Recent Advances in Near-Field Beam Training and Channel Estimation for XL-MIMO Systems

本文综述了超大规模多输入多输出（XL-MIMO）系统中针对近场球面波传播挑战的波束训练与信道估计技术的最新进展、核心方法及其局限性，并探讨了未来研究面临的开放性问题。

要点

这篇文章主要讲的是下一代无线网络（6G）中的一项核心技术：超大规模天线阵列（XL-MIMO），以及我们如何在这个新世界里“找对路”和“看清路”。

为了让你更容易理解，我们可以把整个通信系统想象成在一个巨大的广场上，用手电筒（基站）给分散在人群中的每个人（用户）发送信息。

1. 背景：从“手电筒”到“超级探照灯”

• 过去的情况（传统 MIMO）： 以前的基站天线比较少，就像拿着一把普通的手电筒。因为距离远，光射过来时是平行的（平面波），大家都能看清光柱指向哪里。
• 现在的情况（XL-MIMO）： 6G 为了速度更快，基站要装成千上万个天线，就像把整个广场的墙壁都装满了灯，变成了一个巨大的超级探照灯阵列。
• 新问题： 因为灯阵太大了，而且用户离得越来越近，光线射过来不再是平行的，而是像球面波一样，从中心向四周扩散。这就好比你在一个巨大的球体内部，光从球心射向你，不同位置的人感受到的光线角度和距离都不一样。

2. 核心挑战：旧地图不管用了

在旧系统里，我们找用户就像在平地上找方向，只要知道“他在哪个角度”（比如正北、东北）就够了。
但在 XL-MIMO 的新系统里，光变成了球面波，这就带来了两个大麻烦：

• 麻烦一：光束“散焦”了（Beam Energy-Spread）

  • 比喻： 以前用旧方法（DFT 码本）发射光束，就像用直尺画线，光会聚得很紧。但现在因为距离近，光像水波一样扩散，导致光束不再聚焦在一个人身上，而是散开照到了旁边的人，能量分散了，信号就变弱了。
  • 后果： 传统的“找角度”方法失效了，因为光不仅分角度，还分距离。

• 麻烦二：不仅要找“在哪”，还要找“多远”

  • 比喻： 以前只要知道你在“正前方”，就能找到你。现在，正前方可能有两个人，一个离你 10 米，一个离你 50 米。旧方法分不清他们，因为角度一样。
  • 新能力： 新系统厉害的地方在于，它不仅能分清角度，还能分清距离（就像能同时看清谁在 10 米，谁在 50 米）。这被称为“有限深度的波束聚焦”。

3. 解决方案：如何重新“找路”和“看清”？

文章主要讨论了两个任务：波束训练（Beam Training） 和 信道估计（Channel Estimation）。

A. 波束训练：如何快速找到用户？

• 旧方法（笨办法）： 拿着手电筒，把广场所有可能的角度和距离都扫一遍。
  • 问题： 广场太大了，扫一遍要很久，浪费时间，还没法上网。
• 新方法（聪明办法）：
  1. 极坐标网格法： 把广场分成很多小格子（既有角度又有距离），专门设计一种能照准每个格子的“特制手电筒”。
  2. 分层搜索（像找宝藏）： 先拿个大网撒出去，大概找到你在哪个区域（粗调），然后再拿个小网精准定位（精调）。
  3. 利用“模糊”来猜： 有些方法发现，虽然光散了，但散开的形状和距离有关。通过观察光斑的大小，就能反推出你大概有多远，不用一个个试。

B. 信道估计：如何看清整个环境？

• 问题： 波束训练只能告诉你“信号最强”，但不知道具体的“路况”（比如哪里有障碍物、信号怎么反射）。要发挥 6G 的极致速度，必须看清整个路况（完整的信道状态信息）。
• 新挑战： 以前我们假设信号只在“角度”上是稀疏的（只有几个方向有信号）。现在，信号在“角度”和“距离”两个维度上都是稀疏的。
• 新方法：
  • 联合搜索： 不再只盯着角度，而是同时盯着角度和距离，像用一张更精密的网去捞鱼。
  • 混合场处理： 有时候，信号有的部分是近场的（球面波），有的部分是远场的（平面波）。新算法能同时处理这两种情况，像是一个既能看显微镜又能看望远镜的超级眼睛。
  • AI 辅助： 用人工智能（AI）来学习这些复杂的规律，就像让一个老练的向导凭经验直接猜出用户在哪，而不是死板地扫射。

4. 未来的挑战：还有哪些坑没填平？

文章最后指出了几个还没解决的问题：

1. 真金白银的测试： 现在大部分研究都是在电脑里模拟的（用假数据）。我们需要在真实的、充满杂音的广场上测试这些方法，看看它们到底管不管用。
2. 感知与通信结合： 能不能利用基站本身的“感知能力”（像雷达一样先定位用户），来辅助通信？这样就能少扫几次，省时间。
3. 新频段（FR3）： 6G 还要用一个新的频段（7-24GHz），这个频段既不像低频也不像高频，它的特性我们还不清楚，需要重新研究。
4. AI 的落地： 虽然 AI 很强大，但怎么让它既聪明又轻便，能在真实的基站上跑起来，还是个难题。

总结

这篇文章就像是一份6G 时代的“航海指南”。它告诉我们：因为我们的船（基站）变大了，海（信号环境）也变了（从平面变成了球面），所以旧的航海图（传统算法）不管用了。我们需要新的罗盘（波束训练）和更先进的声纳（信道估计），甚至需要 AI 领航员，才能在这个巨大的新世界里，精准、快速地把信息送到每个人手中。

技术摘要

这是一份关于论文《Recent Advances in Near-Field Beam Training and Channel Estimation for XL-MIMO Systems》（XL-MIMO 系统近场波束训练与信道估计的最新进展）的详细技术总结。

1. 研究背景与核心问题 (Problem)

背景：
超大规模多输入多输出（XL-MIMO）是 6G 通信的关键技术，通过部署比传统大规模 MIMO 多一个数量级的天线，显著提升频谱效率和空间分辨率。然而，巨大的阵列尺寸导致瑞利距离（Rayleigh distance）大幅增加，使得用户设备（UE）更有可能处于**近场（Near-field）**区域。

核心问题：

• 信道模型失效： 传统 MIMO 基于**平面波（Planar Wave）假设，而在 XL-MIMO 近场区域，必须采用球面波（Spherical Wave）**模型。
• 波束能量弥散（Beam Energy-Spread）： 在近场中，由于相位与距离的非线性耦合，传统的基于离散傅里叶变换（DFT）的波束赋形码本会导致能量在角度上弥散，无法形成聚焦波束，严重降低波束训练和信道估计的精度。
• 传统方法局限性：
  • 波束训练： 传统 DFT 码本仅考虑角度，无法区分角度相同但距离不同的用户，且直接应用会导致严重的功率泄漏。
  • 信道估计： 传统压缩感知（CS）算法利用角域稀疏性，但在近场球面波模型下，稀疏性同时存在于角度域和距离域。直接应用传统算法会导致导频开销过大或估计失败。
  • 混合场挑战： 实际场景中可能存在混合场（Hybrid-field），即部分路径在近场，部分在远场，现有单一模型难以处理。

2. 主要方法论与技术路线 (Methodology)

文章系统综述了针对近场 XL-MIMO 的波束训练和信道估计技术，主要分为以下几类：

A. 近场波束训练与码本设计

1. 极域（Polar-domain）波束训练：
   • 原理： 将搜索空间从一维角度扩展为二维（角度 + 距离）。码本中的每个码字对应极域网格中的一个特定位置，实现有限深度的波束聚焦。
   • 优化： 采用非均匀采样（角度均匀，距离非均匀）以匹配近场传播特性。
   • 开销问题： 二维搜索导致开销剧增。
   • 解决方案：
     • 分层码本（Hierarchical Codebooks）： 先粗搜角度，再精搜角度和距离（如两阶段训练协议）。
     • 稀疏阵列与多波束： 利用稀疏线性阵列产生栅瓣，同时扫描多个波束以快速定位。
     • 有效瑞利距离（Effective Rayleigh Distance）： 重新定义近场范围（基于 3dB 增益损失准则），显著减小码本尺寸。
2. 基于传统 DFT 的改进方法：
   • 利用 DFT 码本扫描后的波束图案特征（如波束支撑宽度随距离变化的规律）来联合估计角度和距离，避免构建庞大的极域码本。
   • 提出**离网（Off-grid）**训练方法，通过代理函数推断距离，解决用户位置与离散网格不匹配的问题。

B. 近场信道估计

1. 极域稀疏表示：
   • 构建包含角度和距离信息的变换矩阵，将信道表示为稀疏向量。
   • 使用**SOMP（同时正交匹配追踪）**算法进行估计。
   • 改进： 提出**P-SIGW（极域同时迭代无网格加权）**算法，摆脱固定网格限制，联合恢复路径增益、角度和距离。
2. 距离参数化的角域稀疏表示：
   • 将距离作为变换矩阵的参数而非维度，仅依赖角域分辨率构建字典，大幅降低存储负担并改善相干性。
   • 结合字典学习与稀疏恢复技术，适应多径环境。
3. 混合场（Hybrid-field）估计：
   • 针对近场和远场路径共存的情况，提出两阶段估计：先利用远场码本粗估远场路径，再自适应迭代精估近场路径。
4. FDD 与点对点系统：
   • 利用共轭关系将下行 FDD 估计转化为上行 TDD 问题。
   • 针对点对点 XL-MIMO，提出统一模型，分别处理视距（LoS）和非视距（NLoS）分量，利用多维 OMP 和参数细化算法降低复杂度。
5. AI 辅助方法：
   • 利用深度神经网络联合优化波束成形器设计与定位，通过环境感知自适应调整波束。

3. 关键贡献 (Key Contributions)

1. 系统性综述与分类： 首次针对 XL-MIMO 的近场波束训练和信道估计进行了系统化的分类综述，建立了清晰的现有方法 taxonomy。
2. 深入原理分析： 深入剖析了从平面波到球面波转变带来的物理层挑战（如波束弥散、距离 - 角度耦合），并详细对比了不同技术路线的优劣。
3. 识别开放挑战： 指出了当前研究的空白，包括：
   • 实测数据验证： 现有研究多基于仿真，缺乏真实信道测量数据的验证。
   • 感知增强（Sensing-Enhanced）： 利用定位信息辅助波束训练和信道估计的潜力。
   • FR3 频段（7-24 GHz）： 该频段介于 Sub-6GHz 和 mmWave 之间，其近场特性尚不明确。
   • AI/ML 融合： 数据驱动方法在复杂近场环境中的应用前景与挑战。

4. 主要结果与性能表现 (Results)

• 波束聚焦能力： 极域码本和分层训练方法成功实现了近场有限深度波束聚焦，能够区分角度相同但距离不同的用户，显著优于传统 DFT 码本。
• 开销降低： 分层训练和有效瑞利距离的引入，将码本搜索空间减少了约 50%，大幅降低了训练开销。
• 估计精度：
  • 距离参数化的角域表示方法在 NMSE（归一化均方误差）上优于传统极域方法，特别是在多径环境下。
  • 混合场估计方案通过自适应迭代，有效降低了混合信道条件下的估计误差。
  • 离网训练方法解决了网格失配问题，提升了连续位置用户的估计精度。
• AI 辅助效果： 神经网络辅助的波束设计展示了在特定传播环境下比传统方法更高的估计性能。

5. 研究意义与展望 (Significance)

• 理论价值： 澄清了 XL-MIMO 近场通信的基本原理，为打破传统平面波假设的局限提供了理论依据。
• 技术指导： 为 6G 系统的设计者提供了具体的算法选择指南，特别是在如何平衡训练开销、计算复杂度和估计精度方面。
• 未来方向：
  • 推动从仿真向真实信道测量的跨越，验证算法在实际硬件和环境下的鲁棒性。
  • 探索通感一体化（ISAC），利用感知数据辅助通信，降低近场系统的复杂度。
  • 深入研究FR3 频段的特殊近场特性，填补 6G 中频段研究的空白。
  • 发展轻量化 AI 模型，使其能够在资源受限的 XL-MIMO 系统中实时部署。

总结： 该论文全面梳理了 XL-MIMO 近场通信中波束训练与信道估计的最新进展，指出了从平面波向球面波模型转变带来的根本性挑战，并系统总结了极域码本、分层搜索、稀疏表示及 AI 辅助等关键技术，为下一代 6G 通信系统的研发奠定了重要的理论基础和技术路线图。