Влияние задержки обратной связи пользователей на эффективность формирования луча Mimo

Введение

Многократное формирование луча ввода (MIMO) является краеугольным камнем современной беспроводной связи, обеспечивая значительный прирост спектральной эффективности, надежности связи и пропускной способности сети. Путем направления передаваемой энергии точно к предполагаемым приемникам при одновременном отключении помех в другом месте, системы формирования луча в пятом поколении (5G) Новое радио (NR), Wi-Fi 6/7 и другие передовые стандарты могут доставлять многогигабитные скорости передачи данных к плотной популяции пользователей. Однако для достижения этих успехов требуется, чтобы передатчик (например, базовая станция или точка доступа) обладал точными, своевременными знаниями о канале распространения между каждой антенной и каждым пользовательским терминалом. Это знание получено через обратную связь с пользователем - процесс, в котором терминал измеряет информацию о состоянии канала (CSI) и отправляет ее обратно в передатчик. Ссылка обратной связи неизбежно вводит задержку , и эта задержка может серьезно подорвать производительность формирования луча, особенно в средах высокой мобильности или приложениях с низкой задержкой, таких как автономное вождение и

В этой статье рассматриваются физические и системные механизмы, с помощью которых задержка обратной связи пользователя ухудшает формирование пучка MIMO. Сначала мы рассматриваем основы формирования пучка и роль CSI. Затем мы анализируем источники задержки, количественно оцениваем деградацию в таких показателях, как отношение сигнал-шум-плюс-интерференция (SINR) и частота ошибок битов (BER), а также исследуем установленные и новые стратегии смягчения. Понимая затраты на устаревшую информацию о канале, инженеры могут делать обоснованные компромиссы при разработке протоколов обратной связи, прогнозировании вариаций каналов и выборе надежных алгоритмов формирования пучка.

Основные принципы MIMO Beamforming

Методы формирования луча

Формирование луча относится к применению сложных весов (фазовые сдвиги и амплитудные корректировки) к каждому элементу антенны в массиве, так что излучаемые сигналы конструктивно вмешиваются в желаемом направлении и деструктивно вмешиваются в другое место.Две основные категории являются аналоговым формированием луча , где веса применяются в радиочастотном домене через фазированные сдвиги, и цифровым формированием луча , где веса применяются в базовой полосе, что позволяет одновременно передавать многопотоковую (многослойную) передачу. Гибридные архитектуры, которые объединяют ограниченное количество радиочастотных цепей с аналоговым прекодированием, распространены в массивных системах MIMO для балансирования производительности против стоимости оборудования и энергопотребления.

Вектор формирования луча (или матрица для многослойной передачи) вычисляется на основе CSI каждого пользователя. Для системы с N передающими антеннами и K пользователями оптимальный линейный прекодер по критериям максимизации сум-скорости или минимизации среднеквадратных ошибок требует знания матрицы канала H (размер K×N) или, по крайней мере, её доминирующих сингулярных векторов. Алгоритмы, такие как нулевое формирование луча (ZF-BF), упорядоченное нулевое усиление и минимальное среднеквадратное кодирование (MMSE) широко используются на практике.

Роль государственной информации канала

CSI широко разделен на мгновенные (пер-слот) и статистические (долгосрочные). Мгновенный CSI, который захватывает быстрозатухающее состояние канала во время передачи, необходим для узких или субдиапазонных лучеобразующих весов. В системах дуплекса частотного деления (FDD) канал нисходящей линии связи не является взаимным с восходящей линией связи, поэтому пользователь должен измерить канал нисходящей линии связи (обычно через пилотные ссылки, такие как CSI-Ссылочные сигналы в 5G NR) и подавать квантованные измерения обратно на базовую станцию. В системах дуплекса временного деления (TDD) можно использовать взаимность каналов, но ошибки калибровки и разделение времени между звуком восходящей линии связи и передачей нисходящей линии связи все еще вводят форму задержки обратной связи.

Точность обратной связи CSI определяется несколькими факторами: размером кодовой книги квантования, частотой обратной связи (интервалом отчетности) и задержкой между измерением и приложением. Компонент задержки часто является наиболее вредным, потому что даже идеально квантованный снимок CSI становится несвежим, когда канал изменяется из-за мобильности пользователя, динамики среды или смещение частоты.

Причины и последствия задержки обратной связи

Источники задержки

Задержка обратной связи накапливается из нескольких этапов:

1. Измерение и задержка обработки — время, необходимое пользователю для приема опорных сигналов, оценки канала и квантования CSI.В 5G NR опорный ресурс CSI определяется таким образом, что пользователь сообщает о состоянии канала, измеренном в конкретном слоте; последующая обработка на оборудовании пользователя (UE) добавляет порядка сотен микросекунд.
2. Задержка передачи по восходящей линии связи — время физического распространения плюс время, необходимое для отчета CSI для прохождения среды (например, по каналу управления физической восходящей линии связи или по каналу общей физической линии связи в LTE/5G).
3. Задержка обработки на базовой станции — после получения базовая станция должна декодировать отчет, вычислить новые весы формирования луча и применить их к последующим передачам нисходящей линии связи.В ячейках с высокой нагрузкой вычислительная очередь может добавлять десятки подкадров.

Общая задержка τ часто измеряется в терминах символов или слотов ортогонального мультиплексирования с разделением частот (OFDM).В типичном развертывании 5G NR с интервалом поднесущей 30 кГц один слот длится 0,5 мс. Общие задержки обратной связи могут варьироваться от 1 до 10 мс, в зависимости от конфигурации.Для пользователя, движущегося со скоростью 30 м/с (108 км/ч) и несущей частотой 3,5 ГГц, канал может значительно измениться в течение нескольких миллисекунд.

Влияние на производительность системы

Центральным эффектом задержки обратной связи является несоответствие между векторами формирования луча, используемыми для передачи, и фактическим мгновенным каналом. Это несоответствие создает несколько проблем:

• Сниженная мощность сигнала у предполагаемого пользователя — пучок больше не выровнен с доминирующим путем, что приводит к эффективной потере усиления массива. Для однородной линейной матрицы с элементами N нормализованный коэффициент усиления луча в желаемом направлении ухудшается по мере увеличения задержки, уменьшая SINR на несколько дБ.
• Увеличение интерпользовательских помех — нулевое предварительное кодирование опирается на точное нулевое рулевое управление. Устаревший CSI вызывает остаточные помехи, которые могут доминировать в системном шуме в режимах с высоким SNR. Этот эффект особенно повреждает в массивных системах MIMO, где накапливаются помехи от многих пучков.
• Более высокий уровень дефицита — в многопотоковой (многослойной) MIMO прекодер предназначен для создания параллельных пространственных каналов. Несоответствие канала, вызванное задержкой, снижает ортогональность между потоками, снижая достижимую скорость потока и потенциально требуя от системы возврата к передаче более низкого ранга.
• Разрушенное соответствие луча — в системах TDD, использующих взаимность, временной разрыв между звуком восходящей линии связи и передачей нисходящей линии связи означает, что предполагаемый канал восходящей линии связи не является точно каналом нисходящей линии связи. Этот разрыв взаимности увеличивается с задержкой, особенно в сценариях с высокой мобильностью.

Аналитически, если истинный канал в момент thtttt, принятые шкалы мощности сигнала какwhtf_DDtttf_{Dτ, где J Полевые испытания показали, что задержка обратной связи 5 мс при скорости пользователя 60 км/ч (носитель 2 ГГц) может снизить пропускную способность пользователя более чем на 40% по сравнению с системой без задержки.}

Наиболее прямой способ борьбы с задержкой обратной связи — это прогнозирование состояния канала во время фактической передачи на основе прошлых измерений. Линейное предсказание (например, с использованием фильтра Винера) использует автокорреляцию изменяющегося во времени канала. Производительность зависит от доплеровского спреда и горизонта прогнозирования. Для умеренного доплеровского (FLT:0) f f _D t < 0.2), a simple first‑order autoregressive model can restore most of the array gain. More advanced methods use neural networks, such as Long Short‑Term Memory (LSTM) or Transformers, to learn the channel dynamics from sequences of CSI reports. These methods can extrapolate beyond the coherence time of the channel, offering gains of 2–4 dB in SINR for high‑mobility users ( IEEE статья о прогнозировании канала глубокого обучения ] Однако необходимо учитывать дополнительную сложность и задержку вывода.