Hybrid-Field Channel Estimation for XL-MIMO Systems: Dictionary-based Sparse Signal Recovery

技术摘要：XL-MIMO 系统中的混合场信道估计

问题陈述
极大规模多输入多输出（XL-MIMO）系统是未来 6G 网络的核心，能够显著提升频谱效率和空间分辨率。然而，XL-MIMO 中巨大的天线孔径产生了一种独特的传播环境，使得传统的远场（FF）平面波假设对于许多散射体不再适用。相反，出现了一种混合场（HF）机制，其特征是远场平面波与近场（NF）球面波的共存。准确的信道状态信息（CSI）对于发挥 XL-MIMO 的潜力至关重要，但由于需要同时对角度和距离变化进行建模，估计混合场信道具有挑战性。

现有的方法，如混合场正交匹配追踪（HF-OMP）和稀疏梯度投影（SGP）方法，通常存在实际局限性。许多方法需要先验知识，例如信道稀疏度（$L$）以及近场与远场路径的具体比例（$\gamma$）。其他方法则依赖于计算昂贵的运算，例如矩阵伪逆或多维梯度步骤，以进行参数精细化。这些依赖性和复杂性阻碍了其在动态 XL-MIMO 环境中的稳健部署。

方法论
作者提出了一种名为 $\epsilon$-OMP–SSIGW（带有简化稀疏无网格加权之 $\epsilon$-正交匹配追踪）的统一信道估计框架。该方法将混合场信道建模为远场和近场分量的叠加，利用了信道在角度（DFT）域和极坐标（角度-距离）域固有的稀疏性。

核心方法论包含一个贪婪迭代过程：

1. 基于字典的选择： 使用一个包含远场（角度）和近场（极坐标）原子（atoms）的组合字典。在每次迭代中，选择与当前残差相关性最强的原子。
2. 自适应路径计数： 与以往方法不同，该算法不需要将 $L$ 或 $\gamma$ 作为输入。相反，它采用基于残差的停止规则（$\|r\|^2/N \leq \sigma^2$）来自动确定显著路径的数量，从而使其对未知的信道结构具有鲁棒性。
3. 简化精细化（SSIGW）： 一旦选择了原子，该方法会进行“由粗到精”的精细化处理，以减轻网格失配问题。
   • 增益更新： 路径增益使用从单列精细化结构中导出的闭式标量最小二乘（LS）解进行更新，避免了矩阵伪逆运算。
   • 参数精细化： 角度和距离参数通过经由 Armijo 回溯线搜索更新的标量梯度进行精细化。这与以往利用复杂矩阵梯度的研究形成了对比。
4. 终止： 过程持续迭代，直到均方误差（MSE）低于基于噪声的阈值或达到最大迭代次数。

主要贡献

• 盲估计： 所提方法无需先验了解总稀疏度（$L$）或近场/远场路径分割比例（$\gamma$）。它仅需要噪声方差的估计值，而这是在实际中可以获得的。
• 计算效率： 通过推导增益更新的闭式表达式并利用标量梯度进行参数精细化，作者显著降低了每轮迭代的计算复杂度，相比于基于矩阵的方法（如 SGP 或标准 OMP 变体）。
• 统一混合场模型： 该工作引入了一个统一的估计框架，能够在单个稀疏恢复问题中无缝处理远场和近场分量，而不是将其作为两个独立的顺序阶段进行处理。
• 鲁棒性： 该算法旨在通过其迭代精细化机制，针对噪声方差失配和网格离散化误差实现鲁棒性。

结果
在非视距（NLoS）和混合视距/非视距（LoS/NLoS）条件下进行了数值模拟，将所提 $\epsilon$-OMP–SSIGW 与包括 LS、MMSE、HF-OMP 变体以及 HF-SGP 方法在内的八种最先进的基准方法进行了对比。

• 精度： 在 LoS 和 NLoS 场景下，该估计器在整个信噪比（SNR）范围内均实现了最低的归一化均方误差（NMSE）。值得注意的是，它优于那些需要先验知识（如 $L$ 和 $\gamma$）的方法。
• 复杂度： 虽然经过精细化的 $\epsilon$-OMP–SSIGW 比基础 $\epsilon$-OMP 略有开销增加，但它仍然明显快于 HF-SGP 和基于穷举搜索的 HF-OMP 变体。研究表明其运行时间与 SNR 无关，且由固定矩阵运算主导。
• 自适应性： 模拟证实，该估计器能够根据 SNR 和残差准则正确调整检测到的路径数量（$L_{est}$），验证了其在无需显式输入 $L$ 的情况下工作的能力。

意义
本文声称 $\epsilon$-OMP–SSIGW 框架为 XL-MIMO 系统中的混合场信道估计提供了一种实用且计算高效的解决方案。通过消除对信道稀疏度和路径比例的先验知识的需求，并简化精细化所需的数学运算，该方法实现了卓越的性能-复杂度折衷。作者认为，这使得该估计器特别适用于信道特性动态且未知的实际部署场景。该工作为未来向多天线用户设备、通用阵列几何（UPA）以及硬件损伤建模的扩展奠定了基础。