Poiché la Nuova Radio (5G NR) continua a maturare ed espandere la sua impronta in tutto il mondo, uno dei più consequenziali abilitatori tecnologici è l'evoluzione delle tecniche di precodifica Multi-User Multiple Input (MU-MIMO) che permettono a una stazione di base di servire più utenti contemporaneamente sulle stesse risorse di frequenza temporale, MU-MIMO elimina direttamente l'efficienza spettrale e il throughput degli utenti.

Fondazioni di MU-MIMO Precodifica in 5G NR

MU-MIMO precodifica i segnali destinati a più utenti prima di essere combinati e trasmessi da un array di antenne. L'idea principale è quella di pre-distorare il segnale di ogni utente basato sulla conoscenza delle informazioni dello stato del canale (CSI) in modo che, quando i segnali arrivano ai ricevitori, l'interferenza tra gli utenti è ridotta al minimo.

5G NR introduce strutture di riferimento flessibili e segnali di riferimento che rendono MU-MIMO più pratico. La trasmissione dei segnali di riferimento demodulazione (DM-RS) permette alla rete di stimare il canale precodificato alle apparecchiature utente (UE), consentendo feedback a livello chiuso.

Passare dal Codebook alla Precodifica Non-Codebook

L'anteprima MU-MIMO si basa su codebook fissi, un piccolo insieme di matrici predefinite precodificate. 5G NR, tuttavia, soprattutto con Release 15 e oltre, introduce precodifiche non-codebook per sistemi TDDMO, dove la stazione di base può calcolare il precoder direttamente dalle stime del canale uplink. Questo approccio consente una risoluzione spaziale molto più fine ed è stato un driver chiave di guadagni di prestazioni in largamente implementato in rete.

Anticipi in Hybrid Precoding per Massive MIMO

Uno dei più significativi progressi pratici è il precoding ibrido, che divide l'elaborazione del segnale tra i domini analogici (RF) e digitali (baseband). La precodifica digitale richiederebbe una catena RF dedicata per ogni elemento antenna, che è proibitivo di costi e potenza per array con centinaia di antenne.

Il lavoro recente sul precodifica ibrido per il 5G NR si concentra su algoritmi che ottimizzano congiuntamente le matrici analogiche e digitali sotto vincoli pratici. Ad esempio, il teletrasmettitore analogico è spesso limitato ai cambiamenti di fase a modulo costante, mentre il precoder digitale può essere calcolato come una soluzione ZF o MMSE a dimensione inferiore.

Alcuni produttori stanno ora implementando precodi ibridi in stazioni di base NR 5G commerciali per le bande di mmWave (n257, n258), dove la grande larghezza di banda e la perdita di percorso richiedono travi concentrate. Combinando travi analogiche con MU-MIMO digitale precodifica per più utenti, questi sistemi raggiungono sia la portata che l'alta domanda di trasmissione.

Miglioramenti analogici di formatura

Oltre a un'architettura ibrida, il teletrasporto completamente analogico viene utilizzato in alcune distribuzioni iniziali di 5G mmWave, in particolare per l'accesso wireless fisso. Tuttavia, MU-MIMO richiede almeno un certo grado di controllo digitale per servire più utenti simultaneamente sulla stessa trave.

Precodifica basata sull'apprendimento automatico

La complessità computazionale del calcolo delle matrici precodifica ottimali in tempo reale, in particolare con metodi non lineari come Dirty Paper Coding (DPC), ha motivato un cambiamento verso approcci di machine learning (ML), e le reti neurali profonde (DNN) possono imparare la mappatura da CSI a precodificare le matrici, bypassando i risolutori iterativi tradizionali.

I vantaggi sono duplice: riduzione del ritardo computazionale, importante per i casi di utilizzo NR a bassa latenza 5G, e adattabilità a canali non ideali che sono difficili da modellare analiticamente, come quelli con forti attacchi reciproci o con disabilità hardware. La ricerca editoriale di arXiv]] mostra che la precodifica basata su ML può mantenere il 90‐95% più veloce dell'efficienza spettrale rispetto ai metodi convenzionali convenzionali.

L'apprendimento delle forze di forza (RL) è anche in fase di esplorazione per la precodifica dinamica in scenari in cui il canale cambia rapidamente, come i treni ad alta velocità. L'agente impara una politica per l'aggiornamento sequenziale dei vettori precodifica basati su feedback CSI ritardati.

Spiegazione profonda e ML modellato

Un approccio più interpretabile combina algoritmi iterativi con parametri imparabili, noti come dispiegamento profondo. Ad esempio, lo standard Iterative Shrinkage‐Thresholding Algorithm (ISTA) per una stima dei canali radi può essere srotolato in una rete appresa (LISTA), poi applicato a precodi ottimizzazione.

Miglioramenti di formatura per MU-MIMO

La predisposizione e la teletrasformazione sono strettamente collegate; in 5G NR, la teletrasformazione viene utilizzata inizialmente durante la procedura di gestione del fascio (P‐1, P‐2, P‐3) per stabilire un collegamento direzionale, mentre la precodifica viene poi applicata al segnale a forma di trave per la multisalatura spaziale.

Una stazione di base 5G NR può avere pannelli antenne multipli orientati in modo diverso (ad esempio, a 120° di distanza). Precodifica coordinata tra i pannelli – spesso indicato come trasmissione a pannello – può formare raggi compositi che seguono un utente che si sposta da un'area di copertura specifica di un pannello ad un altro senza handover. Questo è particolarmente utile negli stadi o fitti canyon urbani.

Ottimizzazione di massa MIMO

Il massiccio MIMO, dove la stazione di base è dotata di decine o centinaia di antenne, è la base di 5G NR. Tuttavia, l'implementazione di tali array su scala richiede un'attenta ottimizzazione sia degli algoritmi di precodifica che dell'hardware.

Gli operatori di rete stanno implementando le enormi schede MIMO a banda media (3.5 GHz) e mmWave. Ad esempio, Qualcomm 5G Massive MIMO whitepaper[[] evidenzia che con 64 elementi di antenna e 16 utenti contemporaneamente programmati, MU-MIMO può ottenere un guadagno di throughput di 5‐8× MIMO a singolo utente in ambiente urbano tipico.

Gains Spaziale Multiplexing nella pratica

I test sul campo hanno dimostrato che con precodifica ottimizzata, i sistemi MIMO di massa possono servire contemporaneamente 12‐16 utenti per blocco delle risorse, raggiungendo l'efficienza spettrale di mediazione a celle da 50‐100 bps/Hz. Questo è un passo importante oltre LTE, che tipicamente supportava i livelli di MU-MIMO da 2 a 4. I progressi nelle tecniche di precodifica sono direttamente responsabili di questo salto, trasformando i gradi di libertà spaziali offerti dalla grande schieramento in capacità utilizzabile.

Sfide in MU-MIMO Precoding

Nonostante i progressi notevoli, rimangono diversi ostacoli. Il primo è il feedback CSI overhead. Per i sistemi FDD con grandi array di antenne, alimentando matrici di canale pieno alla stazione di base consumare proibitivamente molte risorse uplink. Le tecniche di recupero e di rilevamento della compressione stropicci possono ridurre la testa, ma implementazioni pratiche ancora in ritardo rispetto ai limiti teorici.

I difetti hardware come il rumore di fase, l'amplificatore di potenza non-linearità e il reciproco accoppiamento degradano le prestazioni di precodifica. Il rumore di fase è particolarmente grave a mmWave e le frequenze sub-terahertz, causando il disallineamento del fascio di tempo-varying.

La mobilità degli utenti introduce l'invecchiamento dei canali, il precodificato calcolato dalla stalla CSI può causare interferenze significative. Doppler si diffonde ad alta velocità (300-500 km/h per treni ad alta velocità) richiede la precodizione di intervalli di aggiornamento di meno di 1 ms. Precodizione predittiva utilizzando modelli autoregressivi o filtri Kalman può mitigare l'invecchiamento, ma richiede una stima accurata del movimento.

Scenari di distribuzione: mmWave vs. Sub‐6 GHz

Le tecniche di precodifica devono essere adattate alla banda di frequenza. Ai sotto-6 GHz, i canali sono generalmente più ricchi di dispersione, rendendo la precodifica lineare efficace con dimensioni moderate (32-64 elementi). A mmWave (24-52 GHz), i canali sono radi e spesso linea-di-sight, che richiedono travi più strette e uno sterzo accurato per evitare il blocco di altri utenti.

Nelle distribuzioni indoor come uffici e centri commerciali, dove i percorsi di propagazione sono altamente riflettenti, il multiplexing spaziale può essere più facile da raggiungere. Tuttavia, la precodifica deve tenere conto del fatto che gli utenti possono essere stazionari o spostati lentamente, permettendo l'uso di feedback di covarianza a lungo termine piuttosto che CSI istantaneo.

Standardizzazione e direzioni future in 3GPP

La serie di specifiche 3GPP (Release 15‐18) ha progressivamente migliorato le capacità MU-MIMO. Rilasciare 15 ha introdotto il framework di base per la precodifica non-codebook in TDD e il codebook Type I per FDD. Rilasciare 16 ha portato il codebook di tipo II (con combinazione lineare), supportando fino a 32 porte CSI-RS, consentendo una migliore risoluzione spaziale.

Al di fuori del 3GPP, la ricerca su architetture MIMO distribuite e senza celle sta guadagnando trazione. In una rete senza celle, più punti di accesso (AP) cooperano per servire gli utenti, richiedendo la precodifica congiunta attraverso AP geograficamente separati. Questo moltiplica la complessità computazionale ma promette enormi guadagni in copertura e correttezza. Il coordinamento iterativo necessario per tali sistemi può beneficiare di algoritmi di ottimizzazione distribuiti e di apprendimento federato per evitare centralizzare tutti CSI.

Con il controllo della riflessione e della rifrazione dei segnali incidenti, RIS può creare percorsi di linea virtuali e rimodellare il canale per renderlo più favorevole per il multiplexing spaziale. L'ottimizzazione congiunta dei turni di fase RIS e dei limiti di base che precodificano i vettori è una sfida matematica attiva, spesso risolta attraverso l'ottimizzazione alternata o i miglioramenti profondi.

Conclusioni

I progressi nella precodifica MU-MIMO per il 5G NR stanno trasformando la promessa teorica di massicci array di antenne in prestazioni di rete tangibili. Le architetture ibride riducono i costi hardware mantenendo alta efficienza spettrale, l'apprendimento automatico consente l'adattamento in tempo reale a canali complessi, e i miglioramenti di travelazione prolungano la portata di molteplici spazi agli ambienti ad alta mobilità e a mmWave.