摘要

本文由Yupeng Li等人撰写，发表于IEEE VOL. 14, NO. 8, AUGUST 2023，主要探讨了在频率分复用（FDD）多输入多输出（MIMO）系统中，利用AI驱动的自动编码器进行信道状态信息（CSI）反馈的问题。文章提出了一种基于有限现场信道数据的信道建模辅助数据增强方法，旨在优化数据收集和增强，减少数据收集开销并增强模型泛化能力。通过模拟验证，该策略相较于基准方法能显著提升性能。

原理

本文提出的方法通过用户设备（UE）提取现场信道数据的主要随机参数，并将这些参数传输至基站（BS）。BS随后使用这些提取的参数更新典型的TR 38.901模型参数，从而生成更新的信道模型数据集。这种方法不仅考虑了数据集的收集和模型的泛化，还涉及模型的监控和选择等多个生命周期管理（LCM）方面。通过这种方式，文章提出的策略能够有效减少现场测量开销和空中接口费用，同时提高AI模型的泛化能力。

流程

1. UE从现场信道数据中提取主要信道参数。
2. 这些参数被传输到BS，用于更新TR 38.901信道模型参数。
3. BS使用更新后的信道模型生成数据集。
4. 通过模拟验证，该数据集用于训练AI模型，以提高CSI反馈的准确性和效率。 例如，在UMa场景中，使用800个现场样本通过CMDG方法构建SSCM数据集，显著减少了现场测量费用。

应用

本文提出的方法适用于6G通信系统中的CSI反馈，特别是在大规模MIMO系统中，能够有效提升频谱效率和容量密度。此外，该方法还适用于动态通信环境，其中信道数据需要频繁更新。通过减少数据收集和空中接口的开销，该方法为未来通信系统的部署提供了可行性。