⚡ electrical engineering

Site-Specific Beamforming for Full-Duplex Massive MIMO Systems via Implicit Channel Estimation

Dieser Beitrag schlägt einen standortspezifischen Deep-Learning-Rahmen vor, der eine implizite Kanalabschätzung mittels maßgeschneiderter Sondierungsstrahlen nutzt, um eine effiziente Strahlformung für voll-duplexe massive MIMO-Systeme zu entwerfen, wodurch die prohibitiven Messkosten einer expliziten Abschätzung des Selbstinterferenzkanals überwunden und gleichzeitig traditionelle Methoden in verschiedenen Szenarien übertroffen werden.

Ursprüngliche Autoren: Samuel H. Li, Ian P. Roberts

Veröffentlicht 2026-05-22

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Samuel H. Li, Ian P. Roberts

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 einen belebten Funkmast (eine Basisstation) vor, der etwas sehr Schwieriges tun möchte: mit einem Telefon sprechen und gleichzeitig ein anderes Telefon zur exakt gleichen Zeit auf exakt derselben Frequenz abhören.

In der Welt der drahtlosen Kommunikation nennt man dies Vollduplex. Es ist wie ein Mensch, der versucht, eine Botschaft zu einem Freund zu schreien und gleichzeitig einem anderen Freund zuzuhören, der zurückflüstert, und zwar alles, ohne dass das Schreien das Flüstern übertönt.

Das größte Problem? Das eigene „Schreien" (Senden) des Mastes erzeugt ein massives Echo, das das „Flüstern" (Empfangen) übertönt. Dies nennt man Selbststörung.

Der alte Weg: Der „blinde Vermesser"

Traditionell versucht der Mast, um dieses Echo zu stoppen, jeden einzelnen Pfad zu kartografieren, den der Schall von seinen eigenen Lautsprechern zu seinen eigenen Mikrofonen nehmen könnte.

Das Problem: Wenn der Mast Hunderte von Antennen hat, ist die Anzahl der zu kartografierenden Pfade astronomisch (wie der Versuch, jedes Sandkorn an einem Strand zu zählen).
Die Kosten: Um diese Karte zu erhalten, muss der Mast das Sprechen und Zuhören stoppen, um Tausende von Messungen durchzuführen. Bis er mit der Kartierung fertig ist, hat sich die Umgebung verändert, und die Daten sind unbrauchbar. Es ist wie der Versuch, eine Karte einer Stadt zu zeichnen, während sich die Gebäude ständig bewegen; man verbringt so viel Zeit mit dem Zeichnen, dass man tatsächlich nirgendwohin fährt.

Der neue Weg: Der „kluge Detektiv"

Diese Arbeit schlägt einen intelligenteren, schnelleren Ansatz vor, der Künstliche Intelligenz (Deep Learning) verwendet. Anstatt den gesamten Strand zu kartografieren, lernt die KI, nur wenige, sehr strategische „Schnüffeltests" durchzuführen, um herauszufinden, woher das Echo kommt.

So funktioniert ihre Lösung, aufgeschlüsselt in einfache Schritte:

1. Das standortspezifische Training (Der „lokale Experte")

Das KI-Modell wird speziell für einen Standort trainiert (wie einen bestimmten Stadtblock oder Campus). Es lernt die „Persönlichkeit" dieser Umgebung – wo die Gebäude stehen, wo die Autos parken und wie der Schall von ihnen abprallt.

Analogie: Stellen Sie sich einen lokalen Führer vor, der eine Stadt so gut kennt, dass er genau weiß, welche Gassen ruhig und welche laut sind. Er muss nicht jede Straße abgehen, um zu wissen, wo der Lärm ist; er muss nur ein paar Schlüsselstellen überprüfen.

2. Die „Sondierungs"-Strahlen (Die „Taschenlampe")

Anstatt anzuhalten, um alles zu kartografieren, sendet der Mast eine winzige, clevere Sequenz von Signalen (Sondierungsstrahlen) aus, die von der KI entworfen wurden.

Wie es funktioniert: Da die KI die Umgebung kennt, richtet sie diese „Taschenlampen" nur auf die spezifischen Ecken, in denen das Echo für die spezifischen Personen, mit denen sie sprechen möchte, wahrscheinlich stark ist.
Das Ergebnis: Es werden nur eine Handvoll Messungen (z. B. 16) benötigt statt Tausender. Es ist wie das Überprüfen der Temperatur in ein paar Schlüsselräumen eines Hauses, um zu wissen, ob das ganze Haus heiß ist, anstatt jede einzelne Wand zu messen.

3. Die „dienenden" Strahlen (Die „Geräuschunterdrückungs-Kopfhörer")

Sobald die KI diese wenigen Messungen hat, berechnet sie sofort die perfekten Einstellungen für die Antennen des Mastes.

Die Magie: Sie formt das ausgehende Signal so, dass es weg von den eigenen Mikrofonen des Mastes gerichtet ist (wodurch eine „räumliche Null" oder eine Stillezone entsteht), während es gleichzeitig das Telefon laut und klar erreicht. Gleichzeitig formt es die Empfangsantenne so, dass sie die eigene Stimme des Mastes ignoriert und nur den Freund hört.
Die Analogie: Es ist wie das Aufsetzen von High-Tech-Geräuschunterdrückungs-Kopfhörern, die genau wissen, wie Ihre eigene Stimme klingt, sodass sie diese perfekt auslöschen können, damit Sie die Person neben sich klar hören können.

Warum dies ein Game-Changer ist

Die Arbeit zeigt, dass dieser Ansatz des „klugen Detektivs" die Methode des „blinden Vermessers" in zwei wesentlichen Punkten schlägt:

Geschwindigkeit und Effizienz: Es wird eine bessere Leistung mit einem winzigen Bruchteil der Messungen erreicht. Während die alte Methode möglicherweise 256 Messungen benötigt, um die Störung zu kartografieren, erzielt diese neue Methode mit nur 16 bessere Ergebnisse.
Skalierbarkeit: Wenn die Masten größer werden (durch Hinzufügen weiterer Antennen), wird die alte Methode immer langsamer, da sie immer mehr messen muss. Die neue Methode wird hingegen besser, je größer der Mast wird, da die KI die zusätzlichen Antennen nutzen kann, um noch präziser zu sein, ohne zusätzliche Messungen zu benötigen.

Das Fazit

Diese Arbeit präsentiert einen Weg, um 5G- und zukünftige 6G-Netze deutlich schneller und effizienter zu machen. Indem wir eine spezialisierte KI verwenden, die die lokale Umgebung kennt, können wir Masten gleichzeitig sprechen und zuhören lassen, ohne dass sie durch ihr eigenes Rauschen verwirrt werden, und das alles, ohne Zeit mit unnötigen Messungen zu verschwenden. Ein „verbotenes" Problem (zu viele Daten zum Messen) wird durch die Intelligenz darüber, was wir messen, in ein handhabbares verwandelt.

Technische Zusammenfassung: Standortspezifisches Beamforming für Voll-Duplex-Massive-MIMO-Systeme mittels impliziter Kanalschätzung

Problemstellung
Der Voll-Duplex-Betrieb (FD) in Massive-Multiple-Input-Multiple-Output-(MIMO)-Basisstationen verspricht erhebliche Gewinne bei Durchsatz, Latenz und spektraler Effizienz, indem eine gleichzeitige Übertragung und Empfang auf derselben Frequenz ermöglicht wird. Diese Fähigkeit wird jedoch erheblich durch Selbstinterferenz (SI) behindert, bei der der Sender der Basisstation in ihren eigenen Empfänger einkoppelt. Ein effektives Beamforming zur Eliminierung dieser SI erfordert typischerweise Kenntnis der hochdimensionalen SI-Kanalmatrix $\mathbf{H}$ . In der Praxis ist eine explizite Schätzung von $\mathbf{H}$ prohibitiv teuer; für ein System mit $N_t$ Sende- und $N_r$ Empfangsantennen skaliert der Messaufwand mit $O(N_t N_r)$ . In schnell veränderlichen Fading-Umgebungen oder bei großen Antennenarrays verbraucht dieser Aufwand einen signifikanten Teil der Kohärenzzeit und untergräbt die potenziellen Gewinne des FD-Betriebs. Bestehende Lösungen gehen entweder von perfekter Kanalzustandsinformation (CSI) aus oder verlassen sich auf heuristische Suchverfahren, die sich bei mehreren Nutzern nicht gut skalieren lassen oder die vollen räumlichen Freiheitsgrade nicht ausschöpfen.

Methodik
Die Autoren schlagen ein neuartiges Framework vor, das FD-Sende- und Empfangsstrahlen unter Verwendung von implizitem Kanalknowledge entwirft, das aus einer geringen Anzahl von Messungen gewonnen wird, anstatt eine explizite Schätzung der gesamten $\mathbf{H}$ -Matrix vorzunehmen. Der Ansatz ist um drei Hauptphasen strukturiert:

Nutzerakquise: Das System geht davon aus, dass bestehende Mechanismen (z. B. Strahlausrichtung) Kenntnis der Downlink- und Uplink-Nutzerkanäle bereitstellen.
Implizite SI-Abtastung: Ein Deep-Learning-Modell, speziell eine transformerbasierte Architektur, entwirft eine Menge von $M$ Abtaststrahl-Paaren. Diese Strahlen werden von der Basisstation abgetastet, um $M$ Messungen des Selbstinterferenzkanals zu sammeln. Entscheidend ist, dass diese Abtaststrahlen auf die spezifische Einsatzumgebung und die Gruppe der $K$ zu bedienenden Nutzerpaare zugeschnitten sind. Das Modell lernt, nur die Teile von $\mathbf{H}$ abzutasten, die für die spezifischen Nutzer am relevantesten sind, und nutzt dabei Korrelationen innerhalb der Nutzergruppe.
Synthese der Bedienungstrahlen: Unter Verwendung der $M$ Abtastmessungen und der Nutzerkanalinformationen synthetisiert das Modell die finalen Sende- und Empfangsstrahlen. Diese Strahlen sind so ausgelegt, dass sie die Summen-spektrale Effizienz (SSE) maximieren und gleichzeitig die SI-Kopplung minimieren.

Die Lösung wird in einer standortspezifischen Weise mittels durchgängigem unüberwachtem Lernen trainiert. Das Modell wird auf Kanaldaten trainiert (in dieser Arbeit abgeleitet aus Ray-Tracing-Simulationen), die für eine bestimmte Umgebung spezifisch sind (z. B. ein Campus-Plaza). Dies ermöglicht dem Modell, die zugrunde liegende Struktur der Umgebung (Streuobjekte, Blockaden) und deren Einfluss sowohl auf die Nutzerkanäle als auch auf die SI zu erlernen, wodurch es effektiv generalisieren kann, ohne explizite CSI zu benötigen.

Hauptbeiträge

Implizites Schätzframework: Die Arbeit stellt eine Methode vor, um FD-Strahlen zu entwerfen, ohne die vollständige SI-Matrix $\mathbf{H}$ explizit zu schätzen, und umgeht damit den Messengpass der $O(N_t N_r)$ .
Transformerbasiertes Deep Learning: Die Autoren entwickeln ein Multi-Modul-Transformer-Modell (Nutzer-Encoder, Abtaststrahl-Synthesizer, Bedienungstrahl-Synthesizer), das die Abtaststrategie und die finale Beamforming-Richtlinie gemeinsam optimiert.
Skalierbarkeit für mehrere Nutzer: Im Gegensatz zu früheren heuristischen Suchmethoden, die für jedes Nutzerpaar eine erneute Abtastung erfordern, ermöglicht dieser Ansatz, dass ein einziger Satz von $M$ Abtastmessungen eine kohärente Gruppe von $K$ Nutzerpaaren bedient, wobei Kanal-Korrelationen für eine günstige Skalierung genutzt werden.
Standortspezifische Anpassung: Das Modell ist auf spezifische Umgebungs-Einsätze zugeschnitten und nutzt lokale Ausbreitungseigenschaften aus, um die erforderliche Anzahl von Messungen zu reduzieren.

Ergebnisse
Simulationen unter Verwendung von Ray-Tracing-Daten in einem 28-GHz-Massive-MIMO-Szenario (UCLA Westwood Plaza) zeigen Folgendes:

Leistung vs. Overhead: Das vorgeschlagene Schema erzielt eine höhere effektive Summen-spektrale Effizienz (unter Berücksichtigung des Messaufwands) im Vergleich zu Baselines, einschließlich Linearer Minimum-Mean-Square-Error-(LMMSE)-Schätzung und Schemata, die von perfekter CSI ausgehen (Vektor-/Matrix-CSI).
Mess-Effizienz: In Szenarien mit 16 Sende- und 16 Empfangsantennen kann die vorgeschlagene Methode über 80 % der Voll-Duplex-Kapazität für acht Nutzerpaare bereitstellen, wobei nur $M=16$ Abtastmessungen verwendet werden. Im Gegensatz dazu erfordern explizite Schätz-Baselines deutlich mehr Messungen (z. B. 256 für Matrix-CSI) und liefern oft aufgrund des Overheads eine geringere effektive Leistung.
Skalierbarkeit: Der Ansatz skaliert elegant auf größere Antennenarrays (bis zu 16x16). Während die Leistung der Baselines mit steigender Antennenzahl aufgrund des quadratischen Wachstums des Messaufwands abnimmt, behält die vorgeschlagene Methode ihre Leistung bei oder verbessert sie, da die zusätzlichen Freiheitsgrade genutzt werden, ohne die Messkosten zu erhöhen.
Robustheit: Die Methode funktioniert über verschiedene Rician-Faktoren ( $\kappa$ ) hinweg gut und passt ihre Abtaststrategie basierend auf der Determiniertheit der LOS-Komponente an.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass dieser Ansatz einen praktischen Weg zur Realisierung von Voll-Duplex-Massive-MIMO-Systemen, insbesondere für 6G, bietet, indem er den Kompromiss zwischen Selbstinterferenzunterdrückung und Messaufwand auflöst. Die Autoren behaupten, dass durch den Einsatz von Deep Learning, um die Kanalstruktur implizit aus einer spärlichen Menge maßgeschneiderter Messungen zu erlernen, das System die „bestmögliche" Leistung expliziter Schätzverfahren übertreffen kann, wenn der Overhead berücksichtigt wird. Die Arbeit hebt hervor, dass standortspezifisches Training es dem System ermöglicht, Umgebungsmerkmale auszunutzen, um das Abtastbudget zu minimieren, wodurch der FD-Betrieb auch bei großen Antennenarrays machbar wird, wo traditionelle Schätzung unlösbar ist. Die Autoren weisen darauf hin, dass zukünftige Arbeiten dies auf frequenzselektive Kanäle oder Anwendungen der integrierten Sensorik und Kommunikation (ISAC) erweitern könnten.