Достижения в многопользовательских методах прекодирования Mimo для 5g Nr

По мере того, как новое радио пятого поколения (5G NR) продолжает развиваться и расширять свое присутствие во всем мире, одним из наиболее последовательных технологических факторов является эволюция методов предкодирования с несколькими пользователями одновременно на одних и тех же частотно-временных ресурсах, MU-MIMO напрямую повышает спектральную эффективность и пропускную способность. Усложнение алгоритмов предкодирования - математические операции, применяемые к передаваемым сигналам - определяет, насколько хорошо система может отделять пользователей, отменять помехи и адаптироваться к быстро меняющимся условиям радио. Последние достижения в этой области закладывают основу для сверхнадежных сетей с низкой задержкой и высокой пропускной способностью, которые обещает 5G NR, и они также будут служить основой для будущих систем 6G.

Основы MU-MIMO Precoding в 5G NR

Предкодирование MU-MIMO обрабатывает сигналы, предназначенные для нескольких пользователей, прежде чем они объединены и передаются от антенной решетки. Основная идея состоит в том, чтобы пре-искажать сигнал каждого пользователя на основе знания информации о состоянии канала (CSI), чтобы, когда сигналы поступают к приемникам, помехи между пользователями минимизируются. В 5G NR это обычно достигается с помощью линейных методов предварительного кодирования, таких как Zero-Forcing (ZF) или Minimum Mean Square Error (MMSE), которые вычисляют матрицу предварительного кодирования из оценок канала нисходящей линии связи. В отличие от Single-User MIMO, где все пространственные слои обслуживают одного пользователя, MU-MIMO должен одновременно удовлетворять ограничениям соотношения сигнал-интерференция-плюс-шум (SINR) нескольких независимо запланированных пользователей.

5G NR вводит гибкие структуры кадра и опорные сигналы, которые делают MU-MIMO более практичным. Передача Ссылочных сигналов демодуляции (DM-RS) позволяет сети оценивать предварительно закодированный канал на оборудовании пользователя (UE), позволяя обратную связь с замкнутым контуром. В системах Duplex с частотным разделением (FDD) взаимность каналов не гарантируется, поэтому UE сообщает о предкодерных матричных индикаторах (PMI) и ранговых индикаторах (RI). В системах Duplex с разделением времени (TDD) можно использовать взаимность каналов, что значительно снижает накладные расходы на обратную связь. Стандарт 5G NR поддерживает оба режима, а последние методы предварительного кодирования предназначены для эффективной работы в обоих сценариях.

Переход от Codebook к Non-Codebook Precoding

Ранние LTE MU-MIMO полагались на фиксированные кодовые книги — небольшой набор предопределенных матриц предварительного кодирования. 5G NR, однако, особенно с выпуском 15 и более, вводит предкодирование без кодового кода для систем TDD, где базовая станция может вычислять прекодер непосредственно из оценок канала восходящей линии связи. Этот подход позволяет гораздо более точное пространственное разрешение и является ключевым фактором повышения производительности в развернутых сетях 5G. Предкодирование без кодового блока особенно выгодно в массивных конфигурациях MIMO, где количество антенн (часто 64 или 128) намного превышает количество одновременных пользователей, что позволяет точно формировать луч.

Гибридное прекодирование для массивных MIMO

Одним из наиболее значительных практических достижений является гибридное прекодирование, которое разделяет обработку сигнала между аналоговым (RF) и цифровым (базово-диапазонным) доменами. Полностью цифровое прекодирование потребует выделенной радиочастотной цепи для каждого антенного элемента, что является экономически и энергозатратным для массивов с сотнями антенн. Гибридное прекодирование уменьшает количество цифровых радиочастотных цепей до доли числа антенн, в то время как аналоговая сеть, обычно реализуемая с фазовыми сдвигателями, обеспечивает грубое формирование луча. Цифровая стадия затем применяет мелкозернистое прекодирование к уменьшенному размерному сигналу.

Недавние работы по гибридному прекодированию для 5G NR сосредоточены на алгоритмах, которые совместно оптимизируют аналоговые и цифровые матрицы при практических ограничениях. Например, аналоговый лучообразователь часто ограничен фазовыми сдвигами с постоянным модулями, в то время как цифровой прекодер может быть вычислен как низкоразмерное решение ZF или MMSE. Проведенные исследования из таких групп, как IEEE Транзакции по обработке сигналов , продемонстрировали, что гибридное прекодирование может приближаться к производительности полноцифровых схем в миллиметровых (mmWave) каналах, когда число радиочастотных цепей в два раза превышает количество потоков данных.

Нарушения аппаратного обеспечения, такие как квантование фазового смещения и взаимная связь, являются активными областями исследования. Некоторые производители в настоящее время развертывают гибридное прекодирование в коммерческих базовых станциях 5G NR для полос mmWave (n257, n258), где большая пропускная способность и высокая потребность в потере пути сосредоточены пучки. Путем объединения аналогового формования пучка с цифровым MU-MIMO-предварительным кодированием для нескольких пользователей эти системы достигают как диапазона, так и емкости.

Аналоговые улучшения формирования луча

Помимо гибридных, полностью аналоговое формирование луча используется в некоторых начальных развертываниях 5G mmWave, особенно для фиксированного беспроводного доступа. Однако MU-MIMO требует, по крайней мере, некоторой степени цифрового управления, чтобы обслуживать нескольких пользователей одновременно на одном луче. Появляются передовые методы формирования луча, такие как сплайсинг луча и многолучевые аналоговые сети, где один аналоговый луч может быть сформирован для поддержки двух или более угловатых пользователей. Эти методы полагаются на оптимизированные архитектуры антенных решеток и являются активным исследовательским рубежом.

Машинное обучение - на основе предварительного кодирования

Вычислительная сложность вычисления оптимальных матриц предварительного кодирования в режиме реального времени, особенно с помощью нелинейных методов, таких как Dirty Paper Coding (DPC), мотивировала переход к подходам машинного обучения (ML). Глубокие нейронные сети (DNN) могут изучать отображение от CSI до матриц предварительного кодирования, минуя традиционные итеративные решатели. Типичный конвейер использует сверточную или повторяющуюся нейронную сеть для обработки оценок канала и вывода предкодирующих весов. Сеть обучается офлайн с использованием симулированных или измеренных данных канала, затем развертывается для вывода на базовой станции.

Преимущества двойные: снижение вычислительной задержки, что важно для случаев использования 5G NR с низкой задержкой, и адаптация к неидеальным каналам, которые трудно моделировать аналитически, например, с сильными взаимными связями или аппаратными нарушениями. Опубликованные исследования из arXiv показывают, что предкодирование на основе ML может поддерживать 90-95% спектральной эффективности оптимального DPC при работе менее чем за 100 микросекунд, намного быстрее, чем обычные итеративные методы.

Усиление обучения (RL) также изучается для динамического предварительного кодирования в сценариях, где канал быстро меняется, таких как высокоскоростные поезда. Агент изучает политику последовательного обновления векторов предварительного кодирования на основе отсроченной обратной связи CSI. Испытания операторов такими компаниями, как Qualcomm, подтвердили, что управление лучами на основе RL может снизить накладные расходы при сохранении качества связи в средах с высокой мобильностью.

Глубокое разворачивание и ML на основе моделей

Более интерпретируемый подход сочетает итеративные алгоритмы с изучаемыми параметрами, известными как глубокое развертывание. Например, итеративный алгоритм сокращения порогового значения (ISTA) для оценки разреженных каналов может быть развернут в изученную сеть (LISTA), затем применен к оптимизации предварительного кодирования. Этот метод сохраняет структуру установленных методов, позволяя извлекать из данных параметры (например, размеры шагов, веса регуляризации). ML на основе модели обеспечивает баланс между черным ящиком природы DNN и аналитическими гарантиями традиционной обработки сигналов, что делает его привлекательным для стандартизации.

Усовершенствования лучообразования для MU-MIMO

Предкодирование и формирование луча тесно связаны; в 5G NR формирование луча используется первоначально во время процедуры управления лучом (P-1, P-2, P-3), чтобы установить направленную связь, в то время как предварительное кодирование затем применяется к сформированному лучом сигналу для пространственного мультиплексирования. Недавние улучшения включают динамическую адаптацию луча с использованием местоположения пользователя и / или радиолокационного зондирования (интегрированное зондирование и связь). Например, базовая станция может использовать опорные сигналы 5G NR позиционирования или даже оценки угла восходящей линии связи для уточнения лучей, уменьшая потребность в полноканальной обратной связи в сценариях высокой мобильности.

Многопанельное формирование луча является еще одним шагом вперед. Базовая станция 5G NR может иметь несколько антенных панелей, ориентированных по-разному (например, на расстоянии 120° друг от друга). Координированное предварительное кодирование на панелях - часто называемое когерентной передачей панели - может образовывать составные лучи, которые следуют за пользователем, перемещающимся из зоны покрытия одной панели в другую без передачи. Это особенно полезно на стадионах или плотных городских каньонах. 3GPP Release 17 ввел расширенное управление лучом для многопанельных массивов, и Release 18 дополнительно усовершенствовал сигнализацию для специфической обратной связи для предварительного кодирования панели.

Массовая оптимизация MIMO

Массивный MIMO, где базовая станция оснащена десятками или сотнями антенн, является краеугольным камнем увеличения пропускной способности 5G NR. Однако развертывание таких массивов в масштабе требует тщательной оптимизации как алгоритмов предварительного кодирования, так и аппаратного обеспечения. Одним из ключевых моментов является то, что в богатых средах рассеяния векторы каналов становятся почти ортогональными по мере роста числа антенн, позволяя простым линейным прекодерам (например, конъюгированным формированием луча) выполнять почти оптимально. В прямой видимости или скудных каналах mmWave требуется более сложное предварительное кодирование для разделения пользователей с коррелированными путями.

Сетевые операторы развертывают массивные MIMO в полосах средней полосы (3,5 ГГц) и ммВава. Например, в документе 5G Massive MIMO от Qualcomm подчеркивается, что с одновременно запланированными 64 антенными элементами и 16 пользователями MU-MIMO может достигать 5-8 × прирост пропускной способности по сравнению с MIMO одного пользователя в типичной городской среде. Для реализации этих преимуществ предварительное кодирование должно учитывать эффекты планирования пользователя, распределения мощности и старения каналов. Последние достижения в кодовых книгах сетки пучков и низкопроизводительной обратной связи CSI (например, CSI типа II в 3GPP) позволяют сети получать пространственную информацию высокого разрешения без чрезмерного потребления ресурсов восходящей линии связи.

Пространственные мультиплексные выигрыши на практике

Полевые испытания показали, что с оптимизированным предварительным кодированием массивные системы MIMO могут одновременно обслуживать 12-16 пользователей на блок ресурсов, достигая спектральной эффективности в среднем 50-100 б/с/Гц. Это важный шаг за пределами LTE, который обычно поддерживает 2-4 слоя MU-MIMO. Достижения в методах предварительного кодирования непосредственно отвечают за этот скачок, поскольку они превращают пространственные степени свободы, предлагаемые большим массивом, в полезную емкость.

Проблемы в MU-MIMO Precoding

Несмотря на впечатляющий прогресс, остаются несколько препятствий. Первая - это накладные расходы на обратную связь CSI. Для систем FDD с большими антенными массивами передача полных матриц каналов на базовую станцию потребляла бы непомерно много ресурсов восходящей линии связи. Методы восстановления с раздельным доступом и сжатие могут снизить накладные расходы, но практические реализации по-прежнему отстают от теоретических ограничений. 3GPP Release 16 представила улучшенный CSI типа II с линейными комбинированными кодовыми книгами для сжатия пространственной информации, а Release 17 добавила поддержку выбора портов и сжатия частотных доменов.

Аппаратные нарушения, такие как фазовый шум, нелинейность усилителя мощности и взаимная связь ухудшают производительность предварительного кодирования. Фазовый шум особенно серьезен на частотах mmWave и sub-terahertz, вызывая смещения луча во времени. Адаптивное предварительное кодирование, которое отслеживает фазовый шум в режиме реального времени, является активной областью исследований. Кроме того, аналоговая сеть формирования луча накладывает постоянное модульное ограничение на прекодер, которое может ограничить достижимую SINR, когда пользователи находятся в тесном пространстве.

Мобильность пользователей вводит старение каналов — предварительное кодирование, вычисленное из устаревшего CSI, может вызвать значительные помехи. Доплеровское распространение на высоких скоростях (300–500 км/ч для высокоскоростных поездов) требует интервалов обновления предварительного кодирования менее 1 мс. Предиктивное предварительное кодирование с использованием авторегрессивных моделей или фильтров Калмана может смягчить старение, но требует точной оценки движения.

Сценарии развертывания: mmWave против Sub-6 GHz

Методы прекодирования должны быть адаптированы к полосе частот. На под-6 ГГц каналы обычно богаче рассеянием, что делает линейное прекодирование эффективным с умеренными размерами массива (32-64 элемента). На mmWave (24-52 ГГц) каналы редки и часто линейны, требуют более узких лучей и тщательного нулевого рулевого управления, чтобы избежать блокировки других пользователей. Гибридное прекодирование является доминирующим подходом для mmWave, поскольку полностью цифровое будет непомерно дорогим. Выбор аналогового луча на основе Codebook, за которым следует цифровое прекодирование MU-MIMO над выбранными пользователями, является общей архитектурой.

В закрытых помещениях, таких как офисы и торговые центры, где пути распространения являются высоко отражающими, пространственное мультиплексирование может быть легче достичь. Однако предварительное кодирование должно учитывать тот факт, что пользователи могут быть неподвижными или двигаться медленно, что позволяет использовать долгосрочную ковариационную обратную связь, а не мгновенный CSI. Это снижает накладные расходы и упрощает реализацию.

Стандартизация и будущие направления в 3GPP

Серия спецификаций 3GPP (Release 15-18) постепенно расширяет возможности MU-MIMO. Release 15 представила базовую основу для предкодирования без кодового кода в TDD и кодовом альбоме Type I для FDD. Release 16 принесла кодовый альбом Type II (линейная комбинация), поддерживающий до 32 портов CSI-RS, что позволило улучшить пространственное разрешение. Release 17 расширил это с помощью сжатия частотной области и расширенного выбора портов для массивного MIMO. Release 18, в настоящее время завершается, фокусируется на AI / ML для воздушного интерфейса, включая сжатие на основе ML и предсказывание предкодирования. Следующее поколение (Release 19, ожидаемое в 2025 году), вероятно, будет включать более продвинутые модели ML, такие как архитектуры трансформаторов, непосредственно в конвейер предварительного кодирования.

За пределами 3GPP исследования распределенных MIMO и бесклеточных архитектур набирают обороты. В бесклеточной сети для обслуживания пользователей сотрудничают несколько точек доступа (AP), требующих совместного предкодирования по географически разделенным AP. Это умножает вычислительную сложность, но обещает огромные выгоды в охвате и справедливости. Итеративная координация, необходимая для таких систем, может извлечь выгоду из распределенных алгоритмов оптимизации и федеративного обучения, чтобы избежать централизации всех CSI.

Перенастраиваемые интеллектуальные поверхности (RIS) также рассматриваются в качестве инструмента для предкодирования MU-MIMO. Управляя отражением и преломлением сигналов инцидентов, RIS может создавать виртуальные пути прямой видимости и изменять канал, чтобы сделать его более благоприятным для пространственного мультиплексирования. Совместная оптимизация фазовых сдвигов RIS и векторов предкодирования базовой станции является активной математической задачей, часто решаемой с помощью чередующейся оптимизации или глубокого обучения. Ранние результаты указывают на значительное улучшение емкости в сценариях с ограниченным охватом.

Заключение

Достижения в области предварительного кодирования MU-MIMO для 5G NR превращают теоретическое обещание массивных антенных решеток в ощутимую производительность сети. Гибридные архитектуры снижают стоимость оборудования при сохранении высокой спектральной эффективности, машинное обучение позволяет адаптироваться в реальном времени к сложным каналам, а улучшения формирования луча расширяют охват пространственного мультиплексирования до высокомобильных и mmWave сред. По мере того, как 5G развивается в направлении 5G-Advanced и, в конечном итоге, 6G, методы предварительного кодирования станут еще более адаптивными, распределенными и ИИ-управляемыми. Постоянное сотрудничество между промышленностью, научными кругами и органами стандартизации гарантирует, что эти инновации развернуты надежным и масштабируемым образом, удовлетворяя постоянно растущий спрос на беспроводную связь, которая лежит в основе нашего цифрового будущего.