Uplink Channel Estimation for Multi-User MISO Systems Assisted by a Fluid Reconfigurable Intelligent Surface

Technischer Überblick: Uplink-Kanalschätzung für Multi-User-MISO-Systeme mit Unterstützung durch eine Fluid-Rekonfigurierbare Intelligente Oberfläche

Problemstellung
Fluid-Rekonfigurierbare Intelligente Oberflächen (FRIS) stellen ein aufkommendes Paradigma dar, bei dem reflektierende Elemente ihre effektiven Strahlungspositionen dynamisch aus einem dichten voreingestellten Gitter auswählen können. Dies bietet im Vergleich zu herkömmlichen RIS eine räumliche Diversität mit weniger physikalischen Elementen. Für die Nutzung dieser Gewinne ist jedoch eine genaue Kanalzustandsinformation (CSI) entscheidend. Während die Kanalschätzung (CE) in herkömmlichen RIS-Systemen durch Hardware-Unvollkommenheiten herausgefordert wird, sehen sich FRIS-unterstützte Systeme zusätzlichen Komplexitäten aufgrund der kaskadierten bilinearen Kanalstruktur und, entscheidend, Positionunsicherheiten gegenüber. Diese Unsicherheiten entstehen durch Kalibrierungsungenauigkeiten oder Bewegungsfehler und führen zu Abweichungen zwischen befohlenen und realisierten Elementpositionen. Nach bestem Wissen der Autoren wurde die CE für FRIS-unterstützte Systeme unter solchen Positionunsicherheiten in der Literatur bisher nicht untersucht.

Methodik
Der Artikel schlägt einen CE-Rahmen für ein Multi-User-Uplink-MISO-System vor, bei dem $Q$ Benutzer mit einer einzelnen Antenne über eine FRIS mit $M$ fluiden Elementen mit einer Basisstation (BS) kommunizieren. Das System arbeitet unter einem FRIS-Konfigurationsprotokoll mit zwei Zeitskalen:

1. Phasenverschiebungen: Elektronische Phasenverschiebungen ($\phi$) bleiben über $K$ Blöcke innerhalb eines Subrahmens konstant, variieren jedoch zwischen den Subrahmen.
2. Elementpositionen: Gesteuerte Reflexionspositionen ($t$) variieren zwischen den Blöcken, werden jedoch über die Subrahmen wiederholt.

Das empfangene Signal wird als Tensor vierter Ordnung modelliert, der eine Parallel-Factor-Zerlegung (PARAFAC) zulässt. Die Autoren behandeln zwei unterschiedliche Szenarien:

• Szenario 1: Perfekte Bewegungsrealisierung (Idealisiert)
  Unter der Annahme, dass die realisierten Positionen mit den befohlenen übereinstimmen, besteht das Ziel darin, die einzelnen Kanäle ($G$ und $H$) bei bekannten Bewegungs- ($T$) und Phasen- ($\Phi$) Matrizen zu schätzen. Die Autoren formulieren ein Problem der kleinsten Quadrate (LS) und nutzen eine Khatri-Rao-Faktorisierung (KRF), um die kombinierte Kanalschätzung ($\hat{\Theta}$) in einzelne Kanalbestandteile ($G$ und $H$) zu entkoppeln. Dieser Ansatz nutzt die Denoising-Eigenschaften der KRF.

• Szenario 2: Bewegungsunsicherheit (Realistisch)
  Wenn Positionsabweichungen aufgrund von Bewegungsfehlern auftreten, wird die Bewegungsmatrix $T$ als unbekannt behandelt. Die Autoren schlagen einen gemeinsamen Schätzrahmen vor, um gleichzeitig die Bewegungsmatrix $T$ sowie die Kanalmatrizen $G$ und $H$ zu rekonstruieren.

  • Das Problem wird als Minimierung des Fehlers zwischen den beobachteten Daten und einem Modell formuliert, das das Khatri-Rao-Produkt von $T$, $G^T$ und $H$ beinhaltet.
  • Die Lösung verwendet eine mehrdimensionale LS-Khatri-Rao-Faktorisierung. Insbesondere werden die Spalten des geschätzten kombinierten Tensors als Tensors vom Rang eins approximiert.
  • Eine rang-eins abgeschnittene Higher-Order-Singular-Value-Decomposition (HOSVD) wird angewendet, um die dominanten Singulärvektoren zu extrahieren, was die Schätzungen für $\hat{T}$, $\hat{G}$ und $\hat{H}$ liefert.

Hauptbeiträge

1. Neuer Rahmen: Diese Arbeit stellt den ersten bekannten CE-Rahmen für FRIS-unterstützte Systeme vor, der Element-Positionunsicherheiten explizit berücksichtigt.
2. Tensor-Modellierung: Die Autoren leiten eine algebraische Lösung in geschlossener Form basierend auf der Tensor-Modellierung (PARAFAC-Zerlegung) ab, die sowohl die Dynamik der Reflexionsphasenverschiebung als auch der Elementbewegung erfasst.
3. Gemeinsamer Schätzalgorithmus: Es wird ein spezifischer Algorithmus vorgeschlagen, um die durch Bewegung induzierten Phasenkoeffizienten und die einzelnen Kanalmatrizen gemeinsam zu schätzen, wodurch die Herausforderung unbekannter Positionsabweichungen angegangen wird.
4. Analyse zweier Szenarien: Der Artikel vergleicht systematisch die Leistung unter idealisierter Bewegung (wobei $T$ bekannt ist) versus realistischer Bewegungsunsicherheit (wobei $T$ blind/unbekannt ist).

Ergebnisse zur Leistung
Numerische Simulationen bewerten den Normalisierten Mittleren Quadratischen Fehler (NMSE) des kombinierten Kanals unter variierenden Signal-zu-Rausch-Verhältnissen (SNR) und Größenordnungen von Positionsfehlern ($\sigma_{pos}$):

• Ideale Bewegung: In Abwesenheit von Bewegungsfehlern übertrifft die vorgeschlagene KRF-Methode Standard-LS-Methoden und nähert sich der Leistung klassischer statischer RIS-Systeme an, wobei sie von der Entkopplung und den Denoising-Fähigkeiten der KRF profitiert.
• Bewegungsunsicherheit: Wenn Positionsfehler vorliegen (z. B. $\sigma_{pos} = \lambda/20$), leiden Methoden, die diese Fehler ignorieren (unter Verwendung von $T$ mit Abweichungen), unter einer signifikanten Leistungsverschlechterung. Die vorgeschlagene gemeinsame Schätzmethode bleibt robust, mildert den Einfluss unbekannter Bewegungsabweichungen effektiv ab und erreicht Leistungsniveaus, die mit dem idealisierten Bewegungsfall und den Benchmarks statischer RIS vergleichbar sind.
• Robustheit: Die vorgeschlagene Methode zeigt Resilienz gegenüber steigenden Niveaus von Positionsfehlern, wohingegen Schemata, die die Bewegungsschätzung vernachlässigen, ihre Genauigkeit nicht aufrechterhalten können.

Bedeutung und Behauptungen
Der Artikel behauptet, dass eine genaue Kanalschätzung in FRIS-Systemen grundlegend durch Positionunsicherheiten behindert wird, ein Faktor, der in der Literatur bisher unbeachtet blieb. Durch die Einführung eines Protokolls mit zwei Zeitskalen und eines tensorbasierten gemeinsamen Schätzrahmens demonstrieren die Autoren, dass eine genaue CSI auch dann erreichbar ist, wenn die Elementpositionen von den befohlenen Werten abweichen. Die Arbeit unterstreicht, dass die Behandlung der Bewegungsmatrix als unbekannte Variable, die gemeinsam geschätzt werden muss, entscheidend ist, um die Systemleistung in realistischen Einsatzszenarien aufrechtzuerhalten, in denen Kalibrierungs- und Bewegungsfehler unvermeidbar sind. Die Autoren weisen darauf hin, dass die vollständige Version des Artikels die Identifizierbarkeitsbedingungen, die rechnerische Komplexität und den Einfluss von Systemparametern (Anzahl der Elemente und Benutzer) weiter ausführen wird.