导言:大规模海事组织同步和校准问题的规模

多输入多输出技术已从支持几条天线的小型阵列发展成为具有数百个甚至数千个元素的大规模配置。这些大型多输入多输出阵列是基础到5G新无线电,预计在6G系统中将发挥更大的作用。 大规模多输入多输出的希望 — — 更高的光谱效率、更好的光谱成倍增益以及更好的空间多倍增益 — 关键地取决于两个紧密结合的先决条件:精确同步和精确校准所有天线元素。随着阵列规模的扩大,保持相位一致性、定时配和统一元素响应的困难增加,这篇文章审查了大型多指标阵列的主要同步和校准挑战、根本原因以及为克服这些挑战而正在制订的技术战略。

大型MIMO阵列中的同步:为什么它很重要

同步在大规模MIMO背景下是指所有收发机链的时序和载体相位的对齐。 没有这种对齐,束化就会变得不连贯,导致阵列增益减少,用户间干扰增加,吞吐量下降。 在主导大规模MIMO部署的时序分割双元(TDD)系统中,假设通道对等,但只有在双方硬件链适当同步和校准时,方能对等。

时间同步

大型阵列的计时错误造成符号错配,在正交频分多轴(OFDM)系统中,正交频分多轴系统导致载体间干扰(ICI)和同位素间干扰(ISI),挑战随着阵列大小的增加而增加,因为参考时钟分配网络必须向每个无线电头发送稳定低速信号. 长的分布路径会引入延迟变异和热漂移. 在分布的MIMO架构中——天线分布在多个地点——问题更为严重,需要严谨的超空(OTA)计时同步. IEEE 1588(精密时间协议)和3GPP定义的同步程序帮助,但其性能受到网络不对称和延时估计精确度的限制.

相位同步

协同束形要求所有天线元件都以相同的载体相(或已知相抵消)进行传输. 相位振荡器(LOs)的相位噪声是一大障碍. 在大型阵列中,从单一来源分配一个共同的LO会减少相位漂移,但会因电源分裂和电缆损失而引入可伸缩性问题. 或者,在每一要素使用独立的LO需要复杂的相位跟踪和校正. OTA方法,例如使用基于对等的光线形和用户设备(UE)的反馈,可以帮助,但是它们引入了纬度并依赖于准确的信道估计. 第三代伙伴关系项目(3GP)包括相位同步的规格[ TS 38.104(Base Station Radio Transmission and Contament),其中定义了对天线端端端端端相对相相的相相位的规格.

校准:确保统一要素反应

校准解决了每个天线元件及其相关的模拟前端在振幅和相位响应上的差别,即使同步对时间和载体相位进行对齐,振幅和相位不匹配也会扭曲阵列束模式. 存在两个主要校准策略:内部(使用内置测试路径)和外部(使用超空参考信号).

内部校准及其局限性

内部校准对等通过专用校准网络将已知的参考信号输入每个收发机链。 该网络本身引入了频率依赖和时间变化不匹配。 随着元素数量的增加,校准网络变得复杂和丢失。校准精度也随着温度变化和组件老化而下降。 制造商经常将内部校准与定期自我测试常规相结合,但跟踪数百个元素的所有环境变量仍然是一项重大的工程挑战。

飞机上空(OTA)校准

OTA校准使用外部参考发射机的信号——通常是专用校准站或已知位置的UE——来测量和校正元素响应,直接捕捉端到端的行为,包括天线相互耦合和阵列环境相互作用。然而,对大型阵列的OTA校准面临一些问题:

  • 计量模糊:[] 参考源与每个元素之间的通道必须已知或分离,多路径和散射使得这个困难.
  • 计算负载:[实时估计和适用数千个元素的校准系数需要很大的处理功率.
  • 校正频率: 环境变化(温度,风力-诱发的结构运动)需要频繁的校正,这可以消耗空时资源.

一种常见的做法是,在背景中使用预定的“校准槽”进行OTA校准,其中有一个已知的参考UE,由欧洲电信标准研究所[ETSI]所记录的一些高级束形算法和IEEEE关于大型MIMO试验床的文献中对此作了描述。

相互碰撞和阵列畸形

在密集阵列中,相邻元素之间的电磁耦合会改变每个元素的有效辐射模式和阻力。 校准必须考虑这些耦合效应。 相互耦合补偿或将校准纳入束状重量计算等技术可以减轻问题,但会增加复杂性。 此外,由于热膨胀导致天线布置和变形的机械容积会引入必须测量和纠正的相位错误。

扩大挑战:从数百个要素到数千个要素

随着天线元素数量的增加,由于数据量巨大,整个阵列需要高度精确,同步和校准任务变得指数化的更难.

分布式结构和阶段一致性

未来的部署可能将阵列分割成多个地理上分开的子阵列(分布的MIMO). 同步这些子阵列需要网络级别的时间和相位对齐,超越单站点解决方案所能达到的状态. 前排链接的空闲和紧张变得至关重要. O-RAN联盟在 O-RAN前排标准中定义了无线电单位之间紧同步的规格,但是在包网络上实现次次时段和毫位相精确度仍然是活跃的研究领域.

校准算法的计算负担

校准算法通常涉及所有天线路径的矩阵反演或最小方位估计。对于一个N元素阵列,如果考虑完全交叉,则其复杂性比为O(N^3)或更差。需要高效的递归或基于线粒体的算法。已经提出了机器学习方法,特别是人工神经网络,以根据温度、功率和衰老历史预测校准系数。这些模型可以减少重校管理,但需要广泛的培训数据。

战略和新解决办法

研究人员和工程师开发了一系列技术,以应对大型MIMO阵列的同步和校准挑战,下文将介绍一些最有希望的技术。

分布的局部振荡器同步

每一个子阵列甚至每个元素都能够同步到一个通用的GPS纪律振荡器或IEEE 1588网络参考物,而不是分配一个单一的LO,低相噪声频率合成的进步使得多个振荡器能够在几度内在毫米波频率上保持相位一致性. 使用光子技术的参考信号的光学分布是正在研究的另一种方法,用于子-6GHz和mmWave波段的大规模阵列.

利用UL/DL反馈对等校准

在TDD系统中,信道对等只有在硬件响应经过校准的情况下才维持. 一种众所周知的方法是将已知的校准信号从每个元素中传递出来,并在一个参考元素(或UE)中测量收到的信号. 通过利用对等通道,可以得出校准系数. 这种方法被构建为许多大型的MIMO原型,并标准化于3GPP的TS 38.211(物理通道和调制)通过调音参考信号(SRS)和专用校准程序.

实时校准机器学习

深层学习模型可以学习环境条件(温度,湿度,功率水平)和校准错误之间的复杂关系. 该模型一旦经过训练,就可以在不中断正常操作的情况下预测和补偿漂移. 变异自编码器和基因对抗网络也被探索,以模拟有限测量的阵列不完善之处. 这些模型虽然很有希望,但需要谨慎部署以避免过度配齐和跨不同硬件单元的泛化.

硬件改进

更好的模拟组件——高质量的晶体、温度补偿振荡器和数字化的相位变速器——减少同步和校准误差的程度,目前以硅为基础的具有综合校准网络的集束电路,可商业上供最多64个元素的阵列使用,在芯片一级进一步整合和使用人工智能,可能减少后代对外部校准的需要。

结论:大型海事组织阵列的前进道路

同步和校准仍然是商业网络中部署大型MIMO阵列最关键和技术上最具挑战性的方面之一。 这些问题涉及模拟硬件设计、数字信号处理和网络级协议。 虽然没有单一的解决方案适合所有情景,但改进后的硬件、智能算法和标准化同步框架的结合正在稳步使大型MIMO更加实用。 正在进行的分布式一致性、超空校准自动化和机器学习辅助补偿的研究对于释放这些阵列在5G之外的全部潜力至关重要,能够使数据率更高、频谱使用效率更高。 随着阵列规模的持续增长,产业必须投资建立强大、可扩展的校准架构,以适应现实世界的运行条件,而不会牺牲性能。