה אפילו ככל שהפסגות המיידיות משתנות.

המונחים:

קידוד הסתגלות עם טיהור אפס יכול ליצור באופן דינמי אפסים בכיוון של מפריעים, יכולת חשובה יותר ויותר בלהקות ללא רישיון (למשל, Wi-Fi 6/7) ורשתות טקטיות צבאיות.FLT:0GPP מפרטים FLT:1 עבור 5G NR תמיכה במפורש משוב CSI הסתגלות ו precoding כדי לנהל הפרעה פריסות hetereous.

יישומים של MIMO מותאם

רשתות רדיו קוגניטיביות

ברדיו קוגניטיבי, משתמשים משניים חייבים לא להפריע לבעלי הרישיון העיקריים.אם הסתגלותי מאפשר משדרים משניים לחרוגים ספקטרום חוש ולתאים את דפוסי השידור המרחביים שלהם בהתאם – למשל, באמצעות שימוש ב- beamforming כדי להימנע מלהאיר מקלטים ראשוניים. "שיתוף ספקטרום ספקטרום מזערי" זה יכול להגדיל באופן דרמטי את ניצול הספקטרום הכולל.

5G ו- 6G תאים

Massive MIMO, מאפשר מפתח של 5G, מסתמכת רבות על טכניקות הסתגלות. תחנות בסיס עם עשרות או מאות אנטנות להשתמש CSI בזמן אמת כדי ליצור דבורים צרות שעוקבות אחרי משתמשים בזמן שהם עוברים. Beyond 5G, משטחים אינטליגנטיים והסתגלות הוליסטית על פני תדירות, זמן, ומרחב צפויים להסתמך על MIMO המופעל על AI.

תקשורת צבאית ואקטית

סביבות עופות דורשות קישורים עמידים על-ידי מוליכים למחצה.אם הסתגלות עם תדירות הצטמצמות ומדורגת זריזה יכולה להדוף על ידי שינוי מרחבי ושערות ספקטרליות.סוכנות פרויקטי המחקר המתקדם של ארה"ב (DARPA) מממנתה את FLT:0programsFLT:1 לחקור MIMO לרשתות שדה הקרב Reilient.

אינטרנט של דברים (IoT) ומכשירים בעלי עוצמה נמוכה

אפילו מכשירים IoT מוגבלים משאבים יכולים ליהנות מ MIMO מותאם על ידי המסחר השימוש האנטנה עבור חיסכון כוח.מגוון פשוט בחירה - תוך שמירה על הטוב ביותר של שתי אנאנטנות - יכול להאריך את חיי הסוללה תוך שמירה על תקציב קישור בערוצים מתפתלים.

כיוונים עתידיים: Machine Learning and Beyond

הגבול הבא להתאמה MIMO הוא שילוב של טכניקות למידת מכונה (ML) כדי לחזות וריאציות ערוץ ואופטימיזציה החלטות ללא מודל מפורש. סוכני למידה מעמיקים למידה יכול ללמוד מדיניות מגובשת אופטימלית באמצעות אינטראקציה עם הסביבה, צמצום הצורך משוב קליני CSI. תוצאות מוקדמות מ FLT:0 מחקרים שפורסמו על ידי Deep חיזוק עמוק 10LT:1 מעיד כי סוכנים כאלה יכולים לגלות תוכניות הסתגלות קלאסית בתרחישים דינמיים מאוד.

יתר על כן, למידה מבוזרת בתחנות בסיס יכולה לאפשר הסתגלות שיתוף פעולה MIMO ברשתות מרובות תאים, מזרז התערבות בין תאית יעילה יותר מאשר גישות מבודדות. בעוד הקהילה האלחוטית נעה לכיוון 6G - אשר תוכננה לתמוך בתעריפים נתונים קיצוניים, עצלות תת-מילית שנייה, וקישוריות מסיבית - MIMO ptive יהיה חיוני. מחקר לתוך משטחים חכמים מתחדשים, אשר מוסיף רמה אחרת של חופש לסביבה ההתפשטות, תרחיב עוד אפשרויות הסתגלות להתאמה אמיתית יותר.

עם זאת, אתגרים נשארים.מודלים של ML דורש נתונים גדולים אשר עשויים לא להיות זמינים בכל תרחישי הפריסה.מורכבות Computational חייב להיות מנוהל עבור מכשירים קצה. תקנים סטנדרטיזציה כבר עובדים על מנגנונים כדי לתמוך הסתגלות MIMO עם ML, ו טיוטות מוקדמות של 3GPP לשחרר 18 כוללים פריטים מחקר על AI / ML עבור ממשק האוויר.

מסקנה

טכניקות MIMO הסתגלותיות אינן רק שיפור מצטבר - הן מייצגות אבולוציה בסיסית כיצד מערכות אלחוטיות להתמודד עם חוסר יכולת של סביבות ספקטרום דינמי.על ידי מינוף ידע ערוץ, בחירת אנטנה, beamforming, והתאמה קישור, מערכות אלה להשיג הישגים יוצאי דופן ביעילות ספקית, אמינות ושיעורי נתונים.