⚡ electrical engineering

Site-Specific Beam Learning for Full-Duplex Massive MIMO Wireless Systems

本文提出了一种新型波束学习框架，通过设计波束码本获取隐式信道信息并利用深度学习合成收发波束，从而在无需显式估计自干扰信道的情况下，显著降低了全双工大规模 MIMO 系统的测量开销并实现了高信噪比与低自干扰。

原作者： Samuel Li, Ian P. Roberts

发布于 2026-04-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Samuel Li, Ian P. Roberts

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文提出了一种让无线基站变得更“聪明”、更高效的新方法。为了让你轻松理解，我们可以把整个技术过程想象成在一个嘈杂的派对上，两个人试图同时大声说话和倾听，而中间还隔着一个巨大的回音壁。

以下是用通俗语言和生动比喻对这篇论文的解读：

1. 核心难题：既要“喊”又要“听”

想象一下，未来的 6G 基站就像是一个超级派对主持人。

全双工（Full-Duplex）：意味着主持人想同时做两件事：一边对着 A 用户大声喊话（下行），一边同时听 B 用户说话（上行）。
自干扰（Self-Interference）：这是个大麻烦。因为主持人离自己的耳朵太近了，他喊话的声音（下行信号）会直接冲进自己的耳朵，把 B 用户微弱的声音完全盖住。这就好比你一边对着麦克风大喊，一边想听别人在你耳边低语，结果你只能听到自己的回声。

传统做法的痛点：
以前的办法是，主持人先停下来，仔细测量一下“我的回声有多大、怎么传播的”（显式估计信道），然后计算怎么调整麦克风角度来抵消回声。

问题：现在的基站有几百根天线（大规模 MIMO），就像有几百个麦克风。要测量清楚几百个麦克风之间的回声关系，需要试错成千上万次。这就像为了听清别人说话，先花了 90% 的时间去测试回声，效率极低，而且一旦环境变了（比如有人走动），之前的测试就作废了。

2. 论文的新招：不测回声，直接“练肌肉”

这篇论文来自 UCLA 的研究团队，他们想出了一个**“不测回声，直接练肌肉”**的绝妙主意。

核心比喻：盲人摸象 vs. 直觉大师

旧方法（显式估计）：像是一个盲人，必须用棍子去摸大象的每一个部位（每一根天线），画出一张完整的大象地图，才能知道怎么避开大象。这需要摸很多次，太慢了。
新方法（Site-Specific Beam Learning）：像是一个直觉大师。他不需要画出完整的大象地图。他只需要用棍子轻轻戳几下（少量的探测波束），感受大象的“气场”和“震动”，然后凭借大脑里的经验（深度学习模型），直接知道该往哪个方向躲，才能既不被大象踩到，又能听清别人说话。

3. 具体是怎么操作的？（三步走）

这个系统分为三个步骤，就像训练一个超级特工：

准备“探测工具包”（设计探测码本）：
研究人员设计了一套特殊的“探测动作”（探测波束）。这不像以前那样随机乱试，而是专门针对这个特定地点（比如 UCLA 的罗伊斯楼）设计的。就像特工知道在这个特定的房间里，只要敲三下墙壁，就能听出房间的回声结构。
- 比喻：以前是拿着尺子量整个房间，现在是用特定的节奏敲三下墙，就能猜出房间的形状。
收集“直觉数据”（隐式探测）：
基站用这套工具包，只进行很少几次（比如 8 到 64 次）的探测。它不试图算出回声的精确数学公式，只是收集一些“回声的感觉”（隐式信道知识）。
- 比喻：特工只试了 10 次，就收集到了足够的“手感”数据，而不是去测量 256 个维度的复杂数据。
AI 大脑瞬间决策（深度学习合成）：
收集到的数据被喂给一个AI 大脑（深度神经网络）。这个大脑之前已经在这个特定的房间里“训练”过无数次了。它看到那 10 次探测数据，结合用户的位置，瞬间就能算出：“好，现在麦克风应该往左偏 5 度，扬声器往右偏 3 度，这样回声最小，声音最清楚。”
- 比喻：AI 就像个老练的调音师，不用看说明书，听几个音符就知道怎么调音台。

4. 效果有多好？

论文通过计算机模拟（就像在虚拟世界里建了一个 UCLA 的模型）证明了：

速度快：以前需要测量 256 次才能搞定，现在只需要 8 到 64 次。这意味着开销减少了 75% 到 97%。
效果好：虽然测量的次数少了，但 AI 找到的“最佳姿势”几乎和完美测量的一样好。它能成功把回声（自干扰）压低到几乎听不见（低于噪声底），同时让上下行的信号都很清晰。
适应性强：即使环境里的回声很复杂（比如有很多反射），只要 AI 训练得好，它依然能搞定。

5. 总结：为什么这很重要？

这就好比以前的手机基站为了“听清”和“喊话”，得花大量时间做“体检”（测量信道），导致网速慢、延迟高。
而这项新技术让基站变成了一个**“经验丰富的老手”**：

它不需要每次都做全套体检。
它只需要几个简单的“试探动作”。
凭借在特定地点（Site-Specific）的“肌肉记忆”（AI 模型），它能瞬间做出最佳反应。

一句话总结：
这项研究让未来的 6G 基站学会了**“少说话、多思考”**，通过少量的试探和强大的 AI 直觉，在同时收发信号时完美消除自己的回声，从而让网速更快、延迟更低，为 6G 时代的到来扫清了障碍。

论文技术总结：面向全双工大规模 MIMO 无线系统的站点特定波束学习

1. 研究背景与问题 (Problem)

核心挑战： 在毫米波（mmWave）和大规模 MIMO 系统中实现带内全双工（In-band Full-Duplex, FD）操作，关键在于有效抑制自干扰（Self-Interference, SI）。

现有方案的局限性： 传统的全双工波束成形方案通常依赖于对自干扰信道（ $H$ ）进行显式估计。然而，在大规模 MIMO 系统中，自干扰信道的维度随天线数量呈二次方增长（ $N_t \times N_r$ ）。显式估计需要大量的导频开销（Pilot Overhead），特别是在信道快速衰落或天线数量巨大（如数十或数百根）时，这种开销是不可接受的，严重限制了全双工技术的实用性。
现有无显式估计方案的不足： 现有的无需显式估计的方案（如穷举搜索或基于 LSTM 的序列探测）在多用户场景下扩展性差，或者仍然需要大量的测量次数（每对用户 50-500+ 次），导致开销依然较高。

研究目标： 设计一种新的波束学习框架，在不显式估计自干扰信道的情况下，通过隐式信道知识合成最优的发射和接收波束，以最大化全双工系统的频谱效率，同时大幅降低测量开销。

2. 方法论 (Methodology)

作者提出了一种站点特定（Site-Specific）的波束学习框架，结合深度神经网络（DNN）与联合优化的探测码本。

2.1 系统模型

场景： 基站同时向下行用户发送数据并接收上行用户数据。
信道： 自干扰信道 $H$ 建模为 Rician 信道（包含视距 LOS 分量 $H_{LOS}$ 和非视距 NLOS 分量 $H_{NLOS}$ ）。
目标： 优化发射波束 $f$ 和接收波束 $w$ ，以最大化下行和上行频谱效率之和 $R(f, w)$ ，同时最小化自干扰噪声比（INR）。

2.2 核心框架：端到端波束学习

该方法包含三个主要阶段，通过一个端到端的神经网络模型进行联合优化：

下行/上行信道获取： 利用现有的机制（如波束对齐）获取下行和上行信道知识（ $y_{DL}, y_{UL}$ ），这可以是显式估计或隐式测量。
自干扰隐式探测（Probing）：
- 基站使用一组可训练的探测码本 $\{F, W\}$ （包含 $M$ 对发射/接收波束）进行探测。
- 收集 $M$ 次标量测量值 $z$ ，其中 $M \ll N_t N_r$ 。
- 测量值 $z$ 包含了自干扰信道的隐式信息，无需重建完整的 $H$ 矩阵。
波束合成（Beam Synthesis）：
- 设计一个深度神经网络 $D(\cdot)$ ，输入为探测测量值 $z$ 以及上下行信道知识 $y_{DL}, y_{UL}$ 。
- 网络输出最优的发射和接收波束 $(f^*, w^*)$ 。

2.3 训练与优化策略

联合优化： 将探测码本 $(F, W)$ 和波束合成网络 $D(\cdot)$ 作为一个整体进行端到端训练。
无监督学习： 训练目标是最大化期望的频谱效率（即最小化损失函数 $L = -E[R_{DL} + R_{UL}]$ ）。
物理约束处理： 为了满足每根天线的功率约束（ $|f_i| \le 1$ ），在训练过程中对码本的实部和虚部进行投影操作（Projection），确保生成的波束在物理上可实现。
站点特定性： 模型在特定站点的信道分布（通过射线追踪生成）上进行训练，从而利用该站点的特定信道特性（如特定的反射路径）。

3. 关键贡献 (Key Contributions)

无需显式信道估计： 提出了一种完全绕过自干扰信道显式估计的框架，通过隐式测量和深度学习直接合成波束。
极低的测量开销： 相比显式估计所需的 $N_t \times N_r$ 次测量，该方法仅需 8 到 64 次 探测测量（对于 $16 \times 16$ 天线系统，显式估计需 256 次，该方法减少了 75%–97% 的测量次数）。
用户无关的探测码本： 探测码本 $(F, W)$ 是用户无关的（User-agnostic），意味着同一组探测码本可以在多个用户对之间复用，进一步降低了多用户场景下的开销。
端到端深度学习架构： 创新性地联合优化了探测策略和波束合成策略，使网络能够自动学习如何从少量测量中提取最有用的信道特征。

4. 实验结果 (Results)

实验基于 28 GHz 频段，使用射线追踪软件模拟 UCLA 校园环境的信道，基站配备 $4 \times 4$ 均匀平面阵列（共 16 根天线）。

频谱效率提升：
- 在仅使用 8–64 次探测测量的情况下，该方法的频谱效率显著优于传统的最大比传输/合并（MRT+MRC）方案。
- 随着 Rician 因子 $\kappa$ （LOS 分量占比）的增加，模型性能进一步提升，因为 LOS 主导的信道更具确定性，模型能更准确地推断。
自干扰抑制能力：
- 传统 MRT+MRC 方案导致约 15 dB 的干扰噪声比（INR），使全双工不可行。
- 该方法在使用 M=16 次探测时，即可将 INR 降低近 20 dB，将自干扰抑制到噪声底以下，显著提升了上行 SINR。
鲁棒性：
- 在 NLOS 反射路径数量变化（从有限反射到瑞利衰落）的情况下，该方法均表现出良好的适应性。
- 即使在信道矩阵满秩且复杂的瑞利衰落场景下，仅用 64 次测量也能获得接近全双工容量的性能。

5. 意义与展望 (Significance)

推动 6G 全双工落地： 解决了大规模 MIMO 和毫米波全双工系统中导频开销过大的核心瓶颈，使得在快速时变信道下实现全双工通信成为可能。
效率与性能的平衡： 证明了通过“少量测量 + 深度学习”的策略，可以在不牺牲性能的前提下，大幅降低系统复杂度。
未来方向： 该框架为未来扩展至多用户系统（Multi-user Systems）以及在实际无线硬件平台上验证波束学习方案奠定了基础。

总结： 这篇论文提出了一种革命性的全双工波束设计方法，利用深度学习将“信道估计”转化为“波束合成”问题，通过极少量的隐式探测测量，实现了高效、低开销的自干扰抑制，为下一代无线通信系统的关键技术突破提供了重要思路。