Como a Fifth-Generation New Radio (5G NR) continua a amadurecer e expandir sua pegada em todo o mundo, um dos mais consequentes facilitadores tecnológicos é a evolução das técnicas de pré-codificação de multi-usuário multi-input multiple input output (MU-MIMO). Ao permitir que uma estação base sirva vários usuários simultaneamente nos mesmos recursos de frequência, a MU-MIMO aumenta diretamente a eficiência espectral e a produtividade do usuário. A sofisticação dos algoritmos de pré-codificação – as operações matemáticas aplicadas aos sinais transmitidos – determina o quão bem um sistema pode separar usuários, cancelar interferências e adaptar-se às condições de rádio em rápida mudança. Avanços recentes neste domínio estão definindo o palco para as redes ultra-religáveis, de baixa latência e de alta capacidade que 5G NR promete, e eles também servirão de base para futuros sistemas 6G.

Fundações de Pré-codificação MU-MIMO em 5G NR

A ideia principal é pré-distorcer o sinal de cada usuário com base no conhecimento da informação do estado do canal (CSI) para que, quando os sinais chegam aos receptores, a interferência entre os usuários seja minimizada. Em 5G NR, isso é tipicamente realizado através de métodos de pré-codificação linear, como o Zero-Forcing (ZF) ou o Erro Médio Mínimo (MMSE), que calculam uma matriz de pré-codificação a partir das estimativas dos canais de downlink. Ao contrário do MIMO de usuário único, onde todas as camadas espaciais servem a um usuário, o MU-MIMO deve satisfazer simultaneamente as restrições de relação sinal-interferência-mais-ruído (SINR) de usuários múltiplos, independentemente programados.

5G NR introduz estruturas de quadros flexíveis e sinais de referência que tornam a MU-MIMO mais prática. A transmissão de sinais de referência de demodulação (DM-RS) permite que a rede estime o canal pré-codificado no equipamento de usuário (UE), permitindo feedback de circuito fechado. Nos sistemas de divisão de frequência Duplex (FDD), a reciprocidade de canais não é garantida, pelo que a UE reporta indicadores de matriz pré-codificador (PMI) e indicadores de classificação (RI). Nos sistemas de Duplex (TDD) de divisão de tempo, a reciprocidade de canais pode ser explorada, reduzindo significativamente a sobrecarga de feedback. A norma NR 5G suporta ambos os modos, e as técnicas de pré-codificação recentes são projetadas para funcionar eficientemente em ambos os cenários.

Mudando de livro de código para pré-codificação não-codificado

O LTE MU-MIMO inicial baseou-se em livros de códigos fixos — um pequeno conjunto de matrizes pré-definidas de pré-codificação. 5G NR, no entanto, especialmente com a Release 15 e além, introduz pré-codificação não-codificador para sistemas TDD, onde a estação base pode calcular o pré-codificador diretamente das estimativas de canais uplink. Esta abordagem permite uma resolução espacial muito mais fina e tem sido um motor chave de ganhos de desempenho em redes 5G implantadas. Pré-codificação não-codificador é particularmente vantajosa em configurações MIMO maciças, onde o número de antenas (frequentemente 64 ou 128) excede muito o número de usuários simultâneos, permitindo a formação precisa de feixes.

Avanços na pré-codificação híbrida para MIMO maciço

Um dos avanços práticos mais significativos é a pré-codificação híbrida, que divide o processamento de sinal entre os domínios analógico (RF) e digital (banda de base). A pré-codificação totalmente digital exigiria uma cadeia RF dedicada para cada elemento de antena, que é proibitivo de custo e potência para matrizes com centenas de antenas. A pré-codificação híbrida reduz o número de cadeias de RF digitais para uma fração do número de antenas, enquanto a rede analógica – tipicamente implementada com metamorfos de fase – proporciona a formação de feixes grosseiros. A etapa digital então aplica a pré-codificação finamente enraizada ao sinal de dimensão reduzida.

O trabalho recente sobre pré-codificação híbrida para NR 5G foca algoritmos que otimizam conjuntamente as matrizes analógicas e digitais sob restrições práticas. Por exemplo, o formador de feixe analógico é muitas vezes restrito a mudanças de fase de módulo constante, enquanto o pré-codificador digital pode ser calculado como uma solução ZF ou MMSE de baixa dimensão. A otimização esparsa e a seleção de feixes analógicos baseados em livro de códigos têm se mostrado eficazes. Pesquisas de grupos como IEEE Transações sobre Processamento de Sinais] demonstraram que a pré-codificação híbrida pode se aproximar do desempenho de esquemas digitais completos em canais de onda milimetrada (mmWave) quando o número de cadeias RF é o dobro do número de fluxos de dados.

As deficiências de hardware, como a quantização de metamorfos e o acoplamento mútuo, são áreas de estudo ativas. Alguns fabricantes estão agora implementando pré-codificação híbrida em estações de base comerciais NR 5G para bandas mmWave (n257, n258), onde as vigas concentradas de grande largura de banda e alta perda de caminho. Ao combinar a formação de vigas analógicas com a pré-codificação digital MU-MIMO para múltiplos usuários, esses sistemas alcançam tanto a faixa quanto a capacidade.

Melhorias de Vigas Analógicas

Além de híbrido, a formatação de vigas totalmente analógica é usada em algumas implantações iniciais de 5G mmWave, particularmente para acesso sem fio fixo. No entanto, MU-MIMO requer pelo menos algum grau de controle digital para atender vários usuários simultaneamente no mesmo feixe. Técnicas avançadas de vigas como splicing de vigas e redes analógicas multi-beam estão surgindo, onde um único feixe analógico pode ser moldado para suportar dois ou mais usuários separados angularmente. Essas técnicas dependem de arquiteturas otimizadas de array de antenas e são uma fronteira ativa de pesquisa.

Pré-codificação baseada em aprendizagem de máquina

A complexidade computacional do cálculo de matrizes de pré-codificação ótimas em tempo real, especialmente com métodos não-lineares como o Dirty Paper Coding (DPC), tem motivado uma mudança para abordagens de aprendizagem de máquina (ML). Redes neurais profundas (DNNs) podem aprender o mapeamento de CSI para matrizes de pré-codificação, contornando os solucionadores iterativos tradicionais. Um pipeline típico usa uma rede neural convolucional ou recorrente para processar as estimativas do canal e produzir os pesos de pré-codificação. A rede é treinada offline usando dados de canal simulados ou medidos, então implantado para inferência na estação base.

Os benefícios são duplos: redução do atraso computacional – importante para casos de uso de NR 5G de baixa latência – e adaptabilidade a canais não ideais que são difíceis de modelar analiticamente, como aqueles com forte comprometimento de acoplamento mútuo ou hardware. A pesquisa publicada do arXiv mostra que a pré-codificação baseada em ML pode manter 90-95% da eficiência espectral do PCD ideal enquanto opera em menos de 100 microssegundos, muito mais rápido do que os métodos iterativos convencionais.

A aprendizagem de reforço (LR) também está sendo explorada para pré-codificação dinâmica em cenários em que o canal muda rapidamente, como trens de alta velocidade. O agente aprende uma política para atualizar sequencialmente vetores de pré-codificação com base em feedback CSI atrasado. Testes de operador por empresas como a Qualcomm validaram que o gerenciamento de feixes baseados em RL pode reduzir a sobrecarga mantendo a qualidade de ligação em ambientes de alta mobilidade.

Deep Unfolding e ML com base em modelos

Uma abordagem mais interpretável combina algoritmos iterativos com parâmetros aprendíveis, conhecidos como desdobramento profundo. Por exemplo, o algoritmo Iterativo de Desdobramento-Tresse (ISTA) para estimação de canais esparsos pode ser desbotado em uma rede aprendida (LISTA), então aplicado para otimização de pré-codificação. Este método mantém a estrutura de técnicas estabelecidas, permitindo que os parâmetros (por exemplo, tamanhos de passos, pesos de regularização) sejam aprendidos a partir de dados. ML baseado em modelo atinge um equilíbrio entre a natureza de caixa preta de DNNs e as garantias analíticas do processamento de sinais tradicional, tornando-o atraente para a padronização.

Melhorias de viga para MU-MIMO

A pré-codificação e a formação de vigas estão estreitamente ligadas; em 5G NR, a formatação de vigas é utilizada inicialmente durante o procedimento de gestão de vigas (P-1, P-2, P-3) para estabelecer uma ligação direccional, enquanto que a pré-codificação é aplicada ao sinal viga para multiplexação espacial. Os melhoramentos recentes incluem a adaptação dinâmica do feixe utilizando a localização do utilizador e/ou o sensor de radar (sensação integrada e comunicação). Por exemplo, uma estação base pode utilizar sinais de referência de posicionamento NR 5G ou mesmo estimativas de ângulo de ligação ascendente para refinar as vigas, reduzindo a necessidade de feedback de canal completo em cenários de alta mobilidade.

A estação base NR 5G pode ter vários painéis de antenas orientados de forma diferente (por exemplo, 120° de distância). Pré-codificação coordenada entre painéis – muitas vezes referida como transmissão coerente de painel – pode formar vigas compostas que seguem um usuário que se desloca da área de cobertura de um painel para outro sem transferência. Isto é particularmente útil em estádios ou densas canyons urbanos. 3GPP Release 17 introduziu gerenciamento aprimorado de feixes para matrizes multipanel e Release 18 aperfeiçoou ainda mais a sinalização para feedback de pré-codificação específica de painel.

Otimização massiva do MIMO

O MIMO maciço, onde a estação base está equipada com dezenas ou centenas de antenas, é a pedra angular dos ganhos de capacidade de 5G NR. No entanto, a implantação de tais matrizes em escala requer uma otimização cuidadosa tanto de algoritmos de pré-codificação quanto de hardware. Uma visão chave é que, em ambientes de dispersão ricos, os vetores de canais se tornam quase ortogonais à medida que o número de antenas cresce, permitindo que pré-codificadores lineares simples (como a formação de feixes conjugados) se realizem quase-ótimamente. Em canais de linha de visão ou esparsa mmWave, é necessária uma pré-codificação mais sofisticada para separar usuários com caminhos correlacionados.

Os operadores de rede estão a implantar um documento MIMO maciço em bandas de banda média (3,5 GHz) e mmWave. Por exemplo, O papel MIMO maciço 5G da Qualcomm destaca que, com 64 elementos de antena e 16 usuários simultaneamente programados, a MU-MIMO pode obter ganhos de produtividade de 5-8× sobre o MIMO de um usuário em ambiente urbano típico. Para realizar estes ganhos, a pré-codificação deve ser responsável pelo agendamento do usuário, alocação de energia e efeitos de envelhecimento de canais. Avanços recentes nos livros de códigos de feixes de rede e feedback CSI de baixa sobrecarga (por exemplo, CSI Tipo II em 3GPP) permitem que a rede obtenha informações espaciais de alta resolução sem o consumo proibitivo de recursos de ligação ascendente.

Multiplexamento espacial ganha na prática

Os testes de campo demonstraram que com a pré-codificação otimizada, sistemas MIMO maciços podem atender de 12 a 16 usuários por bloco de recursos simultaneamente, alcançando eficiência espectral média de células de 50 a 100 bps/Hz. Este é um passo importante além do LTE, que tipicamente suportava camadas de 2 a 4 MU-MIMO. Os avanços nas técnicas de pré-codificação são diretamente responsáveis por este salto, pois transformam os graus de liberdade espaciais oferecidos pela grande matriz em capacidade utilizável.

Desafios na Pré-codificação MU-MIMO

Apesar do progresso impressionante, vários obstáculos permanecem. O primeiro é o feedback CSI em cima. Para sistemas FDD com grandes antenas, alimentar matrizes de canal completo para a estação base consumiria proibitivamente muitos recursos uplink. Técnicas de recuperação e sensoriamento de compressão podem reduzir sobrecarga, mas implementações práticas ainda ficam atrás dos limites teóricos. 3GPP’s Release 16 introduziu CSI Tipo II aprimorado com livros de código de combinação linear para comprimir informações espaciais, e Release 17 adicionou suporte para seleção de portas e compressão de domínio de frequência.

As deficiências de hardware, como ruído de fase, não linearidade do amplificador de potência e desempenho de pré-codificação de degradação mútua de acoplamento. O ruído de fase é especialmente grave nas frequências mmWave e sub-terahertz, causando desalinhamento do feixe variável de tempo. A pré-codificação adaptativa que rastreia o ruído de fase em tempo real é uma área de pesquisa ativa. Além disso, a rede analógica de conformação de feixes impõe uma restrição constante-modulus no pré-codificador, que pode limitar o SINR alcançável quando os usuários estão bem espaçados.

A mobilidade do usuário introduz o envelhecimento do canal – a pré-codificação calculada a partir de CSI velho pode causar interferência significativa.A propagação do Doppler em altas velocidades (300-500 km/h para trens de alta velocidade) requer intervalos de atualização de pré-codificação de menos de 1 ms.A pré-codificação preditiva usando modelos autorregressivos ou filtros Kalman pode mitigar o envelhecimento, mas requer uma estimativa precisa de movimento.

Cenários de implantação: mmWave vs. Sub-6 GHz

As técnicas de pré-codificação devem ser adaptadas à banda de frequência. Nos sub-6 GHz, os canais são tipicamente mais ricos em espalhamento, tornando a pré-codificação linear eficaz com tamanhos moderados de array (32-64 elementos). Na mmWave (24-52 GHz), os canais são esparsos e muitas vezes de linha de visão, exigindo vigas mais estreitas e direção nula cuidadosa para evitar bloquear outros usuários. A pré-codificação híbrida é a abordagem dominante para mmWave, uma vez que a seleção de feixes analógicos baseada em codebooks, seguida pela pré-codificação digital MU-MIMO sobre usuários selecionados, é uma arquitetura comum.

Em implantações internas, como escritórios e shopping centers, onde caminhos de propagação são altamente reflexivos, o multiplexamento espacial pode ser mais fácil de alcançar. No entanto, a pré-codificação deve ser responsável pelo fato de que os usuários podem estar estacionários ou se movendo lentamente, permitindo o uso de feedback de covariância a longo prazo em vez de CSI instantâneo. Isso reduz o custo e simplifica a implementação.

Normalização e Orientações Futuras em 3GPP

A série de especificações 3GPP (Release 15-18) melhorou progressivamente as capacidades MU-MIMO. A versão 15 introduziu o framework básico para pré-codificação de livros não-codificadores em TDD e livro de códigos Tipo I para FDD. A versão 16 trouxe o codebook Tipo II (combinação linear), suportando até 32 portas CSI-RS, permitindo uma melhor resolução espacial. A versão 17 estendeu-o com compressão de domínio de frequência e seleção de portas melhorada para MIMO maciço. A versão 18, atualmente em fase finalizada, está focada na IA/ML para interface aérea, incluindo a previsão de compressão e pré-codificação de CSI baseada em ML. A próxima geração (Release 19, esperada em 2025) provavelmente incorporará modelos ML mais avançados, como arquiteturas de transformadores, diretamente no gasoduto de pré-codificação.

Fora do 3GPP, pesquisas sobre MIMO e arquiteturas livres de células distribuídas estão ganhando força. Em uma rede sem células, múltiplos pontos de acesso (APs) cooperam para atender usuários, exigindo pré-codificação conjunta em APs geograficamente separados. Isso multiplica a complexidade computacional, mas promete ganhos enormes em cobertura e justiça. A coordenação iterativa necessária para tais sistemas pode se beneficiar de algoritmos de otimização distribuídos e aprendizagem federada para evitar centralizar todos os CSI.

As Superfícies Inteligentes Reconfiguráveis (RIS) também estão sendo consideradas como uma ferramenta para a pré-codificação MU-MIMO. Ao controlar a reflexão e refração de sinais incidentes, RIS pode criar caminhos virtuais de linha de visão e remodelar o canal para torná-lo mais favorável para o multiplexamento espacial. A otimização conjunta de turnos de fase RIS e vetores de pré-codificação de estação base é um desafio matemático ativo, muitas vezes resolvido através de otimização alternada ou aprendizagem profunda.

Conclusão

Os avanços na pré-codificação MU-MIMO para 5G NR estão transformando a promessa teórica de grandes antenas em desempenho de rede tangível. Arquiteturas híbridas reduzem o custo de hardware, mantendo alta eficiência espectral, o aprendizado de máquina permite adaptação em tempo real a canais complexos e melhorias de formatação de feixes estendem o alcance do multiplexamento espacial para ambientes de alta mobilidade e mmWave. À medida que 5G evolui para 5G-Avançado e eventualmente 6G, as técnicas de pré-codificação se tornarão ainda mais adaptativas, distribuídas e orientadas para IA. A colaboração contínua entre indústria, academia e órgãos de padronização garante que essas inovações sejam implantadas de forma robusta e escalável, atendendo à demanda crescente de conectividade sem fio que sustenta nosso futuro digital.