在导频约束下上中频段的RSS地图辅助MIMO信道估计

《IEEE Transactions on Machine Learning in Communications and Networking》：RSS Map-assisted MIMO Channel Estimation in the Upper Mid-Band Under Pilot Constraints

　　

摘要：

精确的无线信道估计对下一代无线系统至关重要，它能够实现精准的预编码，从而有效区分用户、降低小区间的干扰，并实现高分辨率的感知等功能。然而，传统的基于模型的信道估计方法在导频数量有限的复杂环境中性能会下降，而纯数据驱动的方法则缺乏物理可解释性，需要大量数据收集，且通常仅适用于特定场景。本文提出了一种新的物理信息神经网络框架，该框架将基于模型的信道估计与深度网络相结合，利用关于环境传播特性的先验信息，在导频受限的情况下实现更优异的性能。所提出的方法采用了改进的U-Net架构，并结合了变换器模块和交叉注意力机制，将初始信道估计与接收信号强度图结合，从而得到更精确的信道估计结果。通过使用城市环境中的真实光线追踪数据进行的全面评估表明，与现有最佳方法相比，该方法的归一化均方误差降低了5 dB以上，尤其在导频有限的场景中表现优异，而且在不同频率和环境下只需少量微调即可保持良好性能。此外，我们还扩展了该解码器，使其能够进行多步时间预测，从而根据单个估计值准确预测未来的多个信道状态——这对于移动场景中的主动波束成形和调度非常有用。所提出的框架具有较低的计算复杂度，因此适用于中高频段的大规模多输入多输出系统。与黑箱式神经网络方法不同，这种物理信息驱动的设计提供了更具可解释性的信道估计方法。