Inleiding

Meervoudige Input Multiple Output (MIMO) beamforming is een hoeksteen van moderne draadloze communicatie, waardoor aanzienlijke winsten in spectrale efficiëntie, koppelingsbetrouwbaarheid en netwerkcapaciteit mogelijk zijn. Door de overdracht van energie juist naar beoogde ontvangers te sturen terwijl interferentie elders wordt opgeheven, vereisen beamformingsystemen in de vijfde generatie (5G) Nieuwe Radio (NR), Wi‐Fi 6/7, en andere geavanceerde standaarden multi-gigabit data rates aan een dichte populatie gebruikers. Om deze voordelen te bereiken, vereist het echter dat de zender (bijvoorbeeld een basisstation of toegangspunt) over nauwkeurige, tijdige kennis van het voortplantingskanaal tussen elke antenne en elke gebruikersterminal beschikt. Deze kennis wordt verkregen door feedback van de gebruiker . Een proces waarbij de terminal zijn kanaalstatusinformatie (CSI) meet en terugstuurt naar de zender. De feedbacklink wordt met name een vertraging ], en deze vertraging kan de bundelvormingsprestaties ernstig ondermijnen, vooral in hoog-mobiliteitsomgevingen of toepassingen met een lage mate van autonomie zoals autonome besturing en industriële controle.

Dit artikel onderzoekt de fysische en systeem-level mechanismen waardoor feedback van de gebruiker vertraging degradeert MIMO-straalvorming. We bekijken eerst de fundamentele eigenschappen van bundelvorming en de rol van CSI. We analyseren vervolgens de bronnen van vertraging, kwantificeren de afbraak in metrics zoals signaal-to-noise-plus-intervence ratio (SINR) en bit foutenpercentage (BER), en onderzoeken vastgestelde en opkomende mitigatiestrategieën. Door de kosten van verouderde kanaalinformatie te begrijpen, kunnen ingenieurs geïnformeerde trade-offs maken bij het ontwerpen van feedbackprotocollen, het voorspellen van kanaalvariaties, en het selecteren van robuuste bundelvormende algoritmes.

Fundamentele elementen van MIMO-beamforming

Stralende technieken

Beamforming verwijst naar de toepassing van complexe gewichten (faseverschuivingen en amplitudeaanpassingen) op elk antenneelement in een array, zodat de uitgestraalde signalen constructief interfereren in een gewenste richting en destructief elders interfereren. De twee belangrijkste categorieën zijn analoge bundelvorming[, waarbij gewichten worden toegepast in het radiofrequentiedomein via fasewisselaars, en digitale bundelvorming, waar gewichten worden toegepast in de basisband, waardoor gelijktijdige multi-stream (multi-layer) transmissie mogelijk is. Hybride architecturen die een beperkt aantal radio-frequentieketens combineren met analoge precodering zijn gebruikelijk in massieve MIMO-systemen om prestaties tegen hardwarekosten en stroomverbruik in evenwicht te brengen.

De bundelvormende vector (of matrix voor transmissie met meerdere lagen) wordt berekend op basis van de CSI van elke gebruiker. Voor een systeem met N zend antennes uit en K gebruikers vereist de optimale lineaire precoder onder de som-ratemaximalisatie of gemiddelde-kwadraat-error-minimalisatiecriteria kennis van de kanaalmatrix H[] (grootte ]K[×N[) of ten minste de dominante enkelvoudige vectoren. Algoritmen zoals nul-vorkenbundelvorming (ZF‐BF), geregulariseerd nul‐forcing, en minimale gemiddelde-kwadraat-error (MMSE) precodering worden in de praktijk veel gebruikt.

Rol van de informatie van de Kanaalstaat

CSI is in grote lijnen onderverdeeld in momentane (per-slot) en statistische (lange termijn). Instantane CSI, die de snel-afbrekende kanaaltoestand op het moment van transmissie vangt, is essentieel voor smalband- of sub-band beamforming gewichten. In frequentie-deling duplex (FDD) systemen, het downlink kanaal is niet wederkerig met de uplink, zodat de gebruiker moet het downlink kanaal (doorgaans via piloot referenties zoals CSI-referentiesignalen in 5G NR) te meten en de quantized metingen terug te voeren naar het basisstation. In time-devision duplex (TDD) systemen, kanaal wederkerigheid kan worden benut, maar kalibratiefouten en de tijdscheiding tussen uplink klinken en downlink transmissie voeren nog steeds een vorm van feedback vertraging in.

De nauwkeurigheid van CSI feedback wordt bepaald door verschillende factoren: de quantization codebook grootte, de feedback frequentie (rapportage interval), en de vertraging tussen meting en toepassing. De vertraging component is vaak het meest schadelijk omdat zelfs een perfect gequantizeerde CSI snapshot wordt oud wanneer het kanaal verandert als gevolg van de mobiliteit van de gebruiker, omgeving dynamiek, of frequentie offset.

Oorzaken en gevolgen van terugkoppeling

Bronnen van vertraging

De feedbackvertraging stapelt zich op vanuit meerdere fasen:

  1. Meet- en verwerkingsachterstand . . de tijd die de gebruiker nodig heeft om referentiesignalen te ontvangen, het kanaal te schatten en de CSI te quantiseren. In 5G NR wordt de CSI-referentiebron zodanig gedefinieerd dat de gebruiker de kanaaltoestand rapporteert die bij een bepaald slot wordt gemeten; de volgende verwerking bij de gebruikersapparatuur (UE) voegt in de volgorde van honderden microseconden toe.
  2. Oppervlakte voor transmissie van de verbinding . . . de fysieke voortplantingstijd plus de tijd die nodig is voor het CSI-rapport om het medium te doorkruisen (bijvoorbeeld op het Physical Uplink Control Channel of Physical Uplink Shared Channel in LTE/5G). Dit omvat vertragingen bij het plannen als de UE moet wachten op een uplink subsidie.
  3. Basis-stationverwerkingsvertraging . . Zodra het basisstation het rapport heeft ontvangen, moet het het rapport decoderen, nieuwe bundelvormende gewichten berekenen en deze toepassen op latere downlink-transmissies. In hoogbelaste cellen kan de rekenwachtrij tientallen subframes toevoegen.

De totale vertraging τ wordt vaak gemeten in termen van orthogonale frequentie-verdeling multiplexing (OFDM) symbolen of slots. Bij een typische 5G NR-inzet met subcarrierafstand van 30 kHz duurt één slot 0,5 ms. Totale feedbackvertragingen kunnen variëren van 1

Effect op systeemprestaties

Het centrale effect van terugkoppelingsvertraging is een mismatch tussen de voor transmissie gebruikte vectoren en het werkelijke momentane kanaal. Deze mismatch veroorzaakt verschillende problemen:

  • Verminderd signaalvermogen bij de beoogde gebruiker .De bundel is niet langer uitgelijnd met het dominante pad, wat leidt tot een effectief verlies van arraywinst. Voor een uniforme lineaire array met N] elementen, de genormaliseerde straalwinst in de gewenste richting degradeert naarmate de vertraging toeneemt, waardoor de SINR met meerdere dB wordt verminderd.
  • Verhoogde inter-user interferentie . . Zero-forcing precodering is gebaseerd op nauwkeurige nulstelling. Verouderde CSI veroorzaakt restinterferentie, die systeemruis kan domineren in hoge-SNR-regimes. Dit effect is bijzonder schadelijk in massale MIMO-systemen waar interferentie van vele bundels zich ophoopt.
  • Hogere rang-deficiëntie
  • Verlaagde bundelcorrespondentie

De scanner is een formula 1 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2 van de formula 2

Casestudies: Vertragingen in verschillende systemen

5G NR en Massive MIMO

5G NR bevat verschillende mechanismen om feedbackvertraging te beperken. De CSI-rapportconfiguratie kan periodiek (op een vast interval), semi-permanent of een periodisch (opgeschrikt door een subsidie) zijn. Voor mobiele gebruikers wordt een periodische rapportage met korte intervallen aanbevolen, maar het verbruikt meer uplinkbronnen. De 3GPP-specificatie ([3GPP TS 38.214[) definieert CSI referentiebronnen en rapporteert timingbeperkingen om een bekende vertragingsgrens te garanderen. Daarnaast ondersteunt NR de type I- en type II-codeboeken . Type II biedt ruimtelijk informatie met hogere resolutie met behulp van een lineaire combinatie van basisvectoren, maar vereist grotere feedbacklasten en kan daardoor vertraging verhogen. In de praktijk moeten exploitanten de feedbacknauwkeurigheid voor latentie afwisselen, waarbij vaak gebruik wordt gemaakt van multi‐panel] of ]] interpretentie-designatie combinatie technieken die eerder afhankelijk zijn van statistische dan van een onmiddellijke CSI om de gevoeligheid voor vertraging te verminderen.

De vertragingsvraag wordt verergerd door de grote MIMO (64, 128 of zelfs 256 antenne-elementen) omdat de straalbreedte in het hoekdomein ruwweg als 1/N kan worden afgewisseld; smallere bundels vereisen preciezere hoekinformatie. Een kleine vertraging kan de bundel met een fractie van een graad uitlijnen, waardoor aanzienlijk stroomverlies optreedt. Om dit tegen te gaan, gebruikt 5G NR beammanagement[] procedures (P‐1, P‐2, P‐3) die grove bundelvegers uitvoeren om de beste bundel-paar te identificeren, vervolgens te verfijnen met steeds smallere balken. De feedbackvertraging voor de rapporten over de kwaliteit van de bundel (Layer‐1 ontvangen vermogen) is doorgaans minder dan een paar sleuven, waardoor het systeem robuust is voor middelmatige snelheden tot 30 km/h. Voor hoge-snelheidstreinen (300 km/h+) zijn exploitanten afhankelijk van Doppler pre-compensatie en geavanceerde kanaalvoorspelling.

Wi-Fi 6/6E en 7

In het ongelicentieerde spectrum gebruiken Wi-Fi 6 (IEEE 802.11ax) en Wi-Fi 7 (802.11be) ook MIMO-stralenvorming, voornamelijk via het expliciete bundelvorming protocol. Het station (STA) stuurt een kanaalstaatinformatiefeedback (CBF) frame na ontvangst van een Null Data Packet (NDP) van het toegangspunt (AP). De vertraging omvat de korte interframeruimte (SIFS) van 16 μs plus de transmissietijd van het CBF-frame. In lage-mobiliteitshuis- en kantooromgevingen is deze vertraging verwaarloosbaar. Echter, in bedrijven of buitentoepassingen waar gebruikers bewegen bij voetgangers (15 km/h) of de omgevingsveranderingen (bv. mobiele robots), kan de vertraging leiden tot een verkeerde bundel. Wi-Fi 7 introduceert verbeterde feedbackformaten, inclusief 11 bits facturation en meer frequente feedback, om hoge doorstroom te behouden ( Ourvey op Wi-Fi 7-Bamformation[LT]).

Migratiestrategieën

Kanaalvoorspelling

De meest directe manier om feedbackvertraging te bestrijden is de kanaaltoestand te voorspellen op het moment van de werkelijke transmissie op basis van metingen in het verleden. Lineaire voorspelling (bijvoorbeeld met behulp van een Wiener-filter) maakt gebruik van de autocorrelatie van het tijd-variëerkanaal.De prestaties hangen af van de Dopplerspreiding en de voorspellingshorizon. Voor matige Doppler ([fD[]τ[]IEE-artikel over diep leerkanaalvoorspelling[). De toegevoegde complexiteit en incoratielatentie moet echter in aanmerking worden genomen.

Robuuste beamforming

In plaats van te vertrouwen op perfect afgestemde momentane CSI, omvatten robuuste bundelvormende ontwerpen onzekerheidsmodellen. Bijvoorbeeld, een worst-case aanpak minimaliseert de maximaal mogelijke SINR afbraak gegeven een begrensde fout in de CSI. Als alternatief, stochastische robuuste bundelvorming behandelt het kanaal als een willekeurige variabele met bekende distributie (uit de vertragingsstatistieken afgeleid) en optimaliseert de verwachte sum rate. Populaire technieken omvatten:

  • Matrix-onzekerheid
  • Statische bundelvorming met behulp van de kanaalcoovariummatrix op lange termijn, die langzaam varieert ten opzichte van momentane CSI. Zo biedt de eigen-beamformer op basis van de transmit correlatiematrix robuuste prestaties, zelfs onder verouderde CSI.
  • Geregelde nul-forcing

Deze methoden ruilen piekprestaties (wanneer CSI vers is) in voor verbeterde prestaties onder vertraging. In massieve MIMO-systemen helpt de wet van grote aantallen: bij veel gebruikers is de gemiddelde interferentie van vertraagde CSI een constante, waardoor robuustheid zonder expliciete voorspelling mogelijk is.

Benaderingen voor machineleren

Machine learning (ML) wordt steeds vaker toegepast op zowel kanaaltoestanden als direct leerstraalvormingsbeleid dat robuust is om vertraging te vertragen. Diepversterkte leerkracht kan een agent trainen om beamforming vectors te selecteren uit een codebook op basis van vertraagde observaties, optimaliseren voor lange termijn doorvoer. Convolutionele neurale netwerken (CNNs) kunnen vertragings-Doppler profielen verwerken om het huidige kanaal te schatten in hoogmobiliteits voertuigscenario's. Een belangrijk voordeel van ML is het vermogen om zich aan te passen aan omgevingsspecifieke temporele patronen zonder expliciete modellering van de voortplantingsfysica. Doorlopend onderzoek in 3GPP streeft ernaar om AI/ML modellen voor CSI compressie en voorspelling te standaardiseren (3GPP workshop op AI voor NR Air Interface).

Protocolverbeteringen

Wijzigingen op systeemniveau kunnen de effectieve vertraging bij de protocollaag verminderen. Voorbeelden zijn:

  • Snelle feedbackrapportage de periodiciteit van periodieke rapporten verminderen of een periodegebonden triggers gebruiken die aansluiten bij de mobiliteitstoestand van de gebruiker.
  • Multi-trap feedback
  • Aangepaste codeboekresolutie
  • Optimalisering van de ruislaag de integratie van de bundelvormingsplanning met HARQ (Hybrid Automatic Repeat reQuest) processen, zodat doorgiften kunnen profiteren van recentere CSI.

Toekomstige aanwijzingen

Als de draagfrequenties in de millimetergolf (mmWave) en sub-terahertzbanden (bv. 6G bij 100 GHz+) worden geslonken en het kanaal wordt veel gevoeliger voor kleine bewegingen . Een fractie van een millimeter kan het dominante pad veranderen. Terugkoppelingsvertragingen die aanvaardbaar zijn bij 3,5 GHz worden verwoestend bij 100 GHz. Toekomstige systemen zullen waarschijnlijk afhankelijk zijn van een combinatie van extreem snelle analoge bundelschakeling, aan boord ML-voorspelling aan beide uiteinden, en de exploitatie van zijinformatie zoals radar of lidar om de positie en snelheid van de gebruiker te schatten. Gekoppeld met ultra-laag-laten feedbackkanalen (sub‐100 μs totale vertraging), zouden deze benaderingen de bundelvorming effectief kunnen houden, zelfs bij 500 km/h.

Een andere veelbelovende richting is het gebruik van intelligente spiegeloppervlakken (IRS) en herconfigureerbare intelligente oppervlakken (RIS) om de beamforming te bevorderen. Door de voortplantingsomgeving zelf te controleren, kan de afhankelijkheid van nauwkeurige CSI-feedback worden verminderd, omdat de IRS gereflecteerde paden kan sturen op basis van een statistisch gemiddelde in plaats van onmiddellijke feedback. Hybride architecturen die traditionele digitale beamforming combineren met RIS-control kunnen robuustheid bieden tegen CSI-aging.

Conclusie

De vertraging van de feedback van gebruikers blijft een fundamentele uitdaging voor het vormen van MIMO-stralen, met effecten variërend van signaaluitval tot verhoogde interferentie en verminderde ruimtelijke multiplexwinst. De ernst groeit met de mobiliteit van gebruikers en werkt over alle belangrijke draadloze standaarden heen . Van 5G NR en Wi-Fi tot opkomende 6G-systemen. Geen enkele oplossing volstaat; effectieve mitigatie vereist een multi-layered benadering: nauwkeurige kanaalvoorspelling op de fysieke laag, robuuste algoritmische ontwerpen die rekening houden met onzekerheid, machine-learning modellen die temporale dynamiek leren, en protocoloptimalisaties die de ronde-trip feedbacktijd minimaliseren. Door het begrijpen van het samenspel tussen meetopsplitsing, latententie en prestaties kunnen systeemarchitecten bewuste ontwerpkeuzes maken die een hoge bundelvormingsefficiëntie behouden, zelfs wanneer feedback onvermijdelijk vertraagd is.