毫米波大規模陣列中的AOA估計

本文轉載自查看原文 2020-03-28 19:27 1302 5G

1.AOA估計在毫米波大規模MIMO中的重要性

在毫米波大規模MIMO的CSI估計中，AoA估計具有重要地位，主要原因歸納如下：

毫米波大規模MIMO 的信道具有空域稀疏性，可以簡單通過AoA 和路徑增益將其准確建模。這類似於波束域MIMO 的幾何信道模型。基於該信道模型，CSI 估計可以先獲取角度信息，然后通過最小二乘（Least Square, LS）逼近求解路徑增益。相比之下，傳統MIMO 的散射信道模型不但不能准確反映毫米波大規模MIMO信道的稀疏特性，反而會增加信道建模的復雜性，這是因為大規模意味着信道的高維度，估計的時間和運算復雜度一般比較高；
毫米波信道中AoA 具有慢衰落特性，而路徑增益服從快衰落。從大量毫米波信道測量結果中可以看出，毫米波信道中AoA的變化時間一般比路徑增益的變化慢若干倍。基於該現象，估計AoA之后，便可將AoA信息應用到同一相關時間幀的其它傳輸塊，這樣不僅可以減少信道估計的運算和時間復雜性，而且提高了路徑增益估計的准確性，這是由於在得到AoA之后，便可以設計波束形成以利用陣列增益提高接收信噪比（Signal-to-Noise Ratio, SNR）；
5G 的一些關鍵技術需要借助AoA 估計得以有效實現，例如能量和信號同時傳輸（Simultaneous Wireless Information and Power Transfer, SWIPT），空間調制（Spatial Modulation, SM）和NOMA等技術。例如，在SWIPT中，能量收集需要准確的AoA，以提高收集效率。能量收集效率受微波信號與能量之間的轉化電路的影響一般效率較低，因而利用精確的AoA估計來導向能量接收陣列對提高能量收集效率具有重要意義。另外，在SWIPT中，能量信號對信息信號的信道估計形成強干擾，因而需要准確估計能量信號的AoA以盡可能完全的消除能量信號進行信息信號的估計和參數提取。
AoA估計可以減少甚至消除CSI反饋（回傳），提高通信速率和安全性。低復雜度AoA估計方案不僅可以在基站端執行，還能在用戶端執行。通過設計合理的訓練方案，可以減少甚至消除CSI 信息在基站和用戶之間的回傳，從而提高波束訓練效率。除此之外，還能提高安全性，因為物理層安全研究中，竊聽者一般利用基站與用戶之間的交互偵聽CSI。
利用AoA 估計可以減少大規模混合陣列中波束形成設計的復雜度。毫米波大規模MIMO可以通過簡單的線性收發方案逼近容量上限。如果能獲取AoA信息，簡單利用導向矢量的共軛進行波束形成便可在AoA方向獲得較大的陣列增益。然而，在僅有CSI的情況下，需要通過設計優化問題來求解模數混合波束形成器，且由於模擬部分一般有恆模約束，該類問題成為非確定性多項式難題（Non-Deterministic Polynomial-Hard, NPH）。

2. 大規模混合陣列的AoA估計面臨的一些嚴峻的挑戰

混合陣列中的數字信號處理將受到模擬波束形成方式的影響，換言之，模擬波束形成的設計也是混合陣列AoA 估計的一部分。由於估計SNR 比較低，且缺少 AoA 先驗信息，模擬波束形成增益無法完全利用，甚至會對目標信號造成衰減，這導致初始AoA 估計不准確，精度較低。這時，一般需要把AoA 估計反饋到模擬波束形成設計中，進行AoA 的迭代估計。
在毫米波通信中，陣列接收SNR 比較低。這是由於，一方面毫米波傳播衰減大，導致陣列接收的信號功率較弱；另一方面毫米波段下系統帶寬相應較大，意味着接收機熱噪聲功率較大。系統熱噪聲功率一般可以通過𝒦𝑇𝐵計算，其中𝒦是玻爾茲曼常數，𝑇 和𝐵 分別表示系統溫度和帶寬。
現有方法難以移植應用。毫米波大規模MIMO中，天線數量可達成百上千，巨大的天線數量使得很多優秀的傳統方法，例如超分辨空間譜估計類算法和最大似然方法等，難以滿足對實時性要求較高的實際應用。這是因為空間譜估計算法涉及到矩陣分解，其運算量與矩陣的維度（即天線個數）的三次方成正比。另外，考慮5G可支持高達500km/h的移動性，且通信波長在毫米級，多普勒頻率較大，對AoA估計的影響不能像許多傳統方法中一樣忽略不計。

3. 毫米波大規模混合陣列中AoA估計的主要研究思路

目前，關於毫米波大規模混合陣列中AoA 估計的研究思路主要分為以下兩類：

將一些經典的數字陣列信號處理中的AoA估計算法擴展到大規模混合陣列中。由於混合陣列中空間自由度因模擬波束形成而嚴重損失，這類方法通常采用以增加時間復雜度（即訓練時間長度）的方式換取更多的空間自由度。文獻將兩種經典空間譜估計算法，多重信號分類（MUltiple SIgnal Classification, MUSIC）和旋轉不變子空間（Estimation of Signal Parameters by Rotational Invariance Techniques, ESPRIT），分別擴展到部分連接移相器混合陣列。該方法本質上類似於波束域空間譜估計算法，且為了重構高維信號和噪聲子空間，以增加訓練時間的方法彌補因有限RF組件造成的空間自由度缺失。研究全連接移相器混合陣列下的波束域MUSIC算法，分析波束域情況下的空間譜模糊問題，並設計模擬波束形成器在一定角度區間消除模糊。該類算法的AoA估計精度較好，但是運算復雜度高（需要矩陣分解和空間譜計算與搜索）和訓練時間較長。在低信噪比下，該類算法的噪聲子空間將難以准確獲取。值得注意的是，在該類研究思路下，由於大規模MIMO的高維度和數模混合特性，一些寬帶高分辨算法將難以適用，例如相干和非相干信號子空間法以及該類算法的衍生算法。這些方法需要借助可靠的初始AoA估計，通過迭代實現AoA估計的精細化，因而所需的訓練碼元個數和最終估計性能都將受到初始估計的影響。
充分利用毫米波大規模MIMO的信道特征—— 稀疏、AoA和路徑增益有不同衰落特性，以及不同混合陣列特點（例如，圖1(a) 中移相器混合陣列的移相器靈活可調，圖1.(d) 中Butler矩陣同時形成多波束）設計一些低復雜度、精確的AoA 估計方法。該類研究思路相對於第一類具有較低的運算和時間復雜度。