人工智能辅助的毫米波波束管理文献综述

文献综述（或调研报告）：

在过去的40年里，移动通信经历了飞速的发展。为了满足日益增长的通信需求，第五代移动通信技术（5th generation mobile networks, 5G）在2012年被提了出来，随着2017年发布了5G NR的第一个版本，第五代移动通信系统在2018年也逐渐开始了早期的商业部署。5G移动通信系统提出了三种主要的应用场景，分别为增强宽带移动通信（eMBB）、大规模机器类型通信（mMTC）、超可靠低延时通信（URLLC）。

使用3G和4G移动系统的主要驱动力是移动宽带，而在5G系统中，移动宽带仍然扮演着一个十分重要的角色。不断增长的新需求和新应用对于移动宽带提出了更高的要求，需要更大的带宽来支持更大的数据流量。在前四代的移动通信系统中，使用的主要是Sub-6GHz的频段，在这部分频段已经部署了大量的设备，频段十分拥挤，没有办法提供足够的带宽以满足5G中增强宽带移动通信的需求，因此5G移动通信系统首次将毫米波通信应用到了真实的移动通信场景之中。

在毫米波频段具有丰富的未使用的频谱资源，这些频谱资源可以为移动通信提供较大的通信带宽，满足了5G移动通信系统三大场景之一的增强移动宽带通信（eMBB）场景的带宽需求，5G网络将使用的带宽高达800 MHz，而4G LTE的带宽仅为20MHz, 根据香农信道容量定理，在更大的带宽中，我们可以得到更大的传输速率。但是由于在毫米波频段，路径损耗相比Sub-6GHz频段要更为明显，需要引入多天线阵列来进行波束赋形抵抗较强的路径损耗。毫米波的波长较短，所需要的天线尺寸也可以减小，因此可以更容易在较小的空间内放置大规模的天线阵列。然而在波束赋形之后，信号的方向性很强，更容易受到波束不对齐以及物体阻挡所带来的影响。为了更好的减小这一部分的影响，我们引入了波束管理的概念。波束管理主要分为了初始的波束建立，通信过程中的波束追踪，以及链路中断之后的链路恢复三个部分。由于毫米波的频率较高，链路的相干时间很短，且目前的硬件水平没办法满足在较小的毫米波天线阵列中使用大量的RF链路，要获得完整的链路状态信息也十分的困难，所以波束赋形的过程需要在一个尽可能短的时间内利用有限的信道状态信息来完成。

为了解决这个问题，目前已有的工作主要采取了两种途径，一种是通过优化搜索策略，另一种是通过设计特定的码本。在IEEE 802.11ad使用了基于共用的RF扇区码本的波束赋形策略，为了简化波束赋形的过程，采用了依次探测下行和上行最佳波束的过程。举例来说，在一个基站和一个用户的波束管理过程中，首先由基站依次使用码本中的各个普通波束来发射训练帧，用户使用宽波束进行接收并计算得到链路的通信质量（常用信噪比SNR或参考信号的接收功率RSRP来表示），随后告知基站所使用的通信质量最好的发射波束，而后由用户依次使用码本中的各个普通波束来发射训练帧，基站使用宽波束进行接收并告知用户所使用的通信质量最好的接受波束，从而得到了一对通信质量最好的发射波束和接受波束^[1]。但是这种波束策略只在有一个用户的场景中能够有较好的表现，当用户数量增加之后波束管理的负担就大幅增加了。而在^[2]中提出了一种能够降低多用户场景中波束管理负担的策略，通过将IEEE 802.11ad中第二阶段的过程替换为由基站依次使用码本中的普通波束来进行发射，同时用户依次使用码本中的各个普通波束进行接收，通过第二阶段接收的信噪比（SNR）与第一阶段相应的SNR的比值来计算得出最佳的接收波束。而在^[3]中，则将预先定义码本的波束对搜索过程转化为一个二维平面上的寻找全局最优解的优化问题，使用Rosenbrock算法在这个二维平面上搜索，并通过一个预搜索过程为Rosenbrock算法提供初始值，大大提高了算法的搜索准确率。

而在一些文章中也在波束码本的设计上进行了研究，例如在^[4]中，通过设计了一个包含了主码本和辅助码本的两阶段的3D码本，来优化了波束建立时的搜索过程。在搜索过程中首先使用二叉树搜索在主码本中寻找最优的主波束，而后利用辅助码本以主波束为中心进行了更细化的直接搜索，最终确定最优的波束对。

由于人体的阻挡以及设备的移动，具有较强方向性的毫米波经常会面临波束中断的问题，在^[5]中，探讨了一种同时维持一个通信链路以及备用链路的方法，为波束管理中的波束中断问题提供了一个解决方案。在通信的过程中通过定时添加一些用于测量链路通信质量的序列，同时对通信链路和备用链路进行波束追踪，当通信链路中断时迅速协商切换到备用链路，提高了链路的吞吐量并减少了链路中断的概率。

在人工智能与通信相结合的方面，在^[6]中通过将神经网络运用于OFDM接收机，由信道估计和信号检测两个子网络构成的ComNet，实现了OFDM的解调过程。而在^[7]中，通过使用在不同环境中训练的ComNet配合用于检测环境的切换子网，提高了神经网络在非训练环境下的鲁棒性。而为了实现使用神经网络进行波束追踪，我们需要处理时间序列，考虑采用在^[8]中提到的双向LSTM网络来处理这种时间序列，已有的研究也表明了双向LSTM网络在处理时间序列的问题上能够获得比单向LSTM网络更优秀的性能。

根据上述调研，本课题将针对人工智能辅助的波束管理，在掌握了模拟波束赋形原理以及毫米波波束传输特性的基础上，参照5G NR标准实现毫米波通信系统的仿真。之后通过分析数据特性，设计一个可以实现对移动用户实时波束追踪的深度神经网络，并进一步依托服务器及软件无线电平台进行实现验证。

参考文献：