Channel Estimation for Movable Intelligent Surface

技术摘要：可移动智能表面（MIS）的信道估计

问题陈述
本文解决了由可移动智能表面（MIS）辅助的上行 MIMO 系统中的信道估计挑战。虽然可重构智能表面（RIS）提供了可编程的无线电环境，但传统的单层 RIS 依赖于精确的信道状态信息（CSI）和被动波束赋形。现有的架构如主动式 RIS 或堆叠式智能超表面（SIM）引入了复杂性或功耗。MIS 架构（由前人工作 [7] 提出）通过结合一个固定的传输层（MS1）和一个较小的可移动层（MS2）提供了一种折中方案。MS2 相对于 MS1 的机械位移创造了不同的有效相位剖面，而无需对单个元件进行快速电子调谐。

然而，这种架构引入了一个显著的估计瓶颈。与传统的 RIS 类似，该表面的被动特性使得无法进行直接的基带观测。此外，可移动层引入了与位置相关的响应，必须将其与无线信道进行联合估计。至关重要的是，在实际场景中，可移动层的有效相位响应在接收端可能是未知或校准不完美的。现有的基于张量的 RIS 信道估计方法并未直接解决这一额外的机械自由度或可移动层相位矩阵未知的问题。

方法论
作者提出了一个基于张量的框架，将接收到的导频信号建模为四阶 PARAFAC（平行因子）张量。该系统通过联合利用两个维度的训练来运行：

1. 固定层相位模式： 固定层（MS1）应用 $S$ 个预定义的相移模式。
2. 可移动层位置： 可移动层（MS2）在固定网格上探索 $U$ 个离散的机械位置。

基站（BS）处的接收信号经过滤波并结构化为一个张量 $\mathcal{Y} \in \mathbb{C}^{N_r \times N_t \times S \times U}$，其中 $N_r$ 和 $N_t$ 分别是基站和用户终端（UT）的天线数量。该张量遵循以下模型：
$$\mathcal{Y} = \mathcal{I}_{4,M} \times_1 G \times_2 H \times_3 \Phi_f \times_4 \Phi_m$$
这里，$G$ 和 $H$ 分别代表 MIS-BS 和 UT-MIS 信道，$\Phi_f$ 代表已知的固定层相移，而 $\Phi_m$ 代表未知的、与位置相关的可移动层相位响应。

为了估计这些未知因子，本文推导了一个**三线性交替最小二乘（TALS）**接收机。与假设完全已知训练矩阵的传统方法不同，该接收机将可移动层相位矩阵（对应于 $\Phi_m$ 的 $D$）视为待估计的未知因子。该算法通过求解基于接收张量 $n$ 模展开的条件最小二乘子问题，迭代地更新信道矩阵（$G$，$H^T$）和可移动层响应（$D$）的估计值。

核心贡献
本文概述了三个主要贡献：

1. 训练协议与张量建模： 作者提出了一个结合固定层相移和可移动层位置的两维训练协议，将接收信号建模为四阶 PARAFAC 张量。
2. TALS-PARAFAC 接收机： 推导出了一个能够同时估计 UT-MIS 信道、MIS-BS 信道以及与位置相关的可移动层响应的接收机。其关键特征在于，该接收机在无需预先知晓可移动层相位矩阵的情况下运行，直接从张量结构中估计该矩阵。
3. 可辨识性与复杂度分析： 文中讨论了实现信道因子可辨识性所需的条件（特别是关于涉及训练槽 $S$、位置 $U$ 和天线数量的 Khatri-Rao 积的秩），并分析了计算复杂度，其复杂度随迭代次数和位置数量线性缩放。

仿真结果
性能通过估计因子的归一化均方误差（NMSE）以及重建的级联信道进行评估。

• 与 BALS 的比较： 将提出的 TALS 接收机与传统的双线性交替最小二乘（BALS）基准进行了比较。BALS 基准实现了较低的 NMSE，但它依赖于对可移动层训练矩阵完全已知的假设。而在更具挑战性的未知可移动层相位的假设下，TALS 接收机展示了成功的收敛性和准确的估计。
• 训练长度的影响： 仿真结果表明，增加训练槽数量（$S$）会显著改善 NMSE。观察到一个转变过程：训练长度不足会导致由于张量分解条件差而产生高 NMSE，而足够的长度（$S=64$）则会导致误差大幅下降。
• 联合估计： 结果证实，增加训练长度可以提高可移动层响应（$D$）和级联信道的估计精度，验证了该模型从接收数据中恢复未知相位矩阵的能力。

意义与主张
本文声称是文献中首个解决 MIS 辅助 MIMO 架构信道估计问题的研究。其主要意义在于所提方案的实际优势：它消除了对可移动层相位响应进行预先校准或获知先验知识的需求。通过将未知的机械响应视为可估计的张量因子，该方法能够在物理状态并非完全为接收端所知的场景下实现灵活的信道估计。作者得出结论，所提出的框架成功利用了机械位移提供的额外结构化维度，从而解耦并联合估计了级联信道和可移动层响应。