5G行動通訊網路是最先採用大規模多輸入多輸出(massive Multi-Input Multi-Output, mMIMO)天線陣列系統的技術。它是透過在基地台使用大型天線陣列,同時為多個用戶提供服務。
在前一篇文章裡,已經介紹了在5G行動通訊系統中,常見的訊號衰減(Signal Fading)和訊號干擾的種類,也列出了許多可用的解決方法。
本文先介紹通道狀態資訊回傳(CSI Feedback)的傳統方法,最後介紹5G和未來的6G使用深度學習來估測和回傳通道狀態的技術。
MIMO技術
5G行動通訊網路是最先採用大規模多輸入多輸出(massive Multi-Input Multi-Output, mMIMO)天線陣列系統的技術。它是透過在基地台使用大型天線陣列,同時為多個用戶提供服務,如圖1所示。mMIMO能提高無線電通訊網路的頻寬、資料傳輸率和頻譜利用率。圖2是傳統的MIMO和mMIMO的無線電傳播功能之比較。這主要是因為mMIMO的波束成形(Beamforming)技術比傳統的MIMO使用更多的天線,雖仍使用有限的頻譜資源,但藉由調整每個天線上的訊號相位和振幅,能針對特定方向和用戶產生聚焦的無線電波束(Radio Beam),亦即能改變無線電訊號的傳播方向,將單獨的波束指向特定的用戶,特別是位於細胞邊緣的用戶,並同時為多個用戶提供服務,擴大電波傳播範圍和整體的網路通訊容量。最終能提高訊號強度和通訊品質,並降低干擾。
圖1 (a)大規模MIMO系統的波束成形和各種終端應用
圖1 (b)具有M個發射天線和N個接收終端的大規模MIMO系統模型
圖2 傳統的MIMI(左)和mMIMO(右)天線陣列的無線電傳播功能之比較
預編碼
在基地台的多用戶大規模MIMO(multi-user mMIMO)系統內,如圖3,假設d1,d2,d3分別代表要傳送給三位特定用戶的資料,將d1,d2,d3調變後,得出s1,s2,s3,將它們組合成向量s=[s1,s2,s3],其中s1、s2、s3分別代表從基地台同時傳送給三位特定用戶的調變後符號訊號。向量s和預編碼矩陣(Precoding Matrix)W相乘得出x=Ws。最後,透過mMIMO天線陣列將x訊號發射出去。
圖3 5G基地台的多用戶大規模MIMO系統的硬體架構
設計預編碼器(Precoder)或預編碼矩陣W主要是為了消弭用戶間干擾,以硬體架構來區分,它有三種:類比的、數位的、混合的預編碼器。圖3是使用混合的預編碼,因為它包含類比的和數位的預編碼器。在x訊號發射之前,必須根據CSI回傳的資訊,調整x的相位和振幅,這作業稱為波束成形,也是預編碼矩陣W的主要功能,藉此提高訊號品質和降低干擾。
此外,若以編碼方法來區分,有兩種常見的預編碼:強制歸零(Zero-Forcing)、最小均方誤差(MMSE)。無論是強制歸零預編碼或MMSE預編碼都和底層的硬體架構無關,亦即,上述的兩種預編碼方法都能夠在類比的或數位的或混合的預編碼器上運行。強制歸零預編碼是使用奇異值分解(Singular Value Decomposition, SVD)的擬反矩陣(Pseudo Inverse Matrix)方法,將W設為H的擬反矩陣W=H^+。用戶端接收到的訊號y=Hx+n=HWs+n≈s+n,其中H是通道狀態矩陣,x是發射訊號矩陣,n是雜訊矩陣。這個近似符號≈是表示:若H不是正方矩陣(Square Matrix)或非滿秩(Rank-Deficient)時,HH^+不一定等於單位矩陣I。
所以,只要H是正方矩陣且滿秩,強制歸零預編碼就可讓y≈s+n成立,並能消除用戶間干擾,最後在用戶端能從y中得出x的近似值。但採用強制歸零預編碼有一個缺點,就是當SVD的奇異值Σ很小時,雜訊將變很大,這可由式子(1)中觀察出來。由於SVD的Σ是對角矩陣(Diagonal Matrix),假設σr是Σ的元素,即Σ=[σ1,σ2,…,σr],根據對角矩陣的定義,Σ(Σ^+)=I,Σ^+=diag(1/σ1, 1/σ2,…,1/σr),當σr很小時,1/σr將變大,這連帶地使得Σ^+和H^+都變大,如式子(1)。式子(2)和(3)中的x´是使用H的擬反矩陣H^+求出x的近似解。如前所述,在理想情況下,亦即當H是正方矩陣,且滿秩,x´之估測值可從式子(3)求得,其中(H^+)n是代表被放大的雜訊。當σr很小時,(H^+)n的值會變大。

MMSE預編碼是採取另一種策略,它不強迫達到用戶間干擾歸零或符號間干擾(ISI)歸零,而是盡量在干擾和被放大的雜訊之間取得平衡,使傳收的訊號錯誤能降至最低。MMSE也是目前5G的mMIMO天線陣列組態設定中,最常被使用的預編碼方法。它能降低訊號的最小均方誤差,這對於受嚴重干擾和高雜訊環境中的用戶,仍能獲得高品質的通訊服務幫助很大。式子(4)是MMSE預編碼矩陣W的公式,其中,σ^2是雜訊變異數(Noise Variance),(σ^2)I是正規化項(Regularization Term),所謂正規化項就是用來消除因H^+所造成的雜訊被放大的問題。

在5G接收端的mMIMO系統中有等化器(Equalizer),理論上,此等化器必須能將發射訊號x從接收訊號y中還原。換言之,等化矩陣G是用來估測發射訊號ŝ=Gy。強制歸零的等化器是用來消除通道矩陣(Channel Matrix)H和預編碼矩陣W對還原符號訊號s的影響,理論上,這可用G=(HW)^-1來表示,如式子(5)和(6)。經過換算,估測的符號訊號ŝ=s+Gn,由此可知若使用強制歸零預編碼,雜訊n被放大G倍,但s維持不變,而且 不受到其它訊號的干擾。


若是使用MMSE預編碼,在5G接收端,發射的符號訊號s和估測的符號訊號ŝ之間的誤差是e,如式子(7)。式子(8)是MSE的計算公式,必須求出能使MSE值最小的ŝ,這是一個凸函數最佳化(Convex Optimization)問題,可使用一階最適性條件求出式子(9),它能求出使MSE值最小的ŝ。換言之,當MSE值最小時,ŝ是s的最佳估測值。而且,=Wy,如式子(10),這個W就是式子(4)所代表的MMSE預編碼器,也是其接收端的等化器。
導頻訊號
如前所述,在5G用戶端接收到的訊號是y=Hx+n=HWs+n,其中H是通道矩陣,這矩陣H非常重要,因為接收端和發射端都需要它,而且兩者的矩陣H必須相同。其實,矩陣H也是經過估算得到的,所以,它也被稱作預估的通道矩陣。矩陣H是藉由發射端傳送導頻訊號Ps(Pilot Signal)到接收端,Ps受到通道的影響變成P's,接收端將接收到的P's和已知的原導頻訊號Ps比較後,得知目前的通道是如何改變導頻訊號Ps,藉此得出預估的通道矩陣。
導頻訊號Ps是系統事先定義好的序列碼,接收端和發射端都有預先儲存能設計Ps的編碼簿(Codebook),它內含有識別碼。首先,必須經過特定的溝通模式或通訊協定,使接收端和發射端的時序和頻率能夠同步,然後識別碼讓接收端可以正確地偵測到目前是使用哪一個導頻序列碼。圖4是一個CSI回傳的無線電通訊架構,它的第一個步驟是在基地台設計導頻訊號,然後將此導頻訊號傳送至接收端。接收端收到導頻訊號後,先估算出通道矩陣H,然後估算下傳通道的CSI,最後將此CSI回傳至基地台。
此外,也可以反方向,從接收端傳送導頻訊號至基地台,其目的是為了估測上傳通道的CSI,藉此基地台的發射端能推估上傳通道的效能。在CSI中,主要包含通道品質指示符(CQI)、預編碼矩陣指示符(PMI)、可傳送的空間層數(RI)、通道增益矩陣、多路徑延遲擴散和都普勒擴散等參數。
圖4 分頻雙工(FDD)無線電系統的CSI回傳架構
傳統的CSI回傳
在5G Release 18標準規格公布之前,例如:4G LTE系統,回傳CSI的傳統方法有兩種:編碼簿和壓縮感知(Compressive Sensing, CS)。
編碼簿
除了導頻訊號以外,編碼簿也是系統事先定義好的資料集,其發射端和接收端也都有儲存相同的編碼簿。在此編碼簿中,列有各種可能的CSI。接收端比較預估的通道矩陣和編碼簿中的每筆資料,並根據挑選法則找出最匹配的CSI,這個過程稱為量化。與其傳回全部的預估的通道矩陣,接收端只傳回編碼簿的索引,這索引即代表量化的CSI,如此即可大幅降低回傳的資料量。
基地台的發射端在收到此編碼簿索引後,即根據此索引,在編碼簿中找到CSI,並依照此CSI計算出最合適的新預編碼,藉此使發射訊號最佳化。使用編碼簿的優點是很容易實作。但缺點是CSI的估測精確度受限於編碼簿的紀錄量,若紀錄量越大,估測可能越準確,但儲存量和作業的複雜度也會增加。
壓縮感知
利用訊號的稀疏(Sparsity)特性,降低測量次數,但仍可準確地重構原本的訊號。由一個稀疏訊號(Sparse Signal)來代表CSI,這意味著這訊號的大多數分量為零或接近零,只有少數分量具有重要資訊。接收端使用測量矩陣對該訊號進行線性測量,並將測量結果傳回基地台的發射端。然後,基地台的發射端使用演算法,輸入測量矩陣和測量結果,重建完整的CSI。
通常,這是採用L1範數最小化方法,即找到能夠得出此測量結果的最稀疏解決方案,如圖5。使用壓縮感知的優點是能降低CSI回傳的資訊量,同時能確保CSI的準確度。它對極稀疏的通道矩陣特別有效。但它的缺點是重建CSI需經龐大的運算,而且其效能受限於通道狀態的稀疏性和重建用的演算法之複雜度。
圖5 L1範數最小化的例子
AI自動編碼器
圖6是採用類神經網路來實現CSI回傳的三種架構。其中,(a)圖的接收端仍使用SVD來估算通道矩陣H的擬反矩陣,還有預編碼矩陣W,再利用編碼簿回傳CSI,基地台也是使用相同的編碼簿來取得CSI,但後端是採用預先訓練的類神經網路來估算CSI。(b)圖的接收端仍使用SVD,但回傳是採用類神經網路設計的編碼器來壓縮CSI,基地台則是採用類神經網路來解壓縮CSI。(c)圖的接收端是完全採用類神經網路來回傳CSI,基地台也是完全採用類神經網路來估算CSI,這可使用深度聯合源通道編碼(Deep JSCC, DJSCC)設計的深度模型來實現,如圖7(c),此模型能將不同的資料格式,例如:文字、圖像、音訊,和最適合的通道編解碼(Channel Coding)技術整合在一起,優化在通道內傳送的資料傳輸率,與其它機器學習的方法相比,DJSCC更能提高系統效能和可靠度。
圖6 採用AI實現CSI回傳的三種架構
圖7 三種屬於AI方法的CSI回傳架構:(a)和(b)是使用一般的AI方法, (c)是利用深度聯合源通道編碼(DJSCC)設計