《Electronics》：A Survey of Intelligent Methods Under Inadequate Pilots in 5G/6G MIMO Systems: Pilot-Domain Mitigation, Channel Estimation, and Receiver Processing
编辑推荐：
在大规模多输入多输出（MIMO）系统中，导频不足可能导致导频复用，从而降低信道估计精度，同时过少的接收导频观测样本也会导致干扰加噪声协方差估计不准确。这些估计误差会进一步损害下游干扰抑制和数据检测的性能。研究人员已开发出基于学习的方法用于导频分配、信道估计和接
在大规模多输入多输出（MIMO）系统中，导频不足可能导致导频复用，从而降低信道估计精度，同时过少的接收导频观测样本也会导致干扰加噪声协方差估计不准确。这些估计误差会进一步损害下游干扰抑制和数据检测的性能。研究人员已开发出基于学习的方法用于导频分配、信道估计和接收机处理，但这些方法通常被单独研究。本综述根据基于学习的方法在信号处理链中的应用位置组织近期研究：导频域缓解、受污染或有限导频下的智能信道估计，以及受污染或有限导频下的智能接收机处理。研究人员还按学习方法对研究进行分类，并使用同一套评估标准进行比较。在所调查的论文中，性能采用不同指标进行评估。许多研究缺乏在变化信道或系统条件下的评估，也未全面报告计算复杂度、内存使用和延迟等实现成本。在满足筛选标准的研究中，没有一项直接探讨在仅有有限导频观测样本可用时，针对干扰抑制合并（IRC）接收机进行基于学习的干扰加噪声协方差矩阵估计。基于这些发现，研究人员提出了一套最低基准测试要求，并指出轻量级在线自适应、联合处理、面向IRC接收机的基于学习协方差估计，以及面向新兴第六代（6G）系统的大规模阵列架构鲁棒处理，是未来研究方向。
论文解读文章
**研究背景与问题**
随着第五代（5G）向第六代（6G）通信系统的演进，对更高吞吐量、更广连接、更高可靠性和更低延迟的需求日益增长。大规模多输入多输出（MIMO）及超大规模MIMO（XL-MIMO）采用大型天线阵列以支持更高效的空间复用和更精细的空间分辨率，而无小区MIMO则通过分布式接入点协同服务用户。然而，有限的相干间隔限制了正交导频数量。当用户密度和网络连接性增加时，为所有用户分配正交导频变得困难，导频复用或非正交导频分配成为必要，这导致导频污染和信道估计精度下降。此外，当接收机仅从少量接收导频样本估计干扰加噪声协方差矩阵时，协方差估计可能不准确，进一步降低下游干扰抑制和数据检测性能。传统基于模型的方法难以适应时变信道和导频不足条件，而基于学习的方法能够从训练数据中学习非线性关系和决策规则，因此被广泛研究。为系统梳理这些方法，研究人员开展了本综述，旨在填补现有研究在跨阶段比较、评估标准统一性及特定问题（如基于学习的协方差估计）方面的空白。论文发表在《Electronics》。
**关键方法**
研究人员采用文献搜索与筛选程序，从IEEE Xplore、Scopus和Web of Science数据库共460篇出版物中，基于标题、摘要和全文评估，最终选取24篇符合标准的研究（2021–2026年）。这些研究按信号处理链中的三个阶段分类：导频域缓解（10篇）、信道估计（9篇）和接收机处理（5篇）。研究人员使用统一评估标准进行比较，包括系统与导频设置、评估指标、学习方法、训练数据、信息需求、计算复杂度、部署需求和鲁棒性。此外，还按学习范式（如监督学习、强化学习、无监督学习、模型-数据混合方法）对研究进行二次分类。
**研究结果**
**4. 智能导频域缓解（Class I）**
该类别研究通过优化导频分配和复用策略来缓解导频污染。分为三组：
- **4.1 基于学习的导频复用与重分配策略**：Masood [27]采用监督卷积神经网络（CNN）以用户对信道向量为输入，判断是否可复用同一导频；Li等 [28]使用朴素贝叶斯分类器，基于大尺度衰落系数和到达角（AoA）区间重叠作为输入特征；Omid等 [23]采用深度Q学习迭代重分配导频，基于污染成本确定奖励。这些方法在输入特征、训练标签和输出用途上存在差异。
- **4.2 图与聚类辅助导频分配**：Zhao等 [29]基于用户间欧氏距离聚类；Ribeiro等 [30]和Shaikh等 [31]利用信道图表（channel charting）进行导频分配；Rehman等 [32]使用禁忌搜索和MLP预测有益交换；Zhao等 [33]构建导频污染图，采用图神经网络（GNN）自编码器进行无监督聚类。
- **4.3 多智能体与分布式导频分配**：Rahmani等 [35]将每个导频对应的用户组视为智能体，使用多智能体深度Q网络（DQN）进行中心化训练与去中心化执行；Oh等 [36]将每个O-RAN分布式单元（O-DU）关联一个DQN智能体，通过消息传递和码本搜索实现分布式导频分配。
**跨类比较**：10项研究中8项报告了网络级指标，6项报告了信道估计指标，但仅1项报告了符号检测指标。多数研究未在变化条件下评估，且实现成本报告不一致。
**5. 受污染或有限导频下的智能信道估计（Class II）**
该类研究从受污染、稀疏或量化导频观测中恢复信道信息。分为三组：
- **5.1 导频污染与非正交导频下的信道估计**：Hirose等 [24]学习从受污染LS估计到期望信道的直接映射；Kasibovic等 [37]使用变分自编码器（VAE）推断期望和干扰信道分布的均值和协方差；Cao等 [38]用U-Net去噪器替换正交近似消息传递（OAMP）中的非线性去噪模块。
- **5.2 多阶段信道细化**：Hirose等 [39]使用两个CNN，分别细化LS估计和利用检测数据符号作为伪导频；Hejazi等 [40]用U-Net细化LS估计，并用生成对抗网络（GAN）扩充训练集；Jiang等 [41]结合模型驱动去噪、数据驱动导频插值和低复杂度在线细化。
- **5.3 稀疏或量化导频下的信道重建**：Guo等 [42]在统一展开框架中比较CNN、生成式预训练变换器（GPT）风格和冻结基础模型先验，发现基础模型先验在导频比降至1%时仍具鲁棒性；Zhang和Chen [43]提出双阶自适应ISTA网络（DoA-ISTA-Net）处理高移动性场景；Rahman等 [44]使用双向长短期记忆网络（BiLSTM）学习1-bit量化测量到信道的映射。
**跨类比较**：所有9项研究报告了估计级性能，但仅1项报告了误比特率（BER），1项报告了网络级频谱效率。训练和实现方式差异显著。
**6. 受污染或有限导频下的智能接收机处理（Class III）**
该类研究直接执行干扰抑制或符号检测，分为两类：
- **6.1 联合信道恢复与数据检测**：Victor等 [25]使用全卷积神经网络（FCNN）细化LS估计，再通过展开投影梯度下降（PGD）检测器恢复符号；Zhang等 [46]开发广义期望最大化（GEM）框架，联合迭代进行信道估计和信号检测，M步使用可训练投影梯度（TPG）检测器。
- **6.2 无需CSI细化的均衡与检测**：DeepRx MIMO [47]使用解调参考信号（DMRS）和内插信道估计作为残差网络（ResNet）接收机输入，直接训练；Zecchin等 [48]将导频、量化接收信号等组织成提示，用于无单元多用户MIMO的上下文学习（ICL）；Korpi等 [49]完全消除导频，联合学习流特定星座和DeepRx型接收机。
**跨类比较**：5项研究均报告了接收机级性能，但无网络级指标。导频假设不同，复杂性报告不一致。值得注意的是，未发现基于学习从有限导频样本估计干扰加噪声协方差矩阵用于IRC接收机的研究。
**讨论与结论**
**比较分析与研究空白**：
三类方法在评估范围上存在明显差异：导频域研究更常报告网络级性能，信道估计研究主要关注估计精度，接收机处理研究未报告网络级指标。所有研究均未同时报告可训练参数、浮点运算次数（FLOPs）、内存、端到端延迟、能耗和硬件验证。研究人员提出最低基准测试要求，包括清晰指定系统与导频条件、报告接收机性能、测试在不同条件下的鲁棒性及实现成本。基于证据的研究空白包括：评估局限于单一阶段、鲁棒性和自适应评估不一致、缺乏基于学习的IRC接收机协方差估计、实现成本报告不一致。
**翻译研究结论**：
本综述回顾了面向大规模MIMO系统导频不足的基于学习方法，将现有文献分为三类：导频域缓解、智能信道估计和智能接收机处理。研究人员从多个维度（包括系统和导频设置、评估指标、学习与训练策略、信息需求、计算复杂度、部署需求和鲁棒性）对调查的研究进行比较。比较显示三类研究在评估范围上存在明显差异：导频域研究更常报告网络级性能，信道估计研究主要关注估计精度，且所调查的接收机处理研究未报告网络级指标。文献搜索还表明，需要进一步研究在仅有有限导频观测样本可用时，面向IRC接收机的基于学习干扰加噪声协方差矩阵估计。此外，文献中鲁棒性和实际实现成本的报告不一致。为促进更一致的跨研究比较，研究人员提出了一套最低基准测试要求。基于这些发现，未来研究应进一步探索轻量级在线自适应、跨阶段联合处理、面向IRC接收机的基于学习协方差估计，以及面向新兴6G系统的大规模阵列架构鲁棒处理。
