⚡ electrical engineering

RIS-assisted Multiuser MISO Transmission and the Impact of Imperfect Channel Estimation

Dieser Beitrag schlägt eine gemeinsame Gestaltung von rekonfigurierbaren intelligenten Oberflächen (RIS) und Null-Forcing-(ZF-)Präkodierung für Downlink-mmWave-Mehranwendungs-MISO-Systeme vor, um Rangdefizite und Interferenz zwischen den Anwendern zu mildern, analysiert gleichzeitig die Auswirkungen unvollkommener Kanalschätzung und führt ein robustes Pilotübertragungsschema ein, um die Mehrbenutzerinterferenz auszugleichen.

Ursprüngliche Autoren: Ainna Yue Moreno-Locubiche, Josep Vidal, Antonio Pascual-Iserte, Olga Muñoz

Veröffentlicht 2026-05-12

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ainna Yue Moreno-Locubiche, Josep Vidal, Antonio Pascual-Iserte, Olga Muñoz

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein drahtloses Netzwerk als eine belebte Autobahn vor, auf der ein zentraler Turm (die Basisstation) versucht, gleichzeitig verschiedene Nachrichten an mehrere Autos (die Nutzer) zu senden. In der Zukunft der drahtlosen Technologie (6G) werden diese Türme sehr hochfrequente Signale (mmWave) nutzen, um Daten superschnell zu übertragen. Allerdings sind diese Signale zerbrechlich; sie werden leicht durch Gebäude, Bäume oder sogar dadurch blockiert, dass zwei Autos direkt hintereinander in einer geraden Linie fahren, was es dem Turm erschwert, sie voneinander zu unterscheiden.

Dieser Artikel schlägt eine clevere Lösung vor, die einen „intelligenten Spiegel" namens Reconfigurable Intelligent Surface (RIS) und eine spezifische Art der Verkehrsorganisation namens Zero-Forcing (ZF) Vorcodierung verwendet.

Hier ist die Aufschlüsselung ihrer Ideen unter Verwendung alltäglicher Analogien:

1. Das Problem: Der „Stau" und der „Blind Fleck"

Der Turm möchte gleichzeitig mit mehreren Autos sprechen. Um dies zu tun, ohne dass die Nachrichten durcheinandergeraten (Interferenz), verwendet er eine Technik namens Zero-Forcing. Stellen Sie sich dies wie einen Dirigenten vor, der sicherstellen muss, dass jeder Musiker in einem Orchester seine eigene Note perfekt spielt, ohne die anderen zu übertönen.

Dies funktioniert jedoch in zwei spezifischen Situationen schlecht:

Das „Schatten"-Problem: Wenn sich ein Auto hinter einem hohen Gebäude befindet, ist das Signal zu schwach.
Das „Ausrichtungs"-Problem: Wenn zwei Autos in einer geraden Linie vom Turm weg fahren, können die Antennen des Turms sie nicht voneinander unterscheiden. Es ist wie der Versuch, zwei verschiedene Anweisungen zu zwei Personen zu schreien, die direkt hintereinander stehen; die vordere Person blockiert den Schall für die Person dahinter.

2. Die Lösung: Der „intelligente Spiegel" (RIS)

Die Autoren schlagen vor, einen riesigen, programmierbaren „intelligenten Spiegel" (das RIS) auf einem Gebäude oder einer Säule zu platzieren. Im Gegensatz zu einem normalen Spiegel, der Licht einfach zufällig reflektiert, kann dieser Spiegel so programmiert werden, dass er das Signal genau dorthin biegt und lenkt, wo es hin muss.

Wie es hilft: Wenn sich ein Auto im „Schatten" befindet (durch ein Gebäude blockiert), fängt der Spiegel das Signal ab und lenkt es um die Ecke zum Auto. Wenn zwei Autos in einer geraden Linie ausgerichtet sind, erzeugt der Spiegel einen neuen, gekrümmten Weg für das Signal und „entausrichtet" sie effektiv, damit der Turm mit beiden klar sprechen kann.
Das Ergebnis: Der Spiegel behebt den durch schlechte Geometrie verursachten „Stau" und ermöglicht es der Zero-Forcing-Technik, wieder reibungslos zu funktionieren.

3. Der Haken: Das „Raten" der Karte (Unvollkommene Kanalschätzung)

Um den Spiegel perfekt zu steuern, muss der Turm genau wissen, wo sich die Autos befinden und wie das Signal reflektiert wird. In der realen Welt hat der Turm keine perfekte Karte; er muss basierend auf „Pilot-Signalen" (wie dem Senden eines Test-Pings) raten.

Das Problem: Wenn die Schätzung des Turms leicht falsch ist (unvollkommene Schätzung), versagt die Zero-Forcing-Technik ein wenig. Sie könnte versehentlich eine Nachricht, die für Auto A bestimmt war, an Auto B senden, was zu Verwirrung (Interferenz) führt.
Die Erkenntnis des Artikels: Die Autoren fanden heraus, dass der intelligente Spiegel zwar sehr hilft, aber nicht magisch schlechte Raten korrigiert. Wenn der Turm die Karte falsch rät, sinkt die Leistung. Allerdings entdeckten sie, dass der Spiegel bei korrekter Verwendung helfen kann, die Verwirrung so auszugleichen, dass alle Autos ungefähr den gleichen Fehlerbetrag erleiden, anstatt dass ein Auto eine schreckliche Verbindung erhält, während ein anderes eine gute bekommt.

4. Die „Robuste" Strategie

Der Artikel schlägt eine spezifische Art vor, das System so zu gestalten, dass es auch dann fair bleibt, wenn die Karte des Turms etwas verschwommen ist.

Die Analogie: Stellen Sie sich einen Lehrer vor, der Testblätter verteilt. Wenn der Lehrer die Handschrift der Schüler falsch liest (Schätzfehler), könnten einige Schüler die falschen Fragen erhalten. Die Methode der Autoren stellt sicher, dass das „Falsche" gleichmäßig verteilt wird. Kein einzelner Schüler erhält einen völlig unmöglichen Test; jeder erhält einen etwas schwierigen, was die Gesamtleistung der Klasse stabil hält.

5. Was sie tatsächlich bewiesen haben

Die Autoren haben nicht nur geraten; sie führten Computersimulationen durch, um ihre Punkte zu beweisen:

Hindernisse: Wenn sich ein Auto hinter einem Gebäude befindet, reduziert der intelligente Spiegel die Anzahl der Fehler (Bitfehlerrate) drastisch und macht die Verbindung auch in „toten Zonen" zuverlässig.
Ausrichtung: Wenn Autos in einer geraden Linie aufgereiht sind, erzeugt der Spiegel einen neuen Weg, sodass der Turm mit beiden klar sprechen kann, während die Verbindung ohne den Spiegel versagen würde.
Der Kompromiss: Das Hinzufügen mehrerer „Pixel" zum Spiegel (mehr reflektierende Elemente) hilft sehr, wenn das Signal klar ist, löst das Problem jedoch nicht vollständig, wenn die anfängliche Schätzung der Umgebung durch den Turm sehr schlecht ist.

Zusammenfassung

Kurz gesagt zeigt dieser Artikel, dass die Verwendung eines programmierbaren intelligenten Spiegels zusammen mit einem intelligenten Verkehrscontroller es drahtlosen Netzwerken ermöglicht, schwierige Situationen (wie blockierte Pfade oder ausgerichtete Nutzer) viel besser als zuvor zu bewältigen. Selbst wenn das Netzwerk die Umgebung „raten" muss, hält dieses Setup die Verbindung für alle fair und funktional und verhindert einen totalen Signalversagen an schwierigen Stellen.

Technische Zusammenfassung: RIS-gestützte Mehrbenutzer-MISO-Übertragung und die Auswirkungen unvollkommener Kanalschätzung

Problemstellung
Diese Arbeit behandelt die Herausforderungen der Downlink-(DL-)Mehrbenutzer-Multiple-Input-Single-Output-(MU-MISO-)Übertragung in Millimeterwellen-(mmWave-)Bändern, wobei sich der Fokus speziell auf die Einschränkungen der Zero-Forcing-(ZF-)Präkodierung konzentriert, wenn die Kanalmatrix unter Rangdefizienz leidet. In mmWave-Systemen ist ZF aufgrund sparsamer richtungsabhängiger Kanäle attraktiv zur Unterdrückung von Inter-Benutzer-Interferenz (MUI), doch seine Wirksamkeit wird in zwei spezifischen Szenarien beeinträchtigt:

Signifikante Kanalverstärkungsunterschiede: Wenn Benutzer aufgrund von Entfernung oder Hindernissen stark unterschiedliche Pfadverluste erfahren.
Fernfeld-Ausrichtung: Wenn Benutzer aus der Perspektive der Basisstation (BS) ausgerichtet sind, wodurch die Zeilen der Kanalmatrix nahezu proportional werden.

Darüber hinaus untersucht die Arbeit die Auswirkungen unvollkommener Kanalzustandsinformationen (CSI). Während ZF von perfekter CSI ausgeht, verlassen sich praktische Systeme auf Kanalschätzung (z. B. über Uplink-Piloten), was Fehler einführt. Diese Fehler verschlechtern die Fähigkeit des ZF-Präkodierers, Interferenz zu eliminieren, und führen zu erhöhten Bitfehlerraten (BER) sowie potenziellen Rangdefizienzproblemen, die durch Standard-ZF-Designs nicht gemildert werden. Die Autoren zielen darauf ab, zu bestimmen, ob Rekonfigurierbare Intelligente Oberflächen (RIS) diese Rangdefizienzprobleme mildern können und wie sie unter Bedingungen unvollkommener CSI abschneiden.

Methodik
Die Studie schlägt einen gemeinsamen Entwurfsrahmen für RIS-Phasenverschiebungen und ZF-Präkodierung vor, der sowohl unter perfekter als auch unter unvollkommener CSI analysiert wird.

Systemmodell: Das System besteht aus einer BS mit $M$ Antennen, $K$ Benutzern mit jeweils einer Antenne und einer passiven RIS mit $N_r$ Elementen. Der Gesamtkanal $H$ wird als Summe des direkten BS-Benutzer-Links ( $H_{bu}$ ) und des kaskadierten BS-RIS-Benutzer-Links ( $H_{c} = H_{ru}\Phi H_{br}$ ) modelliert, wobei $\Phi$ die diagonale Reflexionskoeffizientenmatrix ist.
Optimierung unter perfekter CSI: Das Ziel besteht darin, die empfangene Signalleistung zu maximieren (oder äquivalent den Trace der Inversen der effektiven Kanal-Gramm-Matrix zu minimieren), indem die RIS-Phasen $\phi$ optimiert werden. Da keine geschlossene Lösung verfügbar ist, setzen die Autoren einen gradientenbasierten Optimierungsalgorithmus unter Verwendung komplexer Matrixdifferentiation ein. Die Zielfunktion $J = \text{Tr}\{(HH^H)^{-1}\Gamma\}$ wird bezüglich der RIS-Phasen minimiert. Dieser Ansatz ermöglicht es, das RIS-Design und den ZF-Präkodierer zu entkoppeln, wodurch die Notwendigkeit einer alternierenden Optimierung vermieden wird, die typischerweise bei anderen gemeinsamen Designs erforderlich ist.
Kanalschätzung und Fehleranalyse: Die Arbeit übernimmt einen Least-Squares-(LS-)Schätzansatz für den kaskadierten Kanal unter Verwendung von Uplink-Pilotsymbolen. Die Autoren leiten die Varianz des Schätzfehlers ab und analysieren dessen Fortpflanzung in den ZF-Präkodierer.
Auswirkungen unvollkommener CSI: Das empfangene Signal wird so modelliert, dass es Terme enthält, die additive MUI darstellen, die durch Schätzfehler und Amplitudenunsicherheit verursacht werden. Die Autoren leiten eine obere Schranke für die BER unter Verwendung von Chernoff-Schranken für A-QAM-Modulation ab.
Vorschlag für ein robustes Design: Um die Asymmetrie der MUI zu adressieren, die durch Schätzfehler verursacht wird (wobei Benutzer mit schwächeren Kanälen stärker leiden), schlägt die Arbeit eine robuste Designstrategie vor. Dies beinhaltet die Angleichung der MUI über alle Benutzer hinweg durch Anpassung der Pilotübertragungsenergie ( $P_{UL,l}T_l$ ) für jeden Benutzer, um eine faire Leistung trotz Ungenauigkeiten der Kanalschätzung sicherzustellen.

Hauptbeiträge

Entkoppeltes Design: Die Autoren zeigen, dass die ZF-Struktur eine Entkopplung des RIS-Koeffizienten-Designs und des Präkodierer-Designs ermöglicht. Dies eliminiert die Notwendigkeit einer iterativen alternierenden Optimierung und reduziert die rechnerische Komplexität im Vergleich zu gemeinsamen Optimierungsmethoden, die bei MMSE oder anderen Präkodierungsschemata verwendet werden, erheblich.
Gradientenbasierte RIS-Optimierung: Ein gradientenbasierter Algorithmus wird definiert, um das empfangene SNR durch Optimierung der RIS-Phasen zu maximieren, wobei die Theorie der komplexen Matrixdifferentiation genutzt wird. Es wird gezeigt, dass diese Methode rechnerisch skalierbar ist, wobei die Komplexität polynomiell und nicht exponentiell mit der Anzahl der RIS-Elemente skaliert.
Analyse unvollkommener CSI: Die Arbeit liefert eine detaillierte analytische Bewertung, wie Kanalschätzfehler die ZF-Leistung in RIS-gestützten MU-MISO-Systemen verschlechtern. Sie quantifiziert die daraus resultierende MUI und Amplitudenunsicherheit und leitet geschlossene Ausdrücke für obere Schranken der BER ab.
Robustes Pilot-Design: Es wird eine Methode vorgeschlagen, um die Mehrbenutzerinterferenz über die Benutzer hinweg unter Vorhandensein von Kanalfehlern durch Ausbalancieren der Pilotübertragungsenergie zu angleichen, wodurch Fairness und Robustheit verbessert werden.
Szenarioevaluierung: Die Studie validiert die Vorteile von RIS in herausfordernden Szenarien, einschließlich:
- Verdeckung: Benutzer, die durch Hindernisse blockiert sind, wo der direkte Pfad abgeschwächt ist.
- Ausrichtung: Benutzer, die im Fernfeld der BS ausgerichtet sind, was typischerweise Rangdefizienz verursacht.
- Verstärkungsunterschied: Benutzer mit stark unterschiedlichen Kanalverstärkungen.

Ergebnisse
Simulationen wurden mit einer Trägerfrequenz von 30 GHz, 4-QAM-Modulation und verschiedenen Benutzerkonfigurationen (NEAR, OUT, FAR, NEAR-NS) mit und ohne Hindernisse durchgeführt.

Resilienz gegenüber Hindernissen und Ausrichtung: In Szenarien mit Hindernissen oder Benutzerausrichtung (wo der direkte Kanal rangdefizient ist) schneidet die RIS-gestützte Übertragung deutlich besser ab als die direkte Übertragung. Beispielsweise sank die mediane BER im „NEAR"-Konfiguration (Benutzer hinter einem Hindernis) um zwei Größenordnungen mit RIS ( $N_r=1000$ ) im Vergleich zu keinem RIS.
Auswirkungen unvollkommener CSI: Während RIS die Leistung unter perfekter CSI verbessert, verschlechtert die Einführung von Kanalschätzfehlern die Leistung. Selbst bei unvollkommener CSI halten RIS-gestützte Systeme jedoch im Allgemeinen eine niedrigere BER als die direkte Übertragung ohne RIS, sofern ausreichend Pilotsymbole verwendet werden.
Pilot-Overhead vs. Leistung: Eine Erhöhung der Anzahl der Pilotsymbole ( $T$ ) reduziert den Schätzfehler und verbessert die BER. Die Arbeit stellt jedoch fest, dass eine einfache Erhöhung der Anzahl der RIS-Elemente ( $N_r$ ) nicht notwendigerweise die Resilienz gegenüber Kanalschätzfehlern verbessert; die Vorteile größerer RIS-Arrays sind am ausgeprägtesten, wenn der direkte Pfad vorhanden ist oder wenn die Schätzung genau ist.
Mehrbenutzer-Last: Mit zunehmender Anzahl gleichzeitiger Benutzer ( $K$ ) von 2 auf 4 steigt die BER natürlich an. Der relative Vorteil, den die RIS-Unterstützung bietet, wird jedoch bei höheren Benutzerlasten signifikanter, insbesondere in verdeckten Umgebungen.
Robustheit: Das vorgeschlagene robuste Design (Angleichung der Pilotenergie) hilft, die Leistungsunterschiede zwischen Benutzern, die durch Schätzfehler verursacht werden, zu mildern und gewährleistet eine gleichmäßigere BER über den Benutzerkreis hinweg.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass das vorgeschlagene RIS-gestützte ZF-Framework eine praktische und rechnerisch effiziente Lösung für 5G/6G-mmWave-Einsätze bietet, insbesondere in Umgebungen, in denen Rangdefizienz oder Blockaden die ZF-Präkodierung andernfalls unwirksam machen würden.

Die Autoren betonen, dass ihre Arbeit eine Lücke in der bestehenden Literatur schließt, indem sie die Fortpflanzung von Schätzfehlern durch feste lineare Präkodierer (ZF) explizit modelliert und diagnostische Einblicke in Restinterferenzen liefert. Im Gegensatz zu früheren Arbeiten, die sich auf Optimierung unter idealer CSI oder statistischen Annahmen konzentrieren, bietet diese Studie ein robustes Design, das den Realitäten von Kanalschätzfehlern Rechnung trägt. Die Ergebnisse deuten darauf hin, dass der Einsatz passiver RIS eine tragfähige Strategie ist, um die Abdeckung und Makrodiversität zu verbessern und eine zuverlässige Kommunikation für Benutzer in beschatteten Bereichen oder ausgerichteten Positionen zu ermöglichen, vorausgesetzt, die Kanalschätzung wird durch ein geeignetes Pilot-Design gemanagt.

Die Arbeit schließt bescheiden, indem sie feststellt, dass der aktuelle Rahmen zwar auf ZF fokussiert ist, zukünftige Arbeiten jedoch andere Präkodierungsstrategien (MMSE, Hybrid) und fortschrittliche RIS-Architekturen (z. B. STAR-RIS) untersuchen werden, um die Trade-offs zwischen Komplexität und Leistung in dynamischen Umgebungen weiter zu optimieren.