Measurement-Driven Learning-Based Beam Selection for Hybrid Beamforming at 26.5 GHz

Resumen Técnico: Selección de Haz Basada en Aprendizaje y Dirigida por Mediciones para Beamforming Híbrido a 26.5 GHz

Planteamiento del Problema
Las comunicaciones de ondas milimétricas (mmWave) ofrecen altas tasas de datos pero sufren una alta sensibilidad a los bloqueos y al desalineamiento de haces, particularmente en entornos interiores con mucha dispersión. Mientras que las arquitecturas de beamforming híbrido equilibran el rendimiento y la complejidad del hardware combinando el procesamiento digital de banda base con el direccionamiento de haces de RF analógico, la selección de configuraciones de transmisión de haz óptimas sigue siendo un desafío significativo. El barrido exhaustivo de haces tradicional introduce una sobrecarga sustancial, lo cual es impráctico para escenarios interiores dinámicos. Las soluciones existentes basadas en aprendizaje a menudo dependen de modelos de sistema simplificados (por ejemplo, un solo usuario, una sola cadena de RF) o suposiciones de banda estrecha, lo que limita su aplicabilidad a sistemas de transmisión conjunta de banda ancha y múltiples puntos generalizados.

Metodología
Los autores abordan estos desafíos mediante un enfoque dirigido por mediciones utilizando un banco de pruebas de Radio Definida por Software (SDR) sincronizado que opera a 26.5 GHz en un entorno realista de pasillo de oficina. La configuración experimental cuenta con dos transmisores sincronizados (que actúan como Unidades de Radio montadas en la pared) equipados con arreglos de antenas de parche microstrip de 4×4 y un Equipo de Usuario (UE) móvil con una antena de bocina de ganancia estándar. El sistema emplea una forma de onda OFDM de 160 MHz con capacidades de beamforming híbrido, lo que permite la transmisión coordinada de múltiples puntos.

El estudio formula la selección de haces como un problema de aprendizaje supervisado destinado a aproximar la configuración de haz óptima de la Relación Señal-Ruido (SNR) obtenida mediante un barrido exhaustivo. Se examinan dos enfoques de aprendizaje distintos:

1. Red Neuronal Profunda (DNN) Dirigida por la Geometría: Este enfoque trata la selección de haces como un problema de clasificación multiclase. Las características de entrada consisten en datos espaciales y de orientación (coordenadas del receptor, coordenadas del transmisor, distancia euclidiana y orientación del receptor). Una DNN totalmente conectada mapea estas características al índice del haz de transmisión óptimo para cada Unidad de Radio (RU). Se evalúan varias arquitecturas, que van desde Redes Neuronales Artificiales (ANN) poco profundas hasta DNN más profundas con hasta cuatro capas ocultas.
2. Regresión de Mapa de SNR Basada Solo en Pilotos: Este enfoque opera sin información geométrica explícita. En su lugar, depende de un conjunto limitado de haces piloto sondeados (un subconjunto del código completo). El método extrae características robustas a la fase de las respuestas de canal complejas de estos pilotos (incluyendo magnitudes normalizadas, fase diferencial y magnitudes de la Respuesta al Impulso del Canal). Un modelo de regresión predice el mapa de SNR de banda ancha completa a través de todo el código de haces para cada RU. El haz óptimo se selecciona como el argmax del vector de SNR predicho.

Contribuciones Clave

• Conjunto de Datos del Mundo Real: El artículo presenta un conjunto de datos exhaustivo recolectado de un banco de pruebas SDR sincronizado en un entorno de oficina desafiante caracterizado por bloqueos y reflexiones fuertes, proporcionando una base realista para la gestión de haces basada en datos.
• Modelo de Sistema: Se formula un modelo de sistema extendido para capturar la interacción entre la precodificación digital y el beamforming analógico en un escenario de transmisión conjunta de banda ancha y múltiples RU, incluyendo la derivación de la respuesta del canal en el dominio de la frecuencia y los objetivos de maximización de la tasa total.
• Marco de Aprendizaje Dual: El estudio evalúa dos estrategias complementarias: un clasificador basado en la geometría que aprovecha la conciencia espacial y un regresor basado en pilotos que infiere los haces óptimos a partir de un sondeo de RF limitado, demostrando que la información posicional explícita no siempre es estrictamente necesaria para una selección de haces efectiva.
• Análisis de Reducción de Sobrecarga: La investigación cuantifica la compensación entre la sobrecarga de búsqueda de haces y la precisión de la predicción, demostrando específicamente cómo un pequeño subconjunto de haces piloto puede reconstruir el panorama de SNR del código completo.

Resultados

• Desempeño Dirigido por la Geometría: El enfoque basado en DNN logró una alta precisión de predicción en un conjunto de prueba mantenido fuera del entrenamiento, donde la arquitectura con mejor desempeño (DNN-256-256) alcanzó una precisión del 94.50%. Esto confirma que la ubicación y la orientación del receptor proporcionan indicadores sólidos para la selección de haces óptimos en el entorno medido.
• Desempeño Basado Solo en Pilotos: El método de regresión del mapa de SNR demostró una reducción significativa de la sobrecarga. Usando solo 7 haces piloto (aproximadamente el 13.7% del código de 51 haces), el método logró una Tasa de Éxito Conjunta (ambas RU dentro de 3 dB del óptimo) del 92.7% y una Tasa de Éxito Conjunta dentro de 1 dB del 83.1%.
• Sobrecarga vs. Confiabilidad: Los resultados indican una mejora rápida en la confiabilidad con un pequeño número de pilotos; el uso de solo 4 pilotos produjo una Tasa de Éxito Conjunta del 83.3% (dentro de 3 dB), lo que sugiere que un conjunto mínimo de pilotos es suficiente para identificar pares de haces casi óptimos.

Significado y Reivindicaciones
El artículo afirma que los marcos de aprendizaje dirigidos por mediciones son prácticamente factibles para la gestión de haces mmWave en interiores. Destaca que las técnicas asistidas por aprendizaje pueden reducir significamente la sobrecarga de búsqueda de haces asociada con el barrido exhaustivo, manteniendo un alto rendimiento de comunicación. El estudio enfatiza la naturaleza complementaria de los dos enfoques: el aprendizaje dirigido por la geometría es efectivo cuando la información de seguimiento está disponible, mientras que el método basado solo en pilotos ofrece una alternativa robusta cuando los datos posicionales no están disponibles o no son confiables. Los autores concluyen que estos métodos basados en datos, validados mediante mediciones del mundo real, son esenciales para abordar los desafíos de selectividad angular y bloqueo inherentes a los despliegues prácticos de mmWave.