超表面辅助MIMO预编码与波束追踪方法、装置、设备及介质与流程

摘要: 本发明涉及无线通信,尤其涉及超表面辅助mimo预编码与波束追踪方法、装置、设备及介质。背景技术:1、随着6g网络对超高谱效和全域覆盖的需求,去蜂窝大规模mimo...
超表面辅助MIMO预编码与波束追踪方法、装置、设备及介质与流程

本发明涉及无线通信,尤其涉及超表面辅助mimo预编码与波束追踪方法、装置、设备及介质。

背景技术:

1、随着6g网络对超高谱效和全域覆盖的需求,去蜂窝大规模mimo与可重构智能表面(ris)辅助通信技术成为重要研究方向。在ris辅助的去蜂窝大规模mimo系统中,大量分布式接入点(ap)和ris在中央处理单元(cpu)协调下,利用同一时频资源为用户提供服务。为最大化系统和速率,需对ap预编码矩阵与ris反射相位进行联合优化;在移动场景下,还需对ris波束进行动态追踪。现有技术中,联合预编码多采用交替优化(ao)、半定松弛(sdr)或深度强化学习(drl)方法;波束追踪多采用基于波达方向(doa)估计、深度学习预测结合层次化码本搜索的方法。

2、然而,现有技术存在以下缺陷:

3、第一,信道信息获取开销巨大:现有系统需获取所有ap-ris-用户级联信道的瞬时csi,在分布式多ris多ap部署下,导频开销呈指数增长,难以支撑系统大规模扩展。

4、第二,联合优化计算复杂度高,无法满足实时性:基于ao和sdr的算法复杂度高达o(n³),计算时延达秒级,远超6g太赫兹频段(如0.3thz)约120μs的信道相干时间,无法实现实时波束调整。

5、第三,集中式训练存在隐私与通信瓶颈:现有基于多智能体强化学习(marl)的方案在训练阶段仍需汇聚全局信道信息,产生巨大通信开销,在多运营商共享基础设施场景下存在数据隐私泄露风险。

6、第四,移动场景波束追踪精度不足:现有依赖瞬时doa估计或纯数据驱动的方法,在高动态场景下角度估计误差大(5°-10°),导致波束增益损失严重,且未考虑多ris协同追踪,易引发乒乓切换导致体验不连续。

7、第五,层次化码本未考虑分布式ris拓扑约束:现有层次化码本主要针对单ris场景设计,未考虑分布式系统中各ris位置、朝向和尺寸的拓扑差异,统一码本无法适配各节点几何特征,导致协同追踪效率低下。

技术实现思路

1、本发明所要解决的技术问题是提供超表面辅助mimo预编码与波束追踪方法、装置、设备及介质,用以解决现有技术中信道信息获取开销巨大、联合优化计算复杂度高且无法满足实时性、集中式训练架构存在隐私泄露与通信开销大、移动场景波束追踪精度不足以及层次化码本设计未考虑分布式超表面几何约束的技术问题。

2、本发明解决上述技术问题的技术方案如下:

3、第一方面,本发明提供了超表面辅助mimo预编码与波束追踪方法,包括:

4、基于各智能超表面的安装拓扑信息,对各智能超表面的波束进行初始对齐,得到初始波束配置;

5、基于所述初始波束配置,对各接入点和各智能超表面进行联合预编码优化,得到稳态预编码配置;

6、基于所述稳态预编码配置,对用户移动引起的波束偏移进行动态追踪,得到更新后的波束配置。

7、在上述技术方案的基础上,本发明还可以做如下改进。

8、进一步,所述基于各智能超表面的安装拓扑信息,对各智能超表面的波束进行初始对齐,得到初始波束配置,包括:

9、基于各智能超表面的安装位置和朝向信息,构建各智能超表面的局部坐标系与全局坐标系之间的变换关系;

10、基于所述变换关系,生成适配各智能超表面安装朝向的码本;

11、基于所述码本,对各智能超表面的波束进行搜索,得到初始波束配置。

12、进一步,所述码本为层次化码本,所述层次化码本包括粗粒度码本和细粒度码本;

13、所述各智能超表面的波束进行搜索,包括:

14、基于所述粗粒度码本进行并行粗搜索,根据用户终端反馈的接收功率确定主控智能超表面;基于所述细粒度码本对所述主控智能超表面进行精搜索,确定最优波束索引;其余辅助智能超表面根据与所述主控智能超表面的相对位置和朝向差,推算各自的最优波束方向。

15、进一步,所述基于所述初始波束配置,对各接入点和各智能超表面进行联合预编码优化,得到稳态预编码配置,包括:

16、获取各接入点和各智能超表面的本地信道状态信息;

17、基于所述本地信道状态信息,通过多智能体协同决策,得到各接入点的预编码矩阵和各智能超表面的反射相位;

18、基于专家知识对所述预编码矩阵和所述反射相位进行修正,得到稳态预编码配置。

19、进一步,所述多智能体协同决策通过深度强化学习策略网络实现,所述专家知识通过模糊逻辑控制器实现;

20、所述模糊逻辑控制器基于模糊规则将所述深度强化学习策略网络的输出转换为模糊语言变量,并通过隶属度函数融合深度强化学习输出和模糊逻辑修正结果,得到稳态预编码配置。

21、进一步,各接入点和各智能超表面基于本地信道状态信息独立训练策略网络,并将策略网络参数上传至中央处理单元进行聚合,得到全局策略网络参数后下发至各接入点和各智能超表面;

22、推理阶段各接入点和各智能超表面基于本地观测独立决策,不传输原始信道状态信息。

23、进一步,所述基于所述稳态预编码配置,对用户移动引起的波束偏移进行动态追踪,得到更新后的波束配置,包括:

24、基于历史信道状态信息序列,通过预测模型对用户的波束到达角进行预测,得到预测波束方向;

25、基于电磁波传播的物理约束对所述预测波束方向进行修正,得到更新后的波束配置;

26、所述动态追踪包括:多个智能超表面并行运行所述预测模型,收集各智能超表面的预测结果及预测方差,根据预测方差计算融合权重,对各智能超表面的预测角度进行加权平均,得到全局最优角度估计。

27、第二方面,本发明提供了超表面辅助mimo预编码与波束追踪装置,包括:

28、初始对齐模块,用于基于各智能超表面的安装拓扑信息,对各智能超表面的波束进行初始对齐,得到初始波束配置;

29、联合预编码模块,用于基于所述初始波束配置,对各接入点和各智能超表面进行联合预编码优化,得到稳态预编码配置;

30、动态追踪模块,用于基于所述稳态预编码配置,对用户移动引起的波束偏移进行动态追踪,得到更新后的波束配置;

31、协同调度模块,用于按照初始对齐、联合预编码优化、动态追踪的时序调度所述初始对齐模块、联合预编码模块和动态追踪模块形成协同闭环。

32、第三方面,本发明提供了一种计算机设备,包括:

33、存储器和处理器;

34、所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现超表面辅助mimo预编码与波束追踪方法的步骤。

35、第四方面,本发明提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述超表面辅助mimo预编码与波束追踪方法的步骤。

1.超表面辅助mimo预编码与波束追踪方法,其特征在于,包括:

2.根据权利要求1所述的超表面辅助mimo预编码与波束追踪方法,其特征在于,所述基于各智能超表面的安装拓扑信息,对各智能超表面的波束进行初始对齐,得到初始波束配置,包括:

3.根据权利要求2所述的超表面辅助mimo预编码与波束追踪方法,其特征在于,所述码本为层次化码本,所述层次化码本包括粗粒度码本和细粒度码本;

4.根据权利要求1所述的超表面辅助mimo预编码与波束追踪方法,其特征在于,所述基于所述初始波束配置,对各接入点和各智能超表面进行联合预编码优化,得到稳态预编码配置,包括:

5.根据权利要求4所述的超表面辅助mimo预编码与波束追踪方法,其特征在于,所述多智能体协同决策通过深度强化学习策略网络实现,所述专家知识通过模糊逻辑控制器实现;

6.根据权利要求4所述的超表面辅助mimo预编码与波束追踪方法,其特征在于,各接入点和各智能超表面基于本地信道状态信息独立训练策略网络,并将策略网络参数上传至中央处理单元进行聚合,得到全局策略网络参数后下发至各接入点和各智能超表面;

7.根据权利要求1所述的超表面辅助mimo预编码与波束追踪方法,其特征在于,所述基于所述稳态预编码配置,对用户移动引起的波束偏移进行动态追踪,得到更新后的波束配置,包括:

8.超表面辅助mimo预编码与波束追踪装置,应用于权利要求1-7中任一项所述的方法,其特征在于,包括:

9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。