Cooperative Uplink Channel Estimation in User-Centric Cell-free Massive MIMO Communication Networks

Resumo Técnico: Estimativa de Canal de Uplink Cooperativo em Redes de Comunicação Massive MIMO Centradas no Usuário

Definição do Problema
Redes de massive multi-input-multi-output sem células (cell-free massive MIMO - CFmMIMO) visam fornecer qualidade de serviço uniforme ao distribuir pontos de acesso (APs) por uma área de cobertura, eliminando o conceito de células dedicadas encontradas em redes celulares tradicionais. Em variantes centradas no usuário, cada equipamento de usuário (UE) é servido por um cluster dinâmico de APs com as melhores condições de canal. Um pré-requisito crítico para essas redes é uma estimativa de canal (CE) precisa no uplink.

As abordagens de CE existentes, frequentemente derivadas de sistemas mMIMO celulares, tipicamente assumem desvanecimento Rayleigh e canais não correlacionados entre APs distantes. No entanto, no contexto de CFmMIMO centrado no usuário, as distâncias mais curtas entre os APs e os UEs aumentam a probabilidade de componentes de Linha de Visada (LoS), levando a modelos de canal Rician. Essa correlação entre canais dentro de um cluster motiva a cooperação entre os APs para melhorar o desempenho da estimativa.

As soluções atuais enfrentam um compromisso:

1. CE Local: Realizada de forma independente em cada AP. É computacionalmente eficiente, mas ignora as correlações entre APs, resultando em um desempenho subótimo.
2. CE Centralizada: Os APs em um cluster enviam sinais brutos não comprimidos para uma unidade de processamento central (CPU). Embora seja ótima, isso acarreta um overhead de comunicação de fronthaul proibitivo.
3. Métodos Cooperativos Existentes: Algumas abordagens compartilham sinais comprimidos, mas não são ótimas, falhando em atingir o desempenho da abordagem centralizada, ou exigem procedimentos iterativos que são computacionalmente intensivos.

Metodologia
O artigo propõe uma abordagem de CE de uplink cooperativo baseada no algoritmo de Estimativa de Sinal Adaptativa de Nó Específico Distribuído sem iteração (iDANSE - iteration-less Distributed Adaptive Node-Specific Signal Estimation). A metodologia adapta o framework iDANSE, originalmente projetado para redes de sensores, ao contexto de CFmMIMO.

• Modelo de Sinal: O sistema modela o sinal recebido em um AP como uma combinação de um componente "global" (sinais LoS correlacionados de UEs compartilhados entre o cluster) e um componente "local" (desvanecimento NLoS não correlacionado e ruído).
• Mecanismo de Cooperação: Em vez de compartilhar sinais brutos de $N$ dimensões, os APs dentro de um cluster compartilham sinais fundidos. Cada AP aplica um filtro de fusão local para extrair os componentes de sinal global correlacionados e transmite apenas esses sinais comprimidos para outros APs no cluster.
• Estimativa Ótima: O método proposto deriva filtros de fusão ótimos e estimadores MMSE de forma não iterativa. Ao utilizar as matrizes de correlação dos sinais de piloto recebidos e dos sinais desespalhados, o algoritmo alcança o mesmo desempenho de Erro Quadrático Médio (MSE) que a abordagem centralizada (onde todos os dados brutos são compartilhados), mas com largura de banda de comunicação significativamente reduzida.
• Tratamento de Piloto: A abordagem utiliza um método de estimativa de correlação baseado em dados onde os pilotos são atribuídos aleatoriamente aos UEs em cada bloco de coerência. Isso elimina a necessidade de otimização complexa de atribuição de pilotos ou técnicas de descontaminação de pilotos, mesmo quando o número de UEs excede o número de sequências de pilotos ortogonais.

Principais Contribuições

1. CE Cooperativa Ótima: O artigo introduz um esquema de CE cooperativo que é teoricamente equivalente à abordagem MMSE centralizada. Ele alcança essa otimalidade em uma única etapa (não iterativamente) uma vez que as matrizes de correlação são conhecidas.
2. Overhead Reduzido: Ao compartilhar sinais fundidos em vez de sinais brutos não comprimidos, o método reduz drasticamente o overhead de comunicação de fronthaul em comparação com a CE centralizada.
3. Adaptação ao Canal Rician: A abordagem aproveita explicitamente o modelo de canal Rician (LoS + NLoS) inerente ao CFmMIMO centrado no usuário, utilizando a correlação dos componentes LoS para impulsionar a cooperação.
4. Atribuição de Piloto Robusta: O método opera efetivamente com atribuições de pilotos aleatórias, removendo a carga computacional de agendamento e descontaminação de pilotos.

Resultados
Experimentos numéricos foram conduzidos em um cenário com 130 APs e números variáveis de UEs (100–300) e antenas por AP (2–10). A abordagem proposta foi comparada contra CE local, CE centralizada e uma abordagem "PK-centralizada" (que utiliza conhecimento prévio da estrutura de correlação do canal).

• Taxa de Convergência: A abordagem cooperativa proposta converge significativamente mais rápido que a abordagem de CE centralizada. Isso é atribuído à estimativa de matrizes de correlação menores no esquema cooperativo em comparação com as grandes matrizes exigidas no caso centralizado.
• Precisão: O método proposto atinge uma precisão de CE equivalente à abordagem centralizada e supera significativamente a abordagem de CE local (mostrando uma melhoria de ~5 dB na perda de MMSE nos cenários testados).
• Escalabilidade: A vantagem de desempenho sobre a abordagem centralizada é mantida ou ampliada conforme o número de antenas por AP aumenta, devido à redução da dimensionalidade das matrizes de correlação envolvidas na estimativa.
• Robustez: A abordagem mantém um desempenho superior em diferentes níveis de SNR e densidades de UE.

Significância
O artigo afirma que a abordagem proposta oferece uma solução prática para redes de CFmMIMO centradas no usuário escaláveis. Ao alcançar o desempenho de um sistema centralizado sem o respectivo overhead de comunicação, ela aborda um gargalo primário na implantação de redes cell-free. A natureza não iterativa do algoritmo garante baixa complexidade computacional, tornando-o adequado para ambientes dinâmicos onde os UEs se deslocam rapidamente e as estatísticas do canal mudam com frequência. A capacidade de funcionar com atribuições de pilotos aleatórias simplifica ainda mais o gerenciamento da rede, removendo a necessidade de mecanismos complexos de coordenação de pilotos.