AI辅助通信技术

eefocus_3952551

AI辅助通信技术
在无线通信中，很多问题无法建立直观的数学模型或者无法轻松找到最优解，而基于数据驱动的AI算法利用大量数据，通过AI模型的训练可解决无法构建数学模型的通信问题，基于模型驱动的AI算法则可辅助构建的数学模型，最终找到最优解。具有强大的特征提取和快速寻找优化解的能力的AI算法可应用于多项6G核心技术的优化设计中。

AI辅助通信物理层优化
AI辅助通信物理层优化主要有两种方式:端到端联合优化和单侧优化。端到端联合优化是指发送端和接收端的对应模块可以利用AI技术实现端到端设计，主要包括多模块联合端到端优化以及单模块端到端优化;单侧优化主要包括基于AI的CSI 预测、波束管理、定位、信道估计、MIMO信号检测和信道解码等。

端到端联合优化
多功能模块的联合优化:AI算法还可以对收发链路上的多个对应功能模块进行联合优化。例如，应用两个神经网络分别替代发送端的信道编码调制模块和接收端的信道解码解调模块，以避免传统多模块拼接带来的高复杂度和大计算量，或用AI的端到端算法实现整个发射机和接收机，组成基于自编码器的全局收发机。自编码器采用端到端优化方法同时优化发射机和接收机的神经网络，发射机通过神经网络生成待发送信号，接收机通过神经网络重构接收信号。
自编码器相当于对通信物理层模块重构，可减少参考信号和控制信息开销，带来更高的传输效率。目前自编码器是在给定的信道环境中离线训练完成。实际部署中，信道环境随时间推移而变化,自编码器的在线训练和 fine-tuning等其它技术在实际部署中尤为重要。此外，自编码器缺乏传统收发机模块的可解释性,设计者无法知道哪些网络层之间的什么样的连接会更影响自编码器的准确度，如何设计可解释性的自编码器有待进一步探索。
单模块端到端优化:收发链路中有多个模块可以利用AI算法进行联合设计优化，如信道编解码模块、CSI反馈和恢复模块。以CSI 反馈和恢复为例，在终端侧利用AI算法将CSI做压缩，在基站侧利用AI算法恢复压缩前的CST。应用AI算法可最大程度地在基站侧还原实际信道特征。目前，基于AI的CSI反馈和恢复算法在业界也有了较多探索，且初步认为其有较大的增益。

单侧优化
CSI预测是基于一个历史时间窗内的CSI 信息，利用AI算法来预测未来的一个或者多个时刻的CSI，从而提升CSI的准确性。但AI算法对移动速度的泛化性问题不能忽视，给出了AI算法在移动速度为10km/h，30km/h和 60km/h下的泛化情况，用平方广义余弦相似性(Squared Generalized Cosine Similarity, SGCS）表示AI预测的CSI信息与标签的相似程度。在高移动速度下，AI算法的泛化性能并不好，如何提升AI算法对移动速度的泛化性需要进一步探究。
波束管理:高速数据传输需要收发波束的精准对齐。AI算法可以根据不同地理位置进行波束训练，确定最优收发波束。相比传统复杂的波束训练方式，AI算法可以根据少量波束信息恢复出全部波束信息，或者根据历史波束信息预测将来的波束信息。因此，可减少参考信号的开销，提升波束选择准确性，更加适应高速移动场景。
定位:非视距传输(Non Line-of-Sight,NLOS)场景和基站间同步误差会影响定位精度。AI算法通过对采集的大量数据训练学习，包括UE与单TRP (Transmit and Receive Point，TRP）和多TRP之间的信道测量信息，可提取传统定位算法无法获得的特征，降低定位误差。基于AI的定位可以分为AI辅助定位和AI直接定位两种方式，前者利用AI算法生成LOS/NLOS 指示信息、到达时间（Time of Arrival,ToA)、到达角(Angle of Arrival, AoA)、出发角度(Angle of Departure,AoD）等，后者则直接利用AI算法获得位置信息。但是，未来AI定位技术的研究需聚焦于设计对环境改变不敏感的算法。
信道估计:基于AI的信道估计可以通过对导频所处时频位置的信道进行训练学习，估计出导频和数据的时频位置的完整信道，从而大大提高信道估计准确度。基于AI的信道估计算法的高复杂度和各种信道条件的泛化能力是需要重点解决的问题。
MIMO信号检测:基于AI的MIMO信号检测的一种简单实现方式是利用AI算法直接取代传统的信号检测算法，但此种数据驱动的实现方式在高阶调制下算法复杂度较高。另一种模型驱动实现方式是用AI优化传统信号检测算法，如在传统算法中添加一些可训练的参数，提高算法的灵活性以及信号检测性能。

阅读全文