智能反射面辅助的毫米波大规模MIMO技术综述*

信科，金思年**，陈艺灵，岳殿武，鞠默然

（1.大连海事大学信息科学技术学院，辽宁 大连 116026；2.大连东软信息学院智能与电子工程学院，辽宁 大连 116023）

0 引言

5G 通信系统可以利用毫米波和大规模MIMO（Multiple-Input Multiple-Output，多输入多输出）等关键技术获得比4G 通信系统高几个数量级的传输速率，而毫米波和大规模MIMO 的融合也成为了5G 的关键技术之一。毫米波通信有着丰富的可利用频率资源，但由于其视距传播的特点，使得传输的路径损耗变得十分严重，而大规模MIMO 通过在收发端配置高数量级的天线阵列，可以有效缓解路径损耗的问题[1-2]。不过，毫米波大规模MIMO 系统通常需要配备大量的射频链路，这导致了硬件成本的提高以及系统的高功耗等问题[3]。在6G 时代，高速率传输是必然要求，但绿色通信也是重要理念，而近段时间兴起的IRS（Intelligent Reflecting Surface，智能反射面）不仅可以解决功耗与性能的矛盾，而且可以通过自身特性改变传输环境，以获得更高的通信质量[4]。基于此，IRS 与毫米波大规模MIMO 的融合有望在未来6G 通信系统中发挥着不可或缺的作用。

1 毫米波大规模MIMO

1.1 概述

随着5G 时代的到来，传统的6 GHz 频段已无法满足不断攀升的移动用户数量和通信需求，而毫米波通信的出现为解决该问题提供了有力的技术手段，毫米波通信具备以下三方面优势[5-6]：

（1）波长短。毫米波的波长在1～10 mm 之间，这可以有效缩小收发端天线阵列的物理尺寸，降低狭小空间内集成大量天线的复杂度；

（2）频带资源丰富。毫米波的频谱范围在30～300 GHz之间，这使得更多的用户能够被分配到带宽，实现海量通信设备的实时连接；

（3）抗干扰能力强。毫米波的频段较高，这可以有效减少同频信号的干扰。

尽管毫米波通信技术有着诸多优点，但其缺点也同样不容忽视。由于信号的传播路径损耗与信系统中，BS（Base Station，基站）集成了大量的天线，并利用毫米波频段向多个用户提供服务，这也是该系统最为常见的应用场景。

1.2 挑战及相关研究

毫米波与大规模MIMO 的结合最大程度地发挥了两者的优势，弥补了彼此的不足，是5G 的研究热点之一。相比于传统的低频信号传输系统，毫米波大规模MIMO的优势明显，但也面临着诸多挑战：

（1）传输信号的频率高、带宽大，对于硬件设备的要求高；

（2）在传输设备里配置了大型的天线阵列，这使得系统的体积、成本以及功耗相应增加。

为了解决这些难题，波束赋形（也称预编码）技术应运而生，即利用CSI（Channel State Information,信道状态信息）对信号进行处理的技术。传统的波束赋形技术主要分为两种：数字波束赋形和模拟波束赋形，前者是将每根天线均配置一条RF（Radio Frequency，射频）链路，以减小不同信道间的干扰，保证系统性能，但设备成本和总功耗较高。后者是令所有的天线共用一根RF链路，这可以显著降低成本和功耗，但也导致系统性能比较一般。为了实现两种波束赋形方式的优势互补，文献[9] 提出了将数字波束赋形与模拟波束赋形相结合的混合预编码技术，其中信号先以较低的维数进行数字预编码，然后通过模拟预编码器进行处理，最后天线阵列将预编码信号进行发送，如图1 中的发送端所示。此外，根据模拟预编码器与天线阵列的连接方式不同，混合预编码发射机可以分为三种不同的连接结构，如图2 所示。若每个RF 链连接到所有天线，则为全连接结构；若每个RF 链仅连接到部分互斥的天线子集，则为部分连接结构；若每个RF 链路连接到相互重叠的天线子集，则为混合连接结构。

图1 多用户毫米波大规模MIMO系统框图

图2 混合预编码结构

针对全连接结构，文献[10] 表明通过合理地设计预编码，混合预编码系统可以在性能逼近全数字预编码系统的同时，减少RF 链路的使用数量，降低硬件成本。文献[11] 利用毫米波信道的稀疏散射结构，提出了一种基于OMP（Orthogonal Matching Pursui，正交匹配追踪）的预编码算法，可以将预编码器设计问题转化为稀疏约束信号恢复问题，仿真结果表明该算法能使系统逼近于频谱效率极限值。文献[12-13] 提出基于半定松弛的交替优化算法，前者从最小化最优数字预编码与混合预编码之间的欧几里德距离出发，可以获得接近于最优的频谱效率性能，但代价是极高的计算复杂度，而后者针对部分连接结构，在获取到数字预编码矩阵后，通过理论推导获得模拟预编码矩阵的闭式解，仿真结果表明该算法的频谱效率性能优于基于连续干扰消除的混合预编码算法，但复杂度同样较高。为了降低算法的复杂度，文献[14]和[15] 分别提出了基于块状矩阵求逆和基于顺序递归最小二乘法的OMP 算法，可以在牺牲部分性能的情况下，显著降低算法的复杂度。针对多用户场景，文献[16] 分别使用迫零方式和鸟群算法设计了数字预编码和模拟预编码。文献[17] 和[18] 也利用了不同的方式去设计混合预编码，实现了频谱效率最大化。

由于毫米波大规模MIMO 的收发端天线数量较多，这使得直接追踪物理信道CSI 的难度变得很高，因此如何提高信道估计的准确性是该系统的另一个研究热点。在现有的毫米波大规模MIMO 信道估计研究工作中，对于宽带系统[19-21]、角度域[22-23]以及超高分辨率系统[24-25]的信道估计问题的研究均有建树。另外，作为处理复杂通信问题的有力工具，深度学习在解决信道估计问题上同样发挥着重要作用，这对于进一步提升毫米波大规模MIMO 信道估计的准确性起着重大作用[26-28]。

1.3 小结

综上所述，合理的混合预编码以及信道估计技术可以有效优化毫米波大规模MIMO 系统的性能及功耗，具有较高的研究价值。近年来的深度学习与无线通信技术的密切结合，给毫米波大规模MIMO 的性能增强带来了更进一步的可能性，同时也在启示着如何利用新兴技术来提升当前通信系统性能是具有前景的研究方向。

2 智能反射面辅助的毫米波大规模MIMO

2.1 概述

尽管毫米波大规模MIMO 能够有效地改善毫米波传输距离短的弊端，并且显著提升毫米波无线通信系统的数据吞吐量，但其所要求的高复杂度、高能耗和高硬件成本仍然在实际应用中难以实现。不过，IRS 的出现为解决上述问题提供了一个重要的技术方案。IRS 具体是指一种由大量低成本、几乎无源的反射元所构成的智能表面，每个反射元都能够在IRS 控制器的指令下独立地改变入射信号的幅度和/ 或相移，从而灵活地控制发射机和接收机之间的无线信道，以期实现理想的无线信道环境。对于IRS 的实现来说，其具备以下几点吸引人的优势。首先，IRS 成本低廉且重量轻便，这使得它能够灵活地部署在各种场景，如建筑内外墙、路边广告牌、天花板甚至车辆等。另外，IRS 能够通过利用无源反射元件而非射频链路控制反射信号的相移，这使得IRS 相比传统的中继设备更加节能环保，更符合6G 绿色通信的目标。最后，将IRS 部署至移动通信系统对于用户来说是透明的，这使得原有的移动通信系统的标准以及硬件实现无需改变，提供了完美的兼容性。因此，IRS 已经被广泛应用在无线通信系统中，并在提高无线网络的覆盖率[29]、频谱效率[30]、能量效率[31]、物理层安全性[32]及无线携能通信[33]和降低发送功耗[34]等方面发挥着重要的作用。基于上述背景，将毫米波大规模MIMO 和IRS 进行结合应用，可以起到提升系统性能、降低硬件成本和功耗的作用。如图3 所示，这种系统被称为IRS 辅助的毫米波大规模MIMO 系统，针对它的研究将对促进6G 基础理论及关键技术的发展起着重要作用。

图3 IRS辅助的毫米波大规模MIMO系统模型

2.2 相关研究

对于IRS 辅助的毫米波大规模MIMO 系统，目前的研究工作主要集中在波束赋形和信道估计两个方面。首先对于波束赋形方面，当发送端和接收端配置了大规模的天线时，文献[35]推导了系统的可达速率闭合表达式，并将可达速率作为优化目标，设计了一种基于功率分配、混合预编码和IRS 无源波束赋形的优化方案，仿真结果验证了所提算法的有效性。文献[36] 提出了一种基于几何平均分解的波束赋形方案，通过联合调节基站、用户以及IRS 的可调节参数，该方案能够获得比传统的基于奇异值分解的波束赋形方案更优良的误码率性能。文献[37]设计了一种流形优化算法，该算法能够利用毫米波信道的固有结构，灵活调整IRS 的无源波束赋形和基站（用户）端的混合预编码，有效增强了系统的频谱效率性能。当所有的用户满足一定信干噪比约束时，文献[38] 提出了一种序贯优化方案，该方案能够通过调整基站端的混合波束赋形和IRS 的无源波束赋形，显著降低基站端的发送功率。文献[39] 设计了基于IRS 无源波束赋形和X 码（或X 预编码器）的联合优化算法，该算法能够有效降低错词率。针对窄带和宽带场景下IRS 辅助的毫米波大规模MIMO系统，文献[40] 首先借助稀疏散射结构和毫米波信道的大尺寸特性，提出了针对窄带系统的波束赋形联合设计方案，然后利用毫米波信道的稀疏性，将所提出的方案推广到宽带场景，有效地增强了系统的频谱效率性能。上述研究工作（即文献[35-40]）都只关注了单IRS 的场景，为进一步扩大毫米波通信系统的高频覆盖范围，文献[41]将研究目光扩展至双IRS 辅助的毫米波大规模MIMO 系统上，提出了一种基于双级联IRS 的无源波束赋形和BS混合预编码的设计方案，有效地提升系统的频谱效率性能。

针对IRS 辅助的毫米波大规模MIMO 系统的信道估计问题，文献[42] 利用毫米波信道的稀疏性特性，将信道估计问题转换为固定秩约束的非凸优化问题，并提出了一种基于交替优化和流行优化的算法，实现了单用户场景的信道估计。此外，文献[43] 将文献[42] 的研究工作扩展至多用户场景，利用信道的稀疏性和最小二乘准则，将多用户场景下的信道估计问题转换为多耦合复固定秩矩阵优化问题，并提出了一种基于交替优化和流行优化的信道估计方案，实现了多用户场景的信道估计。文献[44] 研究了宽带场景下的信道估计问题，提出了一种分布式正交匹配追踪算法，设计了一种能够对抗功率泄露的冗余字典，显著地增强了信道估计的准确性。此外，为了从不同角度寻找出合适的信道估计方案，文献[45-47] 也考虑了利用深度学习来解决信道估计问题。比如，文献[45]提出了一种基于深度学习框架的信道估计方案，该方案设计了一种双层卷积神经网络，并将接收到的导频信号作为反馈，对直连信道和级联信道进行估计，通过与传统方案如最小二乘法进行比较，可以发现所提方案有着更准确的信道估计性能。文献[46] 考虑了上行链路的信道估计问题，通过利用级联角度信道的准稀疏结构，可以将上行链路的级联信道估计问题转化为压缩感知问题，并设计了一种残差网络架构来改善压缩感知重构过程中的性能受损问题，有效地提升了信道估计的准确性。文献[47] 中将级联信道估计问题表述为基于压缩感知的稀疏性恢复问题，可以显著减少训练开销，并提出了一种混合多目标进化范式以实现高分辨率信道估计。

2.3 未来展望

尽管对于IRS 辅助的毫米波大规模MIMO 的研究已经逐渐成熟，但是仍存在一些值得深入研究的难题，如非理想硬件、信道估计以及多个IRS 的协作等问题，因此需要研究新理论、新技术来充分发挥该系统的性能潜力，为下一代移动通信提供更多的可能性。

（1）非理想硬件的影响：目前大部分的研究均假定BS、IRS 和用户配置了理想硬件。然而，在实际场景中，大多采用非理想硬件，相位噪声、量化噪声以及放大器的非线性等硬件损伤因素不可忽略，这些硬件损伤将在一定程度上影响系统性能。尽管一些补偿算法可以消除部分硬件损伤导致的性能损失，但残余的硬件损伤仍然存在。因此，针对非理想硬件条件下IRS 辅助的毫米波大规模MIMO 系统，如何科学合理地设计系统中的可调节参数，以降低硬件损伤对于系统通信性能的影响，是值得重视的问题。

（2）信道估计问题：在此前的研究中，信道估计性能有所提升，但仍需要进一步研究低复杂度和低开销的信道估计方案。考虑到真实场景下用户数目的增多以及移动性增强带来的频繁波束训练及信道估计操作，系统训练开销问题将进一步加剧，因此面向更为一般化的多用户移动性增强场景，如何设计更匹配的信道估计方案，对于推动IRS 辅助的毫米波大规模MIMO 系统的发展是十分必要的。

（3）多个IRS 的协作：尽管单个IRS 已经能够为通信系统提供一定的性能增益，但单个IRS 的覆盖范围毕竟是有限的，这使得同时部署多个的IRS 以保证通信系统性能成为一种必然选择。因此，针对多IRS 辅助的毫米波大规模MIMO 系统，多个IRS 之间如何进行协作部署、协同优化以及信道估计有望成为未来研究的重点。

2.4 小结

本节中首先介绍了IRS 与毫米波大规模MIMO 通信技术结合的优势以及系统应用模型，然后讨论了现阶段IRS 辅助毫米波MIMO 系统中两个主流研究方向的进展，主要包括波束赋型以及信道估计两部分，最后对未来的研究方向做出了展望。

3 结束语

未来6G 相较于现阶段的通信系统不仅各项性能会有质的提升，也会更加注重绿色可持续的环保理念。作为6G 中的关键技术，无源的IRS 以及IRS 辅助的毫米波大规模MIMO 系统成为了研究热点。本文分析了毫米波大规模MIMO 以及IRS 辅助的毫米波大规模MIMO 系统的基本概念、优势特点、国内外研究发展现状，并进一步讨论了未来的研究热点以及有待解决的问题。