TW202315347A

TW202315347A - 用於 mimo csi 回饋的方法和裝置

Info

Publication number: TW202315347A
Application number: TW111134682A
Authority: TW
Inventors: 慶奎範; 桂建卿
Original assignee: 新加坡商聯發科技（新加坡）私人有限公司
Priority date: 2021-09-15
Filing date: 2022-09-14
Publication date: 2023-04-01
Also published as: WO2023040618A1; CN117941325A

Abstract

使用者設備（UE）在多輸入多輸出（MIMO）傳輸中向基地台報告通道狀態資訊（CSI）。UE基於從基地台接收到的CSI參考訊號(CSI-RS)構建CSI矩陣。CSI矩陣在發射(Tx)天線域、頻域和時域中至少是三維的。UE將CSI矩陣變換為至少在Tx波束域、延遲域和多普勒域中的變換矩陣。UE使用多層神經網路將變換後的CSI矩陣編碼為一維特徵向量，並將該一維特徵向量發送給基地台。

Description

用於　MIMO　CSI　回饋的方法和裝置

本發明的實施例涉及無線通訊；更具體地說，涉及用於傳輸通道狀態資訊（channel state information，CSI）回饋。

第五代新無線電（The Fifth Generation New Radio，5G NR)是用於行動寬頻通信的電信標準。NR 由第三代合作夥伴計畫 (the 3rd Generation Partnership Project，3GPP) 頒佈，以顯著提高延遲、可靠性、輸送量等性能指標。此外，NR 支援波束成形、多輸入多輸出 (multiple-input multiple-output，MIMO) 天線技術和載波聚合。

在 5G NR 網路中，基地台可以向使用者設備 (user equipment，UE) 發送一個或複數個參考訊號，包括通道狀態資訊參考訊號 (channel state information reference signal，CSI-RS)。基於CSI-RS的測量，UE可以例如估計下行鏈路通道品質並獲得下行鏈路傳輸中的空間資訊。UE將估計的通道品質報告給基地台，基地台基於來自UE的報告發送預編碼的下行鏈路訊號。基地台還可以基於 UE 的報告調整下行資料速率和調製方案。

UE在MIMO傳輸中向基地台的報告會產生很大的開銷，對於典型無線系統中的有限頻寬來說，這通常大得令人望而卻步。因此，現有的 5G NR 技術可以進一步改進，以使運營商和用戶獲益。這些改進也可能適用於其他多址技術和採用這些技術的電信標準。

本在一個實施例中，提供一種用於UE在多輸入多輸出(multiple-input multiple-output，MIMO)傳輸中向基地台報告通道狀態資訊(channel state information，CSI)的方法。該方法包括基於從基地台接收的CSI參考訊號(CSI reference signal，CSI-RS)構建CSI矩陣。CSI矩陣在發射(transmit，Tx)天線域、頻域和時域中至少是三維的。該方法還包括將CSI矩陣變換為至少在Tx波束域、延遲域和多普勒域中的變換矩陣；使用多層神經網路將變換後的 CSI 矩陣編碼為一維特徵向量；將一維特徵向量發送給基地台。

在另一個實施例中，提供了一種用於基地台在MIMO傳輸中從UE獲得CSI的方法。該方法包括從UE接收一維特徵向量，並使用多層神經網路將一維特徵向量解碼為Tx波束域、延遲域和多普勒域中的至少三維矩陣。該方法還包括至少在Tx天線域、頻域和時域中將矩陣變換為CSI矩陣，以及基於CSI矩陣對下行鏈路傳輸進行預編碼。

根據本發明所提供的用於MIMO CSI 回饋的方法和裝置可以更好地估計通道條件並減少通道狀態資訊傳輸中的開銷。

其他方面和特徵對於所屬技術領域具有通常知識者而言在結合圖式閱讀以下具體實施例的描述時將變得顯而易見。

在以下描述中，闡述了許多具體細節。然而，應當理解，可以在沒有這些具體細節的情況下實踐本發明的實施例。在其他情況下，未詳細示出公知的電路、結構和技術，以免混淆對本描述的理解。然而，所屬技術領域具有通常知識者將理解，本發明可以在沒有這些具體細節的情況下實施。本領域的普通技術人員通過所包含的描述將能夠實現適當的功能而無需過度實驗。

本發明的實施例提供了一種具有神經網路的使用者設備(user equipment，UE)和基地台，以減少通道狀態資訊(channel state information，CSI)傳輸中的開銷。UE 和基地台都支援多輸入多輸出 (multiple-input multiple-output，MIMO) 傳輸。UE使用第一神經網路將CSI的矩陣表示壓縮為一維（one-dimensional，1D）特徵向量，基地台使用另一個神經網路從一維特徵向量重構CSI。在一個實施例中，CSI包括時域、頻域和空間域中的通道資訊。第一神經網路用作編碼器，第二神經網路用作解碼器。在以下公開中，術語「壓縮」和「編碼」可互換使用，並且術語「解壓縮」和「解碼」可互換使用。UE通過發送一維特徵向量向基地台報告下行鏈路CSI，基地台根據一維特徵向量重構CSI。

CSI壓縮的深度學習方法可以顯著增加大規模MIMO系統中的下行鏈路輸送量。由於基地台的天線數量眾多，這些大規模 MIMO 系統通常在下行鏈路 CSI 回饋中具有嚴重的開銷。與現有的基於感知的 CSI 壓縮相比，本申請描述的深度學習方法在基地台的均方誤差 (mean squared error，MSE) 方面提供了更好的重建性能。此外，本申請描述的深度學習方法充分利用了所有物理域（即天線、時間和頻率）的相關性，與現有方法相比，可以更好地估計通道條件。

所公開的方法以及實現該方法的裝置和電腦產品可以應用於基地台（例如，5G NR網路中的gNB）和UE之間的無線通訊。應注意，雖然此處可使用與 5G 或 NR 無線技術相關的術語來描述實施例，但本發明可應用於其他多址技術和採用這些技術的電信標準，例如長期演進 (Long Term Evolution，LTE) ) 系統、未來的 3GPP 系統、IEEE 協定等。

第1圖是圖示根據一個實施例的用於CSI壓縮和重構的進程100的圖。在諸如5G NR網路的一些網路環境中，基地台（base station，BS）120可以被稱為gNodeB、gNB等。在另一種網路環境中，基地台可能有其他名稱。BS 120和UE 150相互發送波束形成的訊號。

UE 150也可以以其他名稱為人所知，例如行動台、訂戶單元等。UE 150可以是固定的或行動的。UE 150的示例可以包括蜂窩電話(例如，智慧手機)、無線通訊設備、手持設備、膝上型電腦、平板電腦、遊戲裝置、可穿戴設備、娛樂設備、感測器、車輛、資訊娛樂設備、物聯網 (Internet-of-Things，IoT) 設備或任何可以通過無線介質進行通信的設備。UE 150可以被配置為通過空中介面接收和發送訊號到無線電接入網路中的一個或複數個小區。

在一個實施例中，BS 120和UE 150都支持MIMO傳輸。對於 MIMO 傳輸，發射器可以利用複數個發射 (transmit，Tx) 天線將資料傳輸到配備有複數個接收 (receive，Rx) 天線的接收器。在一個實施例中，BS 120和UE 150都包括用於在Tx和Rx方向上執行波束控制和跟蹤的MIMO天線。BS 120形成用於下行鏈路傳輸和上行鏈路接收的複數個波束，並且UE 150還形成用於上行鏈路傳輸和下行鏈路接收的波束。每個波束對應於BS 120和UE 150之間的空間關係。對於UE 150，空間關係等價於UE 150可以在類比和/或數位域中應用的空間濾波。

BS 120向服務小區中的UE 150或一組UE發送下行鏈路參考訊號。參考訊號之一是通道狀態資訊參考訊號(channel state information reference signal，CSI-RS)。BS 120可以為UE 150使用的CSI-RS配置配置一組時間和頻率資源。根據CSI-RS配置，UE 150接收具有給定時間和頻率資源的CSI-RS用於通道品質估計、頻率和時間跟蹤等用途。CSI-RS 可以是週期性的、非週期性的或半持久的。UE基於CSI-RS計算通道矩陣並將通道矩陣的表示報告給基地台。本申請中的術語「通道矩陣」指的是對從基地台發送的下行鏈路訊號(s)與UE接收的訊號(r)之間的關係進行建模的矩陣H。這種關係的簡化形式可以表示為： r = H · s + n，其中 n 是雜訊訊號。

參考第1圖中的進程100，BS 120在步驟101向UE 150發送CSI-RS。基於接收到的CSI-RS，UE 150在步驟102估計下行鏈路通道品質並構造CSI的矩陣表示。矩陣表示(H1)在本申請中被稱為CSI矩陣。CSI矩陣可以是通道矩陣、通道矩陣的協方差、從通道矩陣的奇異值分解(singular value decomposition，SVD)得到的正交矩陣、或者從通道矩陣計算的另一個矩陣。在步驟103，UE 150將離散傅裡葉變換(Discrete Fourier Transform，DFT)應用於CSI矩陣以生成變換的CSI矩陣(

)。DFT 具有減少 CSI 矩陣中非零元素的效果。在步驟104，UE 150將第一深度神經網路(DNN1)應用於變換後的CSI矩陣以獲得一維特徵向量。特徵向量也稱為壓縮向量，因為特徵向量中的元素數量少於變換後的CSI矩陣中元素的總數。在步驟105，UE 150將特徵向量發送到BS 120。

BS 120在步驟106將DNN(例如，DNN2)應用于特徵向量以生成矩陣(

2)，然後在步驟107將逆DFT(inverse DFT，IDFT)應用於

2以生成重構的CSI矩陣( H2)。重構的 CSI 矩陣指示 BS 120 和 UE 120 之間的無線電通道或鏈路的品質。基於重構的 CSI 矩陣，BS 120 在步驟 108 確定 MIMO 預編碼方案，即用於下行鏈路傳輸的UE 優選的傳輸層數，並對下行鏈路訊號進行相應的預編碼。在步驟109，BS 120向UE 150發送預編碼的下行鏈路訊號。

第2圖是圖示根據一個實施例的分別由UE和基地台執行的操作的圖。正交分頻複用 (orthogonal frequency-division multiplexing，OFDM) 系統中的

MIMO 通道可以表示為四維 (four-dimensional，4D) 通道矩陣：

其中，

是 UE 的 Rx 天線數量，

是基地台的 Tx 天線數量，n 是以 OFDM 符號或時隙為單位的時域索引，m 是以子載波或子帶為單位的頻域索引。

當

=1 時，MIMO 通道可以表示為 Tx 天線、時域和頻域中的三維 (three-dimensional，3D) 通道矩陣，如下所示。

, 其中N是OFDM符號或時隙的總數，M是子載波或子帶的總數。

可以通過 3D-DFT 在波束域、延遲域和多普勒域中轉換為

。

= 3D-DFT (

) =

，其中 j 是波束索引，k 是多普勒分量的索引，

是延遲分量的索引。UE 將 DNN1 應用於

以生成 1D 特徵向量 hv。在這裡的描述中，MIMO通道矩陣在Tx天線域、頻域和時域中至少是3D的。

參考第2圖，UE 150將DFT 210和DNN 220應用於MIMO通道矩陣(H)以生成一維特徵向量。在可選實施例中，UE可以將DFT 210和DNN 220應用於通道矩陣H的協方差 C = H ^H∙H ，或者從通道矩陣 H = USV ^H 的SVD獲得的正交矩陣V，或者從通道矩陣H計算出的其他矩陣。這裡所使用的術語「CSI矩陣」是指MIMO通道矩陣H、協方差矩陣C、正交矩陣V或從通道矩陣H計算出的其他矩陣。在UE側的CSI矩陣記為H1，基地台側重構的CSI矩陣記為H2。

UE 150將DFT 210應用於CSI矩陣H1以在至少Tx波束域、延遲域和多普勒域中生成變換的CSI矩陣

1。UE 150然後使用DNN 220(即，DNN1)將

1壓縮成一維特徵向量 hv。UE 150然後將特徵向量 hv發送到BS 120。BS 120使用DNN 230(即，DNN2)將 hv解壓縮成矩陣

2.。BS 120然後將IDFT 240應用於

2以生成重構的CSI矩陣 H2。注意第2圖的實施例可以應用於維度大於三的CSI矩陣（例如，4D CSI 矩陣）的壓縮和重構。

第3圖是圖示根據一個實施例的由UE使用的DNN的示意圖。如前所述，DNN1 在 UE 側，DNN1 的輸入是 DFT 變換的 CSI 矩陣

1。在該示例中，DNN1包括多層卷積神經網路（convolutional neural network，CNN）310。在CSI矩陣是3D的實施例中，每個CNN 310將3D內核應用於3D矩陣。在CSI矩陣是4D的另一個實施例中，每個CNN 310將4D內核應用於4D矩陣。DNN1還包括將多維CSI矩陣展平為一維向量的展平（flatten）層320，以及將一維向量壓縮為壓縮的一維向量（也稱為特徵向量 hv）的全連接（fully-connected，FC）層330。可以理解，DNN1 可能包括圖 3 中未顯示的附加層。

第4圖是示出根據一個實施例的基地台使用的DNN的示意圖。如前所述，DNN2在基地台端，DNN2的輸出是一個矩陣

2，通過IDFT變換為一個重構的CSI矩陣 H2。在該示例中，DNN2包括將接收到的一維特徵向量 hv解壓縮為未壓縮的一維向量的FC層430，以及將一維未壓縮向整形為多維矩陣的整形層420。DNN2還包括CNN 410的多層。在CSI矩陣是3D的實施例中，每個CNN 410將3D內核應用於3D矩陣。在CSI矩陣是4D的另一個實施例中，每個CNN將4D內核應用於4D矩陣。可以理解，DNN2 可以包括圖 4 中未顯示的附加層。此外，DNN1 和 DNN2 的分層結構不一定是對稱的。例如，DNN2 可能比 DNN1 具有更多、更少或不同的層；與 DNN1 相比，DNN2 的層間連接可能更多、更少或不同。

在一個實施例中，DNNl (編碼器)和DNN2 (解碼器)可以通過監督訓練聯合訓練。也就是說，將訓練樣本輸入 DNN1，並將 DNN2 的輸出與輸入訓練樣本進行比較。例如，計算 DNN1 輸入和 DNN2 輸出之間的均方誤差 (mean square error，MSE)，並用於更新 DNN1 和 DNN2 的內核權重和偏差（bias）。可以基於基於梯度的方法執行更新。在一個實施例中，可以由UE和基地台聯合執行訓練。在另一個實施例中，訓練可以由電腦系統(例如，伺服器)執行，訓練後的DNN1和DNN2分別下載到UE和基地台。訓練可以在多種操作環境中進行。

第5圖是圖示根據一個實施例的由UE執行以在MIMO傳輸中向基地台報告CSI的方法500的流程圖。當UE基於來自基地台的CSI-RS構建CSI矩陣時，方法500開始於步驟510。CSI矩陣在Tx天線域、頻域和時域中至少是3D的。UE在步驟520將CSI矩陣(例如，通過DFT)變換成至少在Tx波束域、延遲域和多普勒域中的變換矩陣。UE在步驟530使用多層神經網路將變換後的CSI矩陣編碼為一維特徵向量。UE在步驟540將一維特徵向量發送到基地台。

第6圖是圖示根據一個實施例的由基地台執行以在MIMO傳輸中從UE獲得CSI的方法600的流程圖。當基地台從UE接收一維特徵向量時，方法600開始於步驟610。在步驟620，基地台使用多層神經網路將一維特徵向量解碼成Tx波束域、延遲域和多普勒域中的至少3D矩陣。在步驟630，基地台至少在Tx天線域、頻域和時域中將矩陣變換(例如，通過IDFT)成CSI矩陣。在步驟640，基地台基於CSI矩陣對下行鏈路傳輸進行預編碼。

參考第5圖的實施例，CSI矩陣還可以包括Rx天線域中的第四維度，其被變換(例如，通過DFT)到Rx波束域中。參考第6圖的實施例，CSI矩陣還可以包括從Rx波束域變換(例如，通過IDFT)的Rx天線域中的第四維度。Rx天線域可以由UE處的Rx天線的數量來索引。時域可以由符號或時隙的數量來索引。頻域可以由子帶或子載波的數量來索引。Tx天線域可以由基地台處的Tx天線的數量來索引。多層神經網路可以包括一個或複數個卷積神經網路層。

在一個實施例中，CSI矩陣是MIMO通道矩陣。在另一個實施例中，CSI矩陣是從MIMO通道矩陣的奇異值分解(singular value decomposition，SVD)計算的正交矩陣。在又一個實施例中，CSI矩陣是MIMO通道矩陣的協方差矩陣。

第7圖是示出根據一個實施例的與基地台750執行無線通訊的裝置700的框圖。在一個實施例中，裝置700可以是UE，基地台750可以是gNb等。在一個實施例中，裝置700可以是第1圖和第2圖中的UE 150，並且基地台750可以是第1圖和第2圖中的BS 120。基地台750包括天線元件755(例如，MIMO天線陣列) 形成用於發射和接收訊號的波束。裝置700還包括天線元件710(例如，MIMO天線陣列)以支援波束成形操作。基地台750包括記憶體，其中存儲了DNN2。裝置700還包括存儲電路(也稱為記憶體740)，其中存儲了DNN1。

此外，裝置700包括收發器電路(也稱為收發器720)，該收發器電路包括被配置為提供與無線電接入網路中的另一個站的無線電通信的發射器和接收器。發射器和接收器可以在每個簇的數位前端中包括濾波器，並且每個濾波器可以被使能以通過訊號並且被去能以阻止訊號。裝置700還包括處理電路730，其可以包括耦接於處理電路730的一個或複數個控制處理器、訊號處理器、中央處理單元、核和/或處理器核。裝置700還可以包括介面(例如使用者介面)。裝置700可以結合到無線系統、站、終端、設備、器具、機器和可操作以在諸如5G NR網路的多接入網路中執行無線通訊的IoT中。

在一個實施例中，基地台750和裝置700都可以使用電腦可讀介質存儲和傳輸（內部和/或通過網路與其他電子設備一起）代碼（由軟體指令組成）和資料，例如非暫時有形電腦可讀介質（例如，例如磁片；光碟；唯讀記憶體；快閃記憶體設備的電腦可讀存儲介質）和暫時電腦可讀傳輸介質（例如，電、光學、聲學或其他傳播訊號的形式）。例如，記憶體740可以包括存儲電腦可讀程式碼的非暫時性電腦可讀存儲介質。當由處理器執行時，代碼使處理器執行根據本申請公開的實施例的操作，例如第5圖和第6圖中公開的方法。

儘管在本申請中使用裝置700和基地台750作為示例，但是應當理解，這裡描述的方法適用於能夠執行無線通訊的任何計算和/或通信設備。

已經參照第7圖的示例性實施例描述了第5圖和第6圖的流程圖的操作。然而，應當理解，第5圖和第6圖的流程圖的操作可以通過實施例來執行除了第7圖的實施例之外，第7圖的實施例可以執行與參考流程圖討論的那些不同的操作。雖然第5圖和第6圖的流程圖顯示了由本發明的某些實施例執行的操作的特定順序，但應該理解這種順序是示例性的（例如，替代實施例可以以不同的循序執行操作，組合某些操作，重疊某些操作等）。

本申請已經描述了各種功能元件或塊。如所屬技術領域具有通常知識者將理解的，功能塊將優選地通過電路（專用電路或通用電路，其在一個或複數個處理器和編碼指令的控制下操作）實現，其通常包括電晶體被配置為根據本申請描述的功能和操作來控制電路的操作。

雖然本發明已經根據幾個實施例進行了描述，但是所屬技術領域具有通常知識者將認識到本發明不限於所描述的實施例，並且可以在所附申請專利範圍的精神和範圍內進行修改和變更來實施。該描述因此被認為是說明性的而不是限制性的。

100:進程 101,102,103,104,105,106,107,108,109:步驟 120:BS 150:UE 210:DFT 220:DNN 230:DNN 240:IDFT 310:CNN 410:CNN 500:進程 510,520,530,540:步驟 600:進程 610,620,630,640:步驟 700:裝置 710:天線元件 720:收發器 730:處理電路 740:記憶體 750:基地台 755:天線元件

本發明通過示例而非限制的方式在圖式的圖中示出，其中相同的圖式標記指示相似的元件。需要說明的是，本發明中對「一個（a）」或「一個（one）」實施例的不同稱謂並不一定是同一個實施例，這樣的稱謂至少意味著一個。此外，當結合實施例描述特定特徵、結構或特性時，提交的是在所屬技術領域具有通常知識者的知識範圍內實現與其他實施例結合的這種特徵、結構或特性，無論是否沒有明確描述。第1圖是圖示根據一個實施例的用於CSI壓縮和重構的進程的圖。第2圖是圖示根據一個實施例的分別由UE和基地台執行的操作的圖。第3圖是圖示根據一個實施例的由UE使用的深度神經網路(deep neural network，DNN)的示例的示意圖。第4圖是圖示根據一個實施例的由基地台使用的DNN的示例的示意圖。第5圖是圖示根據一個實施例由UE執行的方法的流程圖。第6圖是圖示根據一個實施例由基地台執行的方法的流程圖。第7圖是圖示根據一個實施例的與基地台執行無線通訊的裝置的框圖。

500:進程

510,520,530,540:步驟

Claims

一種使用者設備在多輸入多輸出(MIMO)傳輸中向基地台報告通道狀態資訊(CSI)的方法，包括：基於從所述基地台接收到的CSI參考訊號(CSI-RS)構建CSI矩陣，其中所述CSI矩陣在發射(Tx)天線域、頻域和時域中至少是三維的；將所述CSI矩陣變換為至少在Tx波束域、延遲域和多普勒域中的變換矩陣；使用多層神經網路將變換後的 CSI 矩陣編碼為一維特徵向量；以及將所述一維特徵向量發送給所述基地台。
如請求項1所述之方法，其中，所述CSI矩陣還包括接收(Rx)天線域中的第四維度，所述第四維度被變換為Rx波束域。
如請求項2所述之方法，其中，所述Rx天線域由所述使用者設備處的Rx天線的數量索引。
如請求項1所述之方法，其中，所述時域由符號或時隙的數量索引。
如請求項1所述之方法，其中，所述頻域由子帶或子載波的數量索引。
如請求項1所述之方法，其中，所述Tx天線域由所述基地台處的Tx天線的數量索引。
如請求項1所述之方法，其中，所述CSI矩陣是MIMO通道矩陣。
如請求項1所述之方法，其中，所述CSI矩陣是從MIMO通道矩陣的奇異值分解計算的正交矩陣。
如請求項1所述之方法，其中，所述CSI矩陣是MIMO通道矩陣的協方差矩陣。
如請求項1所述之方法，其特徵在於，所述多層神經網路包括一個或複數個卷積神經網路層。
一種基地台在多輸入多輸出(MIMO)傳輸中從使用者設備獲取通道狀態資訊(CSI)的方法，包括：從所述使用者設備接收一維特徵向量；使用多層神經網路將一維特徵向量解碼為發射(Tx)波束域、延遲域和多普勒域中的至少三維矩陣；至少在Tx天線域、頻域和時域中將所述矩陣變換為CSI矩陣；以及基於所述CSI矩陣預編碼下行鏈路傳輸。
如請求項11所述之方法，其中，所述CSI矩陣還包括從Rx波束域變換的接收(Rx)天線域中的第四維度。
如請求項12所述之方法，其中，所述Rx天線域由所述使用者設備處的Rx天線的數量索引。
如請求項11所述之方法，其中，所述時域由符號或時隙的數量索引。
如請求項11所述之方法，其中，所述頻域由子帶或子載波的數量索引。
如請求項11所述之方法，其中，所述Tx天線域由所述基地台處的Tx天線的數量索引。
如請求項11所述之方法，其中，所述CSI矩陣是MIMO通道矩陣。
如請求項11所述之方法，其中，所述CSI矩陣是從MIMO通道矩陣的奇異值分解計算的正交矩陣。
如請求項11所述之方法，其中，所述CSI矩陣是MIMO通道矩陣的協方差矩陣。
如請求項11所述之方法，其中，所述多層神經網路包括一個或複數個卷積神經網路層。