网络智能化/通信AI十大方向-信道建模预测之 基于AI的CSI压缩反馈

中国移动智慧网络人工智能开放创新平台上线了CSI压缩反馈数据和任务

1.大规模MIMO技术背景

        大规模MIMO 技术具有空间复用增益、分集增益及波束赋形能力，通过在发射端和接收端配置多根天线实现多收多发，充分利用空间资源，在不增加频谱资源和发射功率的前提下，成倍提高信道容量并减少多用户干扰，具有显著的性能优势。但是这些增益建立在基站能够精确获知上行链路和下行链路信道状态信息（CSI, channel state information）的前提下。

2.大规模MIMO信道状态信息反馈面临挑战

        上行链路的CSI 获取较容易，用户端发送训练导频，再由基站根据接收到的信号估计每个用户的信道响应；而下行链路的CSI 获取则较困难，也是需要重点解决的难题。

        在时分双工（TDD, time division duplex）制式下，基站可通过上行链路发送的训练导频进行信道估计，再利用信道互易性获取下行链路的CSI。

        在频分双工（FDD, frequency division duplex）制式下，上行链路和下行链路工作在不同的频点上，信道互易性很弱，因此，下行链路的CSI 需要先由用户端通过下行导频估计获得，再通过反馈链路传送回基站端。

        完整的CSI 回传需要消耗大量的空口资源开销，所以协议中通常采用矢量量化（VQ, vector quantization）或基于码本的方法降低开销，但这些方法在一定程度上损失了信道信息，且其产生的反馈量会随着发射天线数量的增大而成倍增加。大规模MIMO 系统中基站端使用大规模天线阵列，使得码本设计复杂度和相应的反馈量显著增长，因此，传统反馈方案在大规模MIMO 系统中是不可取的。

3.传统技术手段及面临问题

        研究发现随着基站天线数量增加，用户端在空频域的信道矩阵因基站有限的局部散射体可被表示成一种稀疏形式。因此，基于压缩感知（CS, compressive sensing）的CSI 反馈方案被提出。

        理论上，具有相关性的CSI在某些基底上可以变换为不相关的稀疏向量，然后利用CS 方法对其进行随机投影来获得降维的测量值；该测量值在占用少量资源开销的情况下通过反馈链路传送回基站，基站再