מבוא ל- MIMO ו- Channel Estimation

מספר רב של טכנולוגיות של Input (MIMO) יוצר את עמוד השדרה של מערכות אלחוטיות מודרניות, מ- 4G LTE ו- 5G NR ל-Wi-Fi 6 ומעבר לכך, על ידי שימוש באנטנות מרובות הן במשלח והן במקבל, MIMO מנצל מגוון מרחבי ומספרקס כדי להגדיל באופן דרמטי את שיעור הנתונים ואת אמינות הקישור.

הערכת ערוצים אינה רק שיפור אופציונלי; היא דרישה בסיסית כמעט לכל משימות עיבוד MIMO. Beamforming, ריבוי מרחבי, הפרעה, ושוויון הכל להסתמך על CSI מדויק, הערכת ערוץ לא מדויק מובילה לביצועים במערכת מוזנחת, שיעורי שגיאה גבוהה יותר, וצמצום יכולתה של מערכות MIMO מסיביות, שבו מאות אנטנה הם פרוסים, הבעיה של estimation הופכת אפילו יותר חריפה של אמצעי התצורה של שימוש ישיר של אמצעי התצורה שלה.

מאמר זה מספק סקירה סמכותית, מוכוונת ייצור של הערכת ערוץ MIMO.זה מכסה את הטכניקות הנפוצות ביותר, מתאר את שיטות הטובות ביותר עבור פריסה, ודנו באתגרים שהמהנדסים מתמודדים במערכות בעולם האמיתי.אם אתה מעצב תחנת בסיס או מכשיר משתמש, הבנה של יסודות אלה יעזור לך אופטימיזציה ביצועים תוך ניהול מורכבות ולמעלה.

חשיבותו של אסטיגמציה ערוץ ה-MIMO Systems

(הופנה מהדף ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ללא הערכות מדויקות של ערוץ, המקלט אינו יכול להפריד כראוי זרמים מרחביים, וכתוצאה מכך התערבות בין-זרםית ואובדן דרך חמור. במערכות דיפלקס של זמן-דיוויזיציה (TDD), הדדיות ערוצים מאפשרת לתחנת הבסיס להפיק את ה- CSI מהערכות uplink, אך איכות ההערכות עדיין שולטת במערכת ’ היכולת לבצע קידוד.

יתר על כן, הערכה מדויקת מאפשרת ניהול הפרעות מתקדם.במשתמש רב-משתמש MIMO (MU-MIMO), תחנת הבסיס לוח זמנים של משתמשים מרובים באותו זמן- ⁇ משאבים, הסתמך על הערכות ערוץ להפריד ביניהם באופן מרחבי.שגיאות בהערכות מובילות להפרעות שאריות, אשר מגביל את מספר המשתמשים שניתן להגיש בו זמנית.

הערכת ערוץ היא המעצמה השקטה של רווח MIMO.בלעדיה, ההבטחה של קישוריות מסיבית ומהירויות ג'יגהביט נותרה מחוץ להישג ידם.

טכניקות ל- MIMO Channel Estimation

טכניקות הערכת ערוצים יכולות להיות מסווגות באופן רחב לשלוש משפחות: מבוססות הטייס (מבוססות על אימונים), עיוור וחצן למחצה. בשנים האחרונות, גישות למידת מכונה הופיעו כקטגוריה רביעית המציעה ביצועים משכנעים בתרחישים מאתגרים.לכל טכניקה יש את הבורסות שלה במונחים של דיוק, מעל ראש, מורכבות חישובית, ועוצמה.

ערוץ מבוסס טייס

הערכת estimation מבוססת הטייס היא הגישה הנפוצה ביותר לסטנדרטים אלחוטיים הנוכחיים.סמלי התייחסות ידועים, הנקראים טייסים או רצפי הדרכה, מועברים לצד נתונים. המקלט משווה את הטייסים שקיבלו עם המקור הידוע להעריך את הערוץ.השיטה הפשוטה ביותר היא לפחות כיכרות (LS) estimation, אשר פותרת את ממטריקס הערוץ הממזער את השגיאה הריבועית בין הטייס הצפוי לטייס, עם אותות רגישים במיוחד.

מינימום פירושו טעות מרובע (MMSE) estimation משתפר על LS על ידי שילוב ידע סטטיסטי של הערוץ ורעש. MMSE בדרך כלל מניב טעות estimation נמוכה יותר אבל דורש ידע של ערוץ covariance ו irce רעש, אשר עשוי לא להיות זמין בפועל. כדי להפחית מורכבות, מערכות רבות להשתמש MMSE estimator פשוט כי לוקח פרופיל אחיד.

גרסה נוספת בשימוש נרחב היא estimation ערוץ מבוסס DFT, אשר מנצל את העובדה כי תגובת הדחף הערוץ הוא ספאר בתחום הזמן. על ידי הפיכת הפיילוט של תדירות-דומיין הערכות לתוך התחום הזמן, מחיקת ברזים מלוטשים רעש, והופכת בחזרה, ה-estimator מקבל ייצוג נקי יותר.

טייס מעל פניות הוא פרמטר עיצוב קריטי.בסביבות משתנות במהירות, יש צורך יותר טייסים לעקוב אחר שינויים, עלייה מעל פני השטח וצמצום יעילות ספקטרלית. בסביבות סטטיות או נמוכות, פחות טייסים מספיקים. NR משתמשים בדפוסי טייס גמישים, כגון אותות התייחסות הדגמה (DM-RS), שניתן להגדיר עבור מהירויות שונות של משתמשים ותרחישים פריסה.

עיוור וסמי-בינד אסטימו

טכניקות estimation עיוור נועדו לחלץ מידע ערוץ מהמידע שהתקבל ללא סמלים טייס ייעודי.הם מסתמכים על תכונות סטטיסטיות של אותות המועברים, כגון Modulus קבוע, אלפבית סופי, או מחזוריות. לדוגמה, אלגוריתם מודולוס קבוע (CMA) מניח כי הסמלים המועברים יש אמפורה קבועה, כמו בכמה אלגוריתמים.

estimation עיוור יכול להשיג יעילות ספקטרלית גבוהה יותר על ידי ביטול הטייס מעל הראש, אבל זה לעתים קרובות דורש בלוקים גדולים נתונים כדי לתכנס ולסבול ממביגונטיות (למשל, שלב ודרגות) זה גם רגיש יותר להפרעות ורעש. כתוצאה מכך, שיטות עיוור טהורות משמשות לעתים רחוקות במערכות סלולריות מסחריות, אם כי הם מוצאים יישומים בקישורים נקודה לנקודה או תקשורת לווייניתנית גבוהה ביותר.

estimation סמי-עיוורת פוגע באיזון באמצעות מספר קטן של טייסים לפתרון עמימות ולאחר מכן החלת טכניקות עיוורות כדי לחדד את ההערכה על בלוק נתונים ארוך יותר. גישה זו מפחיתה את הטייס מעל פני השטח תוך שמירה על דיוק סביר.שיטות סמי-עיוורות הן אטרקטיביות במיוחד ב- MIMO המסיביות שבו מספר הערוצים גדול, ואימון יתר יהיה צורך בדרך כלל חלק משמעותי של משאבים בזמן.

Machine Learning and Deep Learning Accesss

בשנים האחרונות, שיטות המונעות נתונים הראו הבטחה עבור estimation ערוץ MIMO.רשתות עצביות עמוקות יכולות ללמוד את המיפוי המורכב בין אותות שהתקבלו לבין ממריצים ערוצים ערוצים ערוצים, לעתים קרובות ליצור estimators קלאסי בתנאים לא-אידאליים כגון SNR נמוך, צפיפות טייס מוגבלת או ליקויי חומרה.לדוגמה, רשת עצבית מגובשת (CNN) יכולה להיות מאומנת לדהמת תחזיות מבוססות פיילוט, ביעילות, באמצעות רשתות למידה נורמטיביות (Nvarding).

אחת ההתפתחויות המרגשות ביותר היא למידה עמוקה מבוססת מודל, שבו אלגוריתם מתפתח חלקית של אלגוריתם הרצאה (למשל, העברת הודעה משוערת) הופכת לרשת עצבית עם פרמטרים שניתן לרכבת.רשתות אלה משלבות את המבנה של גישות המבוססות על מודלים עם התאמת הלמידה, המציעות הן הפרשנות והן ביצועים.עם זאת, פריסת למידה עמוקה במערכות בזמן אמת עדיין מאתגרת עקב דרישות חישוביות וצורך לאימון נרחב.

חשוב לציין כי שיטות למידת מכונה אינן מחליפות את הצורך בטייסים; אלא, הן משפרות את הדיוק שניתן להשיג מתצורת טייס נתונה.כאשר חומרה הופכת ליותר מסוגלת, אנו יכולים לצפות לראות estimators מבוסס למידה המשולבים לתוך מעבדי בסיס עתידיים.

Best Practices for Implementing ערוץ MIMO

בחירת וכוונון של אלגוריתם הערכת ערוצים הוא רק חלק מהקרב.כדי להשיג ביצועים חזקים במערכות ייצור, מהנדסים חייבים לשקול קבוצה רחבה יותר של שיטות הכוללות עיצוב טייס, הסתגלות, פיצוי חומרה ובחירה אלגוריתמית.

עיצוב טייס והכחשה אופטימיזציה

המספר והמיקום של סמלי הטייס יש השפעה ישירה על דיוק המשקעים ויעילות ספקטרלית.In ofDM Systems, הטייסים מוכנסים בדרך כלל ב subcarrierים ספציפיים וסמלי DM. הדחיסות חייבת להיות גבוהה מספיק כדי לדגום את הערוץ בשני הזמן ותחומים בתדרים בערוצים של ניקוויקט.עבור ערוצים קבועים, הפיילוט בזמן צריך להיות גבוה יחסית כדי להפיץ את התדירות.

התקנים מספקים תבניות ברירת מחדל, אך יישום יכול לעתים קרובות לייעל עוד יותר.לדוגמה, ב-5G NR, הרשת יכולה להגדיר צפיפות DM-RS המבוססת על מהירות המשתמש (UE) ועיכוב ערוצים מתפשטים.שימוש בדחיסות הנמוכה ביותר שעדיין עונה על גודל השגיאה (EVM) מקטין מעל פני הראש ומשתפר באמצעות עיבוד דינמי של צפיפות הטייס בהתבסס על מדידות בזמן אמת הוא תרגול מומלץ עבור מערכות ביצועים גבוהים.

אסטיגמציה מתאימה לתנאי ערוץ Varying

תנאי ערוצים משתנים עם הזמן עקב ניידות משתמשים, שינויים סביבתיים והפרעה.אלגוריתם estimation קבוע עשוי לעבוד טוב בתרחיש אחד אבל נכשל בשיטות הערכה הסתגלותיות כדי להתאים פרמטרים כגון גורמים נשכחים, פילטרים או צפיפות הטייסת המבוססת על מצב הערוץ הנוכחי. לדוגמה, מסנן קלמן יכול לעדכן את הערוץ באופן חוזר על ידי מודל האבולוציה של הזמן כמו תהליך תגמול יכול להיות מעקב אחר רעש.

ב-MIMO מסיבי, שבו תחנת הבסיס משרתת משתמשים רבים, מודול הזיהוי של הערוץ חייב להתמודד עם מספר שונה של משתמשים פעילים ופרופילי ניידות שונים. הקצאת משאבים הסתגלות, כגון הטלת משאבים נוספים של טייס למשתמשים המהירים, יכול לשפר באופן משמעותי את ביצועי המערכת הכוללת.יישומים צריכים לפקח על מדדים כמו השגיאה הממוצעת של ריבוע (NM) של הערכות והסתגלות כאשר הם מעלים.

המונחים: Hardware Impairment Compensation

רדיו בעולם האמיתי סובלים מפגמים כגון רעש שלב, I / Q, חוסר איזון כוח, מגבר כוח לא ליניאריות, שגיאות קוונטיות. ליקויים אלה מעוותים את האות המתקבל ואת דיוק estimation ערוץ מדרגות.כדי להפחית את ההשפעות האלה, מערכות רבות מעסיקות אלגוריתם של קיטוב ותגמול.לדוגמה, רעש בשלב זה יכול לעקוב באמצעות לולאות שלב מותפל, IQ / ניתן לתקן חוסר איזון דיגיטלי.

במערכות MIMO, ליקויים עשויים להשתנות בין אנטנה בשל הבדלים בסובלנות רכיב.זה מציג חוסר איזון מרחבי כי, אם לא מותאמות, משחית את הערכת הערוץ.הליכים קלמנטים תקופתיים, הן לא מקוון והן באינטרנט, יכול למדוד ולתקן את חוסר איזון אלה. ציוד ייצור-דרג כולל לעתים קרובות בנוי-במבחן עצמי (IST) כדי לאמת איכות של קיבריציה.

Algorithm Selection המבוסס על מערכת Constraints

הבחירה בין LS, MMSE, DFT מבוסס, עיוור או שיטות למידה עמוקות תלויה בדרישות המערכת הספציפיות והמגבלות.במכשיר משתמש מופעל סוללות, מורכבות חישובית וצריכת חשמל מגבילים את הבחירה. LS או DFT מבוסס estimators הם העדיפו. בתחנת בסיס עם משאבים בשפע, MMSE או אלגוריתמים זה יכול להיות מועסק דיוק גבוה יותר.

מעצור נוסף הוא הזמינות של מידע סטטיסטי. MMSE דורש ידע על קוחלות ערוץ, אשר עשוי להיות לא ידוע או זמן-varying. במקרים כאלה, estimators חזקים המשתמשים במודל קבוע של כפייה (למשל, בהנחה אחידה angular להפיץ) יכול לספק ביצועים מקובלים.עבור מערכות הפעלה בסביבות דינמיות מאוד, אלגוריתמים חוזרים או הסתגלות כי אינם דורשים סטטיסטיקות קודמות, יכול להיות מתאים יותר.

לבסוף, יש לשקול את תקציב השקיפות.כמה אלגוריתמים הרציונאליים דורשים מספר רב של היציאות להתכנסות, אשר עשוי לעלות על זמן העיבוד האפשרי.ביישומים קריטיים בזמן, כגון תקשורת אולטרה-סבירה נמוכה (URC), האלגוריתם חייב לייצר הערכה בתוך כמה מיקרו-שניות.זה דורש לעתים קרובות שיטות פשוטות, לא-רציונאליות.

אתגרים ב- MIMO Channel Estimation

למרות עשרות שנים של מחקר, ערוץ MIMO נשאר בעיה מאתגרת, במיוחד כשמערכות אלחוטיות מתפתחות לתדרים גבוהים יותר, אנטנות גדולות יותר וסביבות דינמיות יותר.

ניידות גבוהה

בתקשורת vehicular, דופלר מתפשט יכול לעלות על 1 kHz, מה שגורם לערוץ להשתנות באופן משמעותי בתוך אחד של DM סמל. שיטות מבוסס טייס נאבקים כדי לשמור על, מה שמוביל לשגיאה מוגברת של estimation.טכניקות כגון מודלים של התרחבות בסיס (BEM) או מרדף בסיס יכול לעזור, אבל הם מוסיפים מורכבות.

MIMO

ב-MIMO מסיבי, מספר האנטנה מגיע לעשרות או מאות, יצירת ממטריקס ערוץ גדול.הטייס מעל הראש גדל ליניארי עם מספר האנטנה, ובמערכות FDD, משוב CSI הופך בלתי חוקי.מערכות TDD מסתמכות על הדדיות, אבל זה דורש כיבוד זהיר של רשתות RF כדי להבטיח תשובות סימטריות.

מילימטר גל וטרהארצץ מערכות

בתדרי mmWave ו-THz, סביבת ה-Proagation היא דלה בתחום הזוויתי, כלומר רק כמה נתיבים דומיננטיים קיימים.ספאם זה יכול להיות מנוצל באמצעות טכניקות חישה דחוסות הדורשות הרבה פחות טייסים מאשר שיטות קונבנציונליות.עם זאת, מגבלות חומרה בתדרים אלה, כגון שרשראות RF מוגבלות ומדכאות אנלוגיות, להטיל מגבלות נוספות על האופן שבו ניתן לבצע אנלוגיות.

המונחים: non-Ideal RF Components

כאמור, רעש בשלב, אי-לינאריות, והפיכה הדדית בין אנטנות כל estimation מדרגה.אפקטים אלה בולטים יותר במכשירים קומפקטיים עם מיקום אנטנה צפופה. פיצוי דיגיטלי מתקדם והערכה משותפת של ערוצים ופגיעה הם אזורי מחקר פעילים.

כיוונים עתידיים

הדור הבא של מערכות אלחוטיות, כולל 6G, ידחוף את ההתעלות של ערוץ קדימה. Reconfigurable פני השטח אינטליגנטיים (RIS), שטח מסיבי ללא תאים מסיבי MIMO, ושילוב חישה ותקשורת (ISAC) ידרוש פרדיגמות estimation חדשה.עבור מערכות מבוזרות של RIS-aided, הערוץ חייב לקחת בחשבון את ההשתקפות של תוכנות אפקטיביות, מה שהופך את הערוץ ל-iOS-rexitrexitrexitrexitretreretrexitrexitrecaremedation estremedation , דורש שיתוף פעולה יעיל יותר, דורש שיתוף פעולה אלגוריתמים יעיל יותר, דורש שיתוף פעולה יעיל יותר, כולל משתמשים מופץ יעיל יותר, דורש שיתוף פעולה יעיל יותר, דורש שיתוף פעולה יעיל יותר, כלומר, תמיכה יעיל יותר, תמיכה תאים יעיל יותר, דורש שיתוף פעולה יעיל יותר, דורש שיתוף פעולה יעיל יותר, דורש אלגוריתמים יעיל יותר, דורש שיתוף פעולה יעיל יותר, דורש שיתוף פעולה יעיל יותר, דרישות יעיל יותר, דרישות יעיל יותר, עבור כל אמצעי פעולה יעיל יותר, תמיכה תאים, עבור כל אמצעי פעולה יעיל יותר, דרישות תמיכה תאים יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר,

אינטליגנציה מלאכותית תמלא תפקיד בולט יותר ויותר.שיטות למידת מכונות צפויות להיות מוטבעות במעבדי פס בסיס עבור הערכת ערוץ בזמן אמת, מינוף של מאיצים רשת עצביים ייעודיים.זמינות של נתונים גדולים מפריסות שדה יאפשרו הכשרה של מודלים מדויקים מאוד כי הכללת סביבות רבות.

(ב) לקריאה נוספת, התייחס לסקר הסמכותי על estimation מסיבית של ערוץ MIMO על ידי Björnson et al. ב IEEE ProceedingsFLT:0hereirFLT:1, ו- 3GPP מפרט טכני על הליכים פיסיים עבור NRFLT:2hereFbilve 3 .

מסקנה

הערכת ערוץ MIMO היא מרכיב קריטי המשפיע ישירות על הביצועים של מערכות אלחוטיות מודרניות.על ידי הבנת הטכניקות הבסיסיות ו-#8212; מ- LS ו- MMSE מבוססי LS ועד גישות עיוורות ושיטות למידת מכונה מתפתחות ו- #8212; מהנדסים יכולים לעשות בחירות מושכלות כי איזון דיוק, מעל פני ומורכבות. Adhering לשיטות הטובות ביותר בעיצוב טייס, הסתגלות ⁇ , פעולות, ולהבטיח אלגוריתמים חזקים יותר, מבטיחות, כמו גם אלגוריתמים מתקדמים יותר, כמו גם אלגוריתמים, אלגוריתמים, אלגוריתמים מתקדמים יותר, כמו גם אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים מתקדמים יותר, אלגוריתמים, כמו אלגוריתמים מתקדמים יותר, להמשיך אלגוריתמים מתקדמים יותר, וגרסאות של שיטות הפעלה.