博士生陈康建在IEEE TWC上发表超大规模MIMO波束训练与波束跟踪论文

2023年10月，课题组的一篇论文“Beam Training and Tracking for Extremely Large-Scale MIMO Communications”，被无线通信领域旗舰刊物IEEE Transactions on Wireless Communications（影响因子：10.4）录用。论文第一作者是博士生陈康建同学，第二作者是陈康建的指导教师戚晨皓教授，第三作者为王承祥教授，第四作者为帝国理工学院Geoffrey Ye Li教授。在超大规模MIMO系统中，由于配置了远多于大规模MIMO的天线，其通信区域将同时包含近场和远场。因此超大规模MIMO需聚焦于适配远近混合场（Hybrid Field）的通信。在这一背景下，论文研究了部分连接架构超大规模MIMO系统的波束训练、波束细化以及波束跟踪技术。

首先，论文提出了一种既适用于近场、也适用于远场的统一波束训练方法。该方法结合了部分连接架构多子阵的特点，考虑到近场与远场的核心分界点——瑞利距离与天线数目强相关的特点，将天线全阵列划分为多个子阵列。论文利用超大规模全阵列的近场可能是子阵列的远场的性质，提出了一种既适用于近场、也适用于远场的统一波束训练方法。该方法对预先构建的混合场码本的每个码字设计了专用的数字波束合并向量，在利用数字波束合并向量对码字对应的空间进行训练时，通过叠加多个子阵列的增益逼近了全阵列的增益，充分利用数字资源实现了并行的数字合并，提高了效率。预先定义的混合场码本中数字加权后功率最大的码字，即为波束训练的最终结果，在性能几乎不损失的情况下，大幅降低了波束训练的开销。

其次，为了解决波束训练固有的量化误差的问题，论文提出了一种适合于远近混合场的波束细化方法。基于不动相准则和时频对偶，论文推导了模拟合并后子阵接收信号的表达式。推导结果表明，子阵的接收信号的相位随着子阵的次序二次变化。通过利用这一特性，论文得到了信道角度和距离的闭式估计值。

最后，为了进一步减少超大规模MIMO波束训练的开销，本文提出了一种近场波束跟踪方法。注意到近场的信道不仅与角度有关也与距离有关，论文采用动力学模型刻画近场信道的变化。在每个时隙，论文使用波束细化方法实时地估计用户的距离及角度，以定位用户的位置。然后，论文利用卡尔曼滤波融合估计的用户位置以及建立的运动学模型以跟踪和预测近场信道。