基于人工智能的大規模天線信道狀態信息反饋研究

黃秋萍，劉曉峰，高秋彬，劉正宣，金立強，孫韶輝

基于人工智能的大規模天線信道狀態信息反饋研究

黃秋萍1,2，劉曉峰3，高秋彬1,2，劉正宣1,2，金立強1,2，孫韶輝1,2

（1. 中信科移動通信技術股份有限公司，北京 100083；2.無線移動通信國家重點實驗室（電信科學技術研究院有限公司），北京 100191；3. 中國信息通信研究院，北京 100191）

信道狀態信息（channel state information，CSI）的精確獲取是大規模天線發揮效能的關鍵。在現有的通信系統中，上下行鏈路互易性不理想時，基于碼本進行下行鏈路的CSI反饋。隨著天線規模的增大，碼本CSI反饋所需要的開銷也越來越大。給出了基于人工智能（artificial intelligence，AI）的CSI反饋壓縮方法，分析了基于AI的CSI反饋的標準化影響、通信流程與面臨的挑戰，提供了評估結果。評估結果表明，相對于基于頻域基向量壓縮的碼本CSI反饋，基于AI的CSI反饋在相同的反饋精度下可以顯著地降低反饋開銷。

大規模天線；人工智能；信道狀態信息反饋

0 引言

隨著5G新空口（new radio，NR）系統的廣泛商用和部署，業界對移動通信系統的研究重點已轉向5G-A（5G-Advanced，5G演進）系統。大規模天線技術是提高頻譜效率和系統容量，滿足人們日益提高的通信質量需求的重要技術手段，是5G系統和5G-A系統的關鍵技術[1-3]。在大規模天線系統中，信道狀態信息（channel state information，CSI）的獲取與反饋是決定性能的關鍵。基站需要基于CSI，進行波束管理和調度。對于上行鏈路，基站可以利用上行探測參考信號進行上行CSI的獲取。對于下行鏈路，在上下行互易性較好時，基站可以利用上行探測參考信號進行下行CSI的獲取，終端僅需要反饋信道質量信息（channel quality information, CQI），以反映其受到的干擾和噪聲情況，在上下行互易性不理想時，CSI的獲取只能依賴終端的反饋。

CSI反饋包括全信道反饋和信道特征反饋兩種方式。考慮開銷問題，5G NR系統并不支持全信道信息的反饋，僅支持終端反饋用于表征信道特征的信息和信道質量，基站基于這些信息重構信道。在這種方式下，用于表征信道特征的信息的選取和精度尤為重要。在NR系統中，CSI可以反饋的信息包括CQI、預編碼矩陣指示（precoding matrix indicator，PMI）、秩指示（rank indicator，RI）、信道狀態信息參考信號資源指示（channel state information-reference signal resource indicator，CRI）、同步信號/物理廣播信道塊資源指示（synchronize signal/physical broadcasting channel block resource indicator，SSBRI）、層指示（layer indicator, LI）等[4]。

隨著天線規模的增加，CSI反饋的開銷也隨之增加，不利于系統容量提升。如何降低CSI反饋的開銷是大規模天線系統的一個研究重點和難點。為了降低CSI反饋的開銷，一方面是對CSI反饋量進行壓縮，降低單次CSI反饋的開銷[5-7]；另一方面是降低CSI反饋的頻次，從而降低總的開銷[8]。在降低單次CSI反饋量的開銷方面，業界最常用的方法是對CSI反饋量進行壓縮。其基本原理是利用信道在時域/空域/頻域的相關性，將信道在某些基底上進行壓縮降維，從而降低CSI反饋量的開銷。在5G NR系統的3GPP Release 16（Rel-16）階段，基于Type-II碼本，利用頻域信道的相關性對各子帶的反饋系數進行了壓縮，將CSI反饋的維度從子帶數目的整數倍降低到了頻域基向量維度的整數倍[4]。

現有的CSI反饋量壓縮方法的性能嚴重依賴于對于信道結構的先驗假設。當信道在對應的變換基上不具備稀疏性時，將大大降低CSI反饋的精度，性能無法保障。鑒于人工智能（artificial intelligence, AI）在圖像處理和自然語言處理等領域的巨大成功，無線通信與AI技術的結合受到了學術界和工業界的極大關注[9-13]。國內外學者們積極探索如何利用AI技術降低CSI反饋的開銷[14-20]，第三代合作伙伴計劃（3rd Generation Partnership Project，3GPP）開啟了基于AI的CSI反饋課題的研究，探索未來的標準化方向[21]。

1 基于AI的CSI反饋量壓縮

5G NR系統CSI反饋量的開銷主要是PMI的開銷。預編碼的目的是對發送信息進行匹配于信道的預處理，以將信息發送到相應的方向。理想的預編碼方式是將信道的特征向量作為預編碼矩陣。考慮直接將信道特征向量的幅度和相位進行較高精度的量化開銷太大，5G NR系統通過碼本對特征向量進行量化。利用碼本對特征向量進行量化相當于對特征向量做線性/非線性變換。最優的變換方式與場景/天線結構等諸多因素有關，難以設計和求解。AI基于數據進行訓練，可以習得最優的變換，更有效地利用信道結構特征，以更小的開銷達到相同的性能。此外，由于AI是數據驅動，通過AI模型對信道特征進行提取，還可以使得基于AI的CSI反饋量不再限于預編碼矩陣、傳輸層數等。本章介紹基于AI的CSI反饋量壓縮方法。

（1）基于AI的全信道壓縮

5G NR系統的CSI反饋沒有采用全信道反饋，其主要原因是全信道反饋開銷太大。如果AI可以大大降低壓縮后反饋量的開銷，在5G-A系統中進行基于AI的全信道反饋成為一種可能。

在進行基于AI的全信道壓縮時，AI編碼器的輸入為終端通過信道狀態信息參考信號（CSI reference signal，CSI-RS）獲得的信道估計值或經過預處理后的信道估計值。基于AI的全信道壓縮反饋示意圖如圖1所示（圖中的虛線框為可選模塊）：將終端估計的原始信道或經過預處理后的信道輸入AI編碼器，利用AI編碼器對信道信息進行壓縮后反饋給基站，基站側執行逆過程恢復信道信息。對終端獲得的信道估計值進行預處理的目的是降低AI編碼器輸入的維度，從而降低AI訓練的復雜度。信道的預處理通常基于信道在時域/空域/頻域的稀疏性進行。在一些AI譯碼器的設計中，CSI反饋的量化值直接作為AI譯碼器的輸入，此時不需要解量化的步驟。在AI編碼器的設計中包括對CSI反饋量的量化時，AI編碼器之外不再需要獨立的量化模塊。

圖1 基于AI的全信道壓縮反饋示意圖

（2）基于AI的信道特征壓縮

類似于基于AI的全信道反饋，終端可以利用信道估計值進行信道特征提取，然后利用AI編碼器和譯碼器進行信道特征的壓縮和解壓縮。如圖2所示，終端通過CSI-RS進行信道估計，并基于信道估計值提取信道特征，然后AI編碼器對提取出的信道特征進行壓縮、量化，然后反饋給基站。基站收到終端的反饋信息后，執行逆過程，即可恢復出AI編碼器壓縮前的信道特征。在恢復出信道特征后，基站可以進一步地進行信道重構，以恢復出原始信道或輸出多用戶配對的預編碼等。

圖2 基于AI的信道特征壓縮反饋示意圖

在圖2的結構中，信道特征的提取不參與AI編碼器的訓練。在以反饋預編碼為目的時，終端可以通過對信道估計值進行奇異值分解來獲得信道特征向量。除了進行信道特征壓縮外，AI算法也可以用于信道特征提取。此時，可以將信道特征提取與信道特征壓縮放在同一個AI編碼器里同時訓練，則基于AI的信道特征提取和信道特征壓縮反饋框圖與圖1相同。

在實際應用中，可以考慮僅對部分信道特征利用AI編碼器/譯碼器進行壓縮/解壓縮。對部分信道特征利用AI模型進行壓縮/解壓縮的主要應用場景如下。

●信道特征開銷差異較大的場景。在傳統的CSI反饋方式中部分信道特征開銷較大、部分信道特征開銷較小時，可以利用AI編碼器對開銷較大的信道特征進行壓縮，開銷較小的信道特征仍然使用傳統的反饋方式。例如，在基于Type II碼本的CSI反饋時，PMI反饋開銷最多可達數百比特，而RI反饋至多需要3 bit。利用AI模型對PMI進行壓縮反饋具有很大降低開銷的潛力，RI開銷的壓縮則無增強空間，沒有利用AI模型對RI進行壓縮反饋的必要性。此時可以考慮對PMI利用AI模型進行壓縮反饋，RI使用傳統的方式反饋。

●信道特征相關性不同的場景。在信道特征的相關性不同時，可以考慮對時域/頻域/空域相關性較強的信道特征利用AI模型進行壓縮，降低反饋開銷，相關性較弱的信道特征仍然采用傳統的方式進行反饋。這是因為基于數據驅動的AI模型可以在信道特征在時域/頻域/空域的相關性較強時，在保證性能的同時大大降低反饋開銷。在部分信道特征的上下行相關性較強，部分信道特征上下行相關性較弱時，也可以利用AI模型對上下行相關性較強的信道特征進行壓縮，再結合上行信道即可在保證性能的同時大大降低反饋開銷。

圖3 基于AI的雙通道信道特征壓縮反饋示意圖

文獻[23]提出的基于上下行鏈路互易性的CSI反饋架構DualNet-MAG和DualNet-ABS采用了圖3的基本結構。文獻[23]的研究表明，對于頻分雙工（frequency division duplex，FDD）大規模天線系統，在將時延域的CSI變換為極坐標形式時，上下行鏈路的相位相關性不明顯，但幅度具有較強的相關性；分別觀察CSI的實部和虛部，上下行鏈路CSI的符號相關性不明顯，但實部和虛部的絕對值具有較強的相關性。由于上下行鏈路相關性較強的信道特征可以基于上行鏈路的信道特征進行調整，因此將其壓縮至較少的反饋量不會影響性能。DualNet- MAG和DualNet-ABS基于該思想，將上下行鏈路相關性較強的信道特征進行了壓縮，將上下行鏈路相關性不強的信道特征直接量化反饋。其中，DualNet-MAG將信道特征分離為幅度部分和相位部分，幅度部分通過AI編碼器進行壓縮反饋，相位部分基于幅度分布量化后進行反饋。在基站利用AI譯碼器進行幅度部分的恢復時，將上行鏈路的幅度信息作為輸入量輸入AI譯碼器，輔助進行幅度部分的恢復。DualNet-ABS與DualNet-MAG的原理類似，區別在于將信道特征分離為實部和虛部各自的絕對值和符號，絕對值部分通過AI編碼器進行壓縮反饋，相位部分基于絕對值分布量化后進行反饋。評估結果表明，在多種應用場景下，DualNet-MAG和DualNet- ABS的性能都優于CsiNet。在相同的壓縮量下，DualNet-MAG和DualNet-ABS相較于CsiNet也表現出更強的魯棒性。

（3）基于AI的多壓縮比CSI壓縮

無線信道在時間上具有相關性。在信道的相干時間內，利用不同時刻信道間的相關性，可以對部分時刻的CSI進行高壓縮比（compression ratio，CR）壓縮，部分時刻的CSI進行低CR 壓縮。其中，CR的定義為壓縮后比特數與壓縮前比特數的比值。類似地，利用無線信道在頻域上的相關性，也可以對部分頻域資源的CSI進行高CR壓縮，部分頻域資源的CSI進行低CR壓縮。

文獻[24]基于文獻[22]的CsiNet進行了改進，提出了一種CsiNet-LSTM CSI反饋結構。在該結構中，在基站對信道恢復的過程中增加長短期記憶（long short-term memory，LSTM）模塊，并在時間上將待反饋的信道劃分成了若干組。在各個組中，僅對最早時刻的信道利用高CR進行基于AI的壓縮/解壓縮，以獲得較高精度的信道恢復；對于其他時刻的信道，利用低CR進行基于AI的壓縮/解壓縮，經過AI解壓縮后進入LSTM網絡。每個低CR AI譯碼器的輸入為高CR AI編碼器輸出的CSI反饋量與當前時刻低CR AI編碼器輸出的CSI反饋量的級聯。LSTM網絡中包括一些存儲單元，用來存儲之前信道提取出的信息，以用于后續的預測。LSTM網絡可以從之前提取出的信道信息中學習時間的相關性，結合當前時刻AI譯碼器輸出的信道信息，恢復原始信道信息。其原理示意圖如圖4所示。相對于未使用LSTM網絡且所有時刻的CSI反饋使用高CR AI編碼器進行壓縮的方案，CsiNet-LSTM方案可以在相同信道恢復精度下大大降低總的反饋開銷。

圖4 CsiNet-LSTM網絡示意圖

文獻[25]利用了無線信道在時間上的相關性，基于CsiNet提出了RecCsiNet和PR-RecCsiNet CSI反饋架構。RecCsiNet和PR-RecCsiNet與CsiNet的網絡結構相同，但AI編碼器和AI譯碼器內部結構不同。在RecCsiNet的AI編碼器中，首先對信道進行信道特征提取，然后經過并聯的線性全連接網絡（fully-connected network，FCN）和LSTM網絡。CsiNet-LSTM中只有基站側使用LSTM網絡進行信道恢復，RecCsiNet中的AI編碼器和AI譯碼器中均有LSTM網絡。因此，二者中的LSTM網絡并不相同。RecCsiNet的LSTM網絡中也有存儲單元，且具有提取時變信道的時域相關性的能力。但LSTM網絡并不用于學習時間相關性，而是用來學習殘差特性，從而使得信道特征的壓縮具有更好的魯棒性。FCN被用來作為跳躍連接，可以加速收斂并減少梯度消失問題。PR-RecCsiNet與RecCsiNet原理類似，區別在于LSTM網絡與FCN是串聯的關系。評估結果表明，相對于CsiNet，RecCsiNet具有更高的信道重建精度。

2 標準化影響

基于AI的CSI反饋對標準化的影響涉及多個方面。

對于基于AI的CSI反饋量的壓縮，基站側的AI譯碼器與終端側的AI編碼器必須匹配才能保證性能。因此，收/發兩端使用的AI模型應當聯合訓練，以形成一個完整的AI網絡。

從標準化的角度看，基站和終端首先需要交互AI模型的相關信息，以使得收/發兩端的AI模型相匹配。標準化AI模型的結構和參數并不利于設備實現的靈活性。因此，應當允許訓練AI編碼器/譯碼器的設備自行設計AI模型，然后將其發送給對側。AI模型的相關信息可以包括AI模型的基礎結構與主要參數，也可以是一個“黑盒子”，例如，為一個可執行程序。當AI模型的相關信息為AI模型的基礎結構與主要參數時，對側需要基于這些信息構建對應的AI模型。當AI模型的相關信息為一個“黑盒子”時，對側并不需要了解AI模型具體是什么，只需要輸入符合預先約定格式的輸入量，即可輸出所需要的信息。因此，除了AI模型相關信息的傳輸方式、比特大小和格式外，還有可能需要標準化AI編碼器輸入量的內容和格式、AI譯碼器輸出量的內容和格式等。

其次，需要標準化CSI反饋量的傳輸方式、比特大小和格式。AI模型的設計不同，AI編碼后獲得的CSI壓縮反饋量可能也有所不同。由于AI編碼器和AI譯碼器之間交互的反饋量可以認為是AI網絡內部的信息，因此無須標準化該反饋量表征的具體內容是什么，只需要標準化該反饋量的比特大小和格式，使得基站可以解析該反饋量對應的比特。由于基于AI的CSI反饋壓縮下CSI反饋量反饋的比特大小和格式與5G NR系統當前基于碼本的CSI反饋不同，因此不排除需要標準化新的CSI反饋方式。

此外，訓練AI模型的設備不同，標準化的影響也可能不同。理論上，AI模型的訓練可以在終端側進行，也可以在基站側進行。CSI反饋需要壓縮的是下行信道或下行信道特征。由于下行信道只能由終端通過下行參考信號測量獲得，因此終端側更易于利用實測數據進行AI模型訓練。但終端的存儲空間和電池容量有限，數據集的存儲勢必會占用終端的存儲空間，模型的訓練對終端的功耗是一大挑戰。此外，終端基于測量數據訓練的模型通常具有局限性，難以適用于其他終端。如果模型的訓練在終端側進行，基站需要與各終端分別交互AI模型的相關信息，這對上行鏈路來說是一個不小的挑戰。因此，在基站側進行AI模型的訓練更為合理。基站可以收集多個終端的信道信息構建數據集，訓練出一套適用于多個終端的AI模型，然后將該模型的相關信息發送給各終端。對于共用同一個AI模型的終端，基站可以通過廣播/多播的方式向終端發送AI模型相關信息。當AI模型的訓練在基站側進行時，終端需要向基站反饋信道特征/信道的原始數據，以用于數據集的構建和模型訓練。終端如何反饋信道特征/信道的原始數據，也是標準化需要考慮的內容。信道特征/信道的原始數據除了可以用于數據集的初始構建和AI模型的初始訓練外，還可以用于AI模型的更新。基站在對AI模型進行更新后，需要向終端發送AI模型的更新信息，以保證收發兩端AI模型的匹配。

基于上述分析，一種潛在的基于AI的CSI壓縮反饋流程示意圖如圖5所示。

圖5 基于AI的CSI壓縮反饋流程示意圖

3 研究挑戰與機會

雖然大量的學術研究證明了基于AI的CSI反饋的性能增益，將AI用于實際系統仍然面臨著大量的挑戰。

（1）網絡架構的創新

現有的基于AI的CSI反饋網絡結構多是終端使用AI編碼器進行CSI反饋量的壓縮，基站使用AI譯碼器進行CSI反饋量的恢復。在這種網絡架構下，為了保證AI編碼/譯碼的性能，需要對AI編碼器和譯碼器聯合訓練。這要求AI編碼器和譯碼器在同一側設備進行訓練，然后將AI編碼器/譯碼器的信息傳遞給另一側。一方面，AI編碼器/譯碼器信息的傳遞帶來了CSI反饋量之外的額外開銷；另一方面，AI編碼器的訓練需要關于信道的原始數據。如果在基站側進行訓練，如何獲取信道的原始數據是一個需要解決的問題；如果在終端側進行訓練，AI訓練會帶來增加終端復雜度和功耗等問題。為了解決上述問題，需要探索無須收/發兩側交互AI模型信息的方案。例如，探索收/發兩側獨立進行AI訓練的方案，或者，探索在單側應用AI模塊，另一側提供少量信息輔助的方案。

（2）數據集的獲取

AI模型的訓練離不開數據集。模擬的數據無法體現實際的信道性能，難以根據實際的信道條件更新模型參數。如何基于實際的數據進行AI模型的訓練，如何進行訓練所需數據集的獲取是實際應用時需要考慮的問題。

（3）AI訓練的復雜度

AI模型的好壞與數據集的大小息息相關。過小的數據集訓練的AI模型魯棒性較差，也無法保證CSI反饋的精度。較大規模的數據集可以保證AI模型的性能，但訓練復雜度也隨之增加。如何降低AI訓練的復雜度是實際應用的一大難點。此外，現有的研究中AI模型多是靜態訓練的。靜態訓練的AI模型難以匹配信道的動態變化，如何以較低的復雜度實現AI模型的動態更新也是需要考慮的問題。

（4）AI模型的泛化問題

AI模型的泛化包括兩個層面的內容：一方面是用戶間的模型泛化，另一方面是同一個用戶在多種信道條件下的模型泛化。前者是為了降低模型訓練的復雜度，降低關于AI模型信息的交互量；后者是為了提高AI模型的魯棒性。當前的研究多集中在單用戶基于特定數據集的模型訓練。為了在實際系統中進行更好的應用，AI模型的泛化是一個非常重要的課題。

（5）從理論到實際的非理想因素

現有的基于AI的CSI反饋研究中所提供的性能多假設收/發兩端已知訓練好的AI模型，并沒有考慮AI模型相關信息的交互是否理想，以及AI模型相關信息交互的開銷。在實際應用中，需要考慮信息交互中的不理想因素。

4 性能評估

本節評估了圖2所示的基于AI的信道特征壓縮反饋的性能。仿真假設見表1，其中，、、、g、g、p、p分別表示垂直方向天線陣子數、水平方向天線陣子數、天線極化數、垂直方向天線面板數、水平方向天線面板數、垂直方向天線陣子映射后的發送端口數和水平方向天線陣子映射后的發送端口數，d和d分別表示水平方向的陣子間距和垂直方向陣子間距。評估所使用的AI網絡如圖6所示。AI網絡的輸入為基于信道估計獲取的信道特征向量，所使用的AI編碼器和AI譯碼器的結構如下：編碼器包含兩個TB塊（transformer based block）、一個全連接層（Dense層）以及量化器，TB塊用于提取子帶內和子帶之間CSI特征，全連接層用于下采樣壓縮CSI，尾部級聯的Sigmoid激活函數將輸出歸一化到[0,1]便于量化器量化，量化器將輸入的實數量化為二進制比特數；類似地，譯碼器也包含兩個TB塊和一個全連接層以及解量化器，解量化器將輸入的二進制比特數映射為[0,1]取值范圍的實數，經過一個全連接層上采樣相匹配的維度，再經過兩個TB塊恢復重構CSI。其中，TB塊采用了類似Transformer模型的多頭注意力機制、殘差和層歸一化結構。量化器采用了[0,1]上均勻的2比特量化。通過調節編碼器的全連接層輸出維度，可以實現不同反饋開銷。在圖7的評估結果中，同時提供了采用5G NR系統基于頻域基向量壓縮的增強Type Ⅱ碼本進行CSI反饋時的性能作為比較基準，比較兩種方式下基站恢復的信道特征向量與實際的信道特征向量的余弦相似度。余弦相似度的計算式如式（1）所示，用來表征兩個向量之間的相關性。

根據圖7的評估結果可以看出，在相同的余弦相似度下，基于AI的信道特征壓縮反饋相對于增強Type Ⅱ碼本CSI反饋可以節省80～150 bit的開銷。

圖6 基于AI的信道特征壓縮反饋AI網絡結構

表1 仿真假設

圖7 基于AI的CSI反饋和增強Type Ⅱ碼本CSI反饋的平均余弦相似度的比較

5 結束語

本文分析了大規模天線系統中的CSI反饋量壓縮問題，總結了基于AI全信道壓縮反饋方法、基于AI的信道特征壓縮反饋方法和基于AI的多壓縮比CSI反饋方法，并進行了基于AI的CSI反饋的標準化探析，指出了在5G-A系統中進行基于AI的CSI反饋的研究方向。評估結果表明，在相同的余弦相似度下，相對于傳統的基于碼本的CSI反饋，基于AI的信道特征反饋方法可以顯著降低CSI反饋的開銷。

[1] CHATAUT R, AKL R. Massive MIMO systems for 5G and beyond networks-overview, recent trends, challenges, and future research direction[J]. Sensors (Basel, Switzerland), 2020, 20(10): 2753.

[2] BJORNSON E, VAN DER PERRE L, BUZZI S, et al. Massive MIMO in sub-6 GHz and mmWave: physical, practical, and use-case differences[J]. IEEE Wireless Communications, 2019, 26(2): 100-108.

[3] 陳山枝，孫韶輝，蘇昕，等. 大規模天線波束賦形技術原理與設計[M]. 北京：人民郵電出版社, 2019.

CHEN S Z, SUN S H, SU X, et al. Principles and design of massive beamforming technology[M]. Beijing: Posts & Telecom Press, 2019.

[4] 3GPP. NR; Physical layer procedures for data (V17.0.0): TS 38.214 [S]. 2021.

[5] KUO P H, KUNG H T, TING P G. Compressive sensing based channel feedback protocols for spatially-correlated massive antenna arrays[C]//Proceedings of 2012 IEEE Wireless Communications and Networking Conference. Piscataway: IEEE Press, 2012: 492-497.

[6] SIM M S, PARK J, CHAE C B, et al. Compressed channel feedback for correlated massive MIMO systems[J]. Journal of Communications and Networks, 2016, 18(1): 95-104.

[7] GAO Z, DAI L L, WANG Z C, et al. Spatially common sparsity based adaptive channel estimation and feedback for FDD massive MIMO[J]. IEEE Transactions on Signal Processing, 2015, 63(23): 6169-6183.

[8] CHEON H, PARK B, HONG D. Adaptive multicarrier system with reduced feedback information in wideband radio channels[C]//Proceedings of Gateway to 21st Century Communications Village, IEEE VTS 50th Vehicular Technology Conference (Cat. No.99CH36324). Piscataway: IEEE Press, 1999: 2880-2884.

[9] YE H, LI G Y, JUANG B H. Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2018, 7(1): 114-117.

[10] YANG Y W, GAO F F, LI G Y, et al. Deep learning-based downlink channel prediction for FDD massive MIMO system[J]. IEEE Communications Letters, 2019, 23(11): 1994-1998.

[11] KANG J M, CHUN C J, KIM I M. Deep-learning-based channel estimation for wireless energy transfer[J]. IEEE Communications Letters, 2018, 22(11): 2310-2313.

[12] GUO J J, WEN C K, JIN S, et al. Convolutional neural network-based multiple-rate compressive sensing for massive MIMO CSI feedback: design, simulation, and analysis[J]. IEEE Transactions on Wireless Communications, 2020, 19(4): 2827-2840.

[13] HSIEH C H, CHEN J Y, NIEN B H. Deep learning-based indoor localization using received signal strength and channel state information[J]. IEEE Access, 2019(17): 33256-33267.

[14] WANG T Q, WEN C K, WANG H Q, et al. Deep learning for wireless physical layer: opportunities and challenges[J]. China Communications, 2017, 14(11): 92-111.

[15] LU Z L, WANG J T, SONG J. Multi-resolution CSI feedback with deep learning in massive MIMO system[C]//Proceedings of ICC 2020 - 2020 IEEE International Conference on Communications. Piscataway: IEEE Press, 2020: 1-6.

[16] LU Z L, WANG J T, SONG J. Binary neural network aided CSI feedback in massive MIMO system[J]. IEEE Wireless Communications Letters, 2021, 10(6): 1305-1308.

[17] ZHANG Y Y, ZHANG X C, LIU Y. Deep learning based CSI compression and quantization with high compression ratios in FDD massive MIMO systems[J]. IEEE Wireless Communications Letters, 2021, 10(10): 2101-2105.

[18] LIU Z Y, DEL ROSARIO M, DING Z. A Markovian model-driven deep learning framework for massive MIMO CSI feedback[J]. IEEE Transactions on Wireless Communications, 2022, 21(2): 1214-1228.

[19] CAO Z, SHIH W T, GUO J J, et al. Lightweight convolutional neural networks for CSI feedback in massive MIMO[J]. IEEE Communications Letters, 2021, 25(8): 2624-2628.

[20] GAO M, LIAO T M, LU Y B. Fully connected feed forward neural networks based CSI feedback algorithm[J]. China Communications, 2021, 18(1): 43-48.

[21] 3GPP. RP-213560: New SI: study on artificial intelligence (AI)/machine learning (ML) for NR air interface[S]. 2021.

[22] WEN C K, SHIH W T, JIN S. Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Communications Letters, 2018, 7(5): 748-751.

[23] LIU Z Y, ZHANG L, DING Z. Exploiting Bi-directional channel reciprocity in deep learning for low rate massive MIMO CSI feedback[J]. IEEE Wireless Communications Letters, 2019, 8(3): 889-892.

[24] WANG T Q, WEN C K, JIN S, et al. Deep learning-based CSI feedback approach for time-varying massive MIMO channels[J]. IEEE Wireless Communications Letters, 2019, 8(2): 416-419.

[25] LU C, XU W, SHEN H, et al. MIMO channel information feedback using deep recurrent network[J]. IEEE Communications Letters, 2019, 23(1): 188-191.

Study of channel state information feedback based on artificial intelligence

HUANG Qiuping1,2, LIU Xiaofeng3, GAO Qiubin1,2, LIU Zhengxuan1,2, JIN Liqiang1,2, SUN Shaohui1,2

1. CICT Mobile Communications Technology Co., Ltd., Beijing 100083,China 2. State Key Laboratory of Wireless Mobile Communications, China Academy of Telecommunications Technology (CATT), Beijing 100191,China 3. China Academy of Information and Communications Technology(CAICT), Beijing 100191,China

Accurate acquisition of CSI (channel state information) is the key to the performance of massive MIMO. In current communication systems, when the reciprocity of uplink and downlink is not ideal, codebook-based CSI feedback is used for downlink CSI acquisition. With the increase of antenna scale, codebook-based CSI feedback needs more and more overhead. The CSI feedback compression method based on AI (artificial intelligence) was presented, and the standardization impact, communication process and challenges of CSI feedback based on AI were analyzed. Besides, evaluation results were provided. The evaluation results show that compared with codebook-based CSI feedback based on frequency domain basis vector compression, CSI feedback based on AI can significantly reduce the feedback cost at the same feedback accuracy.

massive MIMO, AI, CSI feedback

TP393

A

10.11959/j.issn.1000?0801.2022051

2022?02?10；

2022?03?15

國家重點研發計劃項目（No.2020YFB1807100）

TheNational Key Research and Development Project of China (No.2020YFB1807100)

黃秋萍（1987? ），女，博士，中信科移動通信技術股份有限公司高級工程師，主要研究方向為大規模天線技術、移動通信新技術研究與標準制定等。

劉曉峰（1981? ），男，博士，中國信息通信研究院無線通信創新中心副總工程師、正高級工程師，主要研究方向為移動通信系統設計等。

高秋彬（1980? ），男，博士，中信科移動通信技術股份有限公司正高級工程師，主要研究方向為通信系統協議設計、多天線系統、協作傳輸、信號處理算法以及系統建模與評估等。

劉正宣（1982? ），男，博士，中信科移動通信技術股份有限公司工程師，主要研究方向為大規模多輸入多輸出和基于人工智能的信道狀態信息反饋等。

金立強（1991? ），男，博士，無線移動通信國家重點實驗室（電信科學技術研究院有限公司）博士后研究員，主要研究方向為信道編碼、AI在通信物理層應用等。

孫韶輝（1972? ），男，博士，中信科移動通信技術股份有限公司副總經理、教授級高級工程師，主要研究方向為移動通信系統設計及多天線技術、衛星通信和定位等關鍵技術。