适用于多种大规模多天线网络的跨层随机优化技术研究

Massive multiple-input-multiple-output (MIMO) is a promising technology for future cellular networks. Due to the Doppler effect of wireless channel, there is a design tradeoff between the channel knowledge acquisition and data transmission, which leads to the issue of pilot contamination. Most of the existing literature tries to address this issue from the aspect of physical layer, where the techniques are usually designed for fixed locations of mobile users. In this project, however, we would like to release the potential of massive MIMO technology by exploiting the dynamics in user distribution, buffer queueing and data sharing, from not only the physical layer but also the media access control layer and application layer. Specifically, we would like to establish a stochastic optimization algorithm design framework, where the techniques of reinforcement learning and stochastic approximation are used to study the statistics of the aforementioned system dynamics, the techniques of Markov decision process and stochastic optimization are used to formulate the resource allocation problem and derive the low-complexity algorithms. Based on the designed algorithm, it is expected to obtain a favorable architecture for future massive MIMO networks. Meanwhile, a testbed will also be developed for performance measurement and demonstration of the proposed algorithms.

大规模多天线是未来蜂窝系统的主要技术之一。受快衰落影响，采用大规模多天线技术的系统存在信道测量准确度与数据传输机会之间的矛盾，形成了所谓的导频污染现象。现有文献大多从物理层的角度讨论如何在给定用户位置分布的情况下减缓导频污染，然而这些工作尚不能从系统整体的角度来发掘大规模多天线技术的传输潜力。因此，本项目拟从物理层、介质访问控制层和应用层出发，探讨如何利用系统在用户分布、数据传输需求、数据访问内容等方面的动态特性来设计符合大规模多天线技术的传输方案。本项目将聚焦集中式天线部署、分布式天线部署以及蜂窝与设备间直接通信混合组网等网络形态，研究特色在于：采用增强学习、随机近似等技术对上述网络的未知动态进行学习，采用马氏决策过程、随机优化等技术设计出符合大规模多天线技术特性的低复杂度无线资源调度算法，从而揭示符合大规模多天线技术特性传输架构。此外，我们还将搭建一个进行算法性能验证和展示的硬件平台。

本项目中，课题组首先从大规模多天系统的物理层入手，研究了典型场景下的导频污染问题和导频分配技术。同时，课题组开发了sub-6GHz和60GHz两个频段上的多天线系统，获得了若干典型场景下的无线感知数据集，开展了对传输环境进行无线感知的研究，论证了无线感知在相关场景下的可行性。在物理层和无线感知研究的基础上，课题组进一步针对集中式和分布式大规模多天线系统，设计了基于机器学习的无线资源随机优化算法。即利用机器学习和无线感知获得蜂窝系统若干要素的统计分布，优化无线资源分配的策略。最后，课题组将无线资源随机优化算法推广到大规模多天线系统与D2D网络进行混合组网的场景，以及通信-感知-计算一体化的场景。. 在上述研究中，课题组取得了两个主要的研究成果：（1）基于近似马尔科夫决策过程的低复杂度调度策略设计方案；（2）无线感知的数据集与信道模型。针对资源调度的不同场景，课题组采用有限时间长度和无限时间长度的马尔科夫决策过程对问题进行建模和公式化描述，分别提出了对应的值函数近似方法。由于在上述方法中值函数均可以获得闭式表达，传统值迭代的复杂计算可以被简化，算法复杂度大大降低。在值函数解析近似的基础上，系统的调度策略也可以通过较低的计算复杂度获得。同时，借助无线感知和机器学习，近似值函数与最优值函数的误差可以进一步缩小，从而提升调度策略的性能。课题组提出的上述算法设计方法能够以闭式表达的方式获得有效的性能下界，有利于进一步的理论性能分析。在无线感知方面，课题组不仅获得了人体运动、无人机运动等感知数据集，还成功进行了房间轮廓感知的实验并获得了相应数据集。基于上述实验，课题组不仅初步论证了通过无线感知定位运动物体、运动终端和预测未来无线信道的可行性，支撑了资源调度算法的关键假设；还提出了一个数据辅助的无线感知信道模型。该模型以仿真的方式快速产生无线感知数据集，可节约实验的巨大开销。