本文根据Jiguang He, Nhan Thanh Nguyen, Rafaela Schroeder等多位老师的文章“Channel Estimation and Hybrid Architectures for RIS-Assisted Communications”整理翻译而来，如有不正确地方，欢迎各位RIS方面的研究者和从业人员的批评指正。
摘要：RIS被认为是即将到来的6G无线通信系统的潜在技术。通过部署一个或者多个RIS可以带来各种好处，包含提高频谱和能量效率、增强连通性、扩大通信复盖范围、降低收发机复杂度，甚至提高定位精度。然而，要发挥它们的全部潜力，需要彻底解决与RIS相关的基本要素，从物理层(PHY)建模到RIS相位控制。本文概述了与RIS技术相关的一些即时的研究问题，如PHY建模(也包括物理学)、信道估计、潜在的RIS体系结构和RIS相位控制( 通过基于模型和数据驱动的方法 )，以及最近的数值结果。我们设想将更多的努力投入到由RIS启用的智能无线环境中。
引言：未来的第六代(6G)通信系统有望显著提升服务质量(QoS)。为此，当前第五代( 5G )通信系统中的关键性能指标需要进一步完善。这可以通过太赫兹(THz)通信、可重构智能表面(RIS)以及它们与人工智能(AI)的集成来实现。在这些潜在的候选技术中，设想部署大量低成本无源器件的RIS，为通信提供更高的频谱效率/能效(SE/EE) 。RIS具有反射、偏振、折射和吸收等多种功能，使无线传播环境的智能控制成为可能。随着RIS引入无线通信，一个可控传播环境成为现实的新时代被认为来临。除了通信，还可以考虑将RIS与毫米波(mmWave)多输入多输出(MIMO)网络一起进行定位。
在硬件实现方面，RIS可由变容二极管、晶液等制成。在RIS辅助网络中，信道状态信息(CSI)的获取对于RIS相位控制、波束形成、资源分配和干扰管理至关重要。由此可见，高效的信道估计(CE)算法是必要的。RIS通常被集成到毫米波或(次)太赫兹通信系统中，以实现视线(LOS)式的连接。在这些频段内，无线信道通常具有很强的方向性和稀疏性，可解路径数目有限。因此，信道系数矩阵是秩亏的，导致固有的信道稀疏性。在RIS辅助系统中，各种压缩感知技术，如原子范数最小化、基追踪、近似消息传递和混合范数最小化，都可以很好地应用于信道估计。为了采集测量值，需要导频序列或波束训练矩阵。在毫米波和太赫兹通信中大量使用的参数化信道模型中，终端的信道参数和位置是紧密耦合的，知道某一个可以推断出另一个。因此，移动台(MS)或环境对象上的先验信息将有利于导频序列的设计，进而提高信道估计性能。除了传统的基于模型的方法外，数据驱动的方法：例如深度学习(DL)框架，也可以用于RIS辅助通信系统的信道估计、相位控制和符号检测。它们能够根据数据驱动模型的目的，将接收信号映射到各个通道、RIS相位剖面和星座点。
最近，RIS辅助的通信受到了广泛关注。为了实现RIS，人们进行了多方面的研究，包括但不局限于信道估计、性能分析、设计和优化等。本文就近年来RIS技术的研究进展和成果作一综述。特别的是，我们首先就RIS的物理建模提供讨论。然后介绍了RIS辅助通信系统的高效信道估计算法、新颖的体系结构和数据驱动方法。
物理层建模:
物理RIS 建模：在算法开发所采用的系统模型中，RIS通常被建模为由λ / 2 (λ=波长)分离的独立反射元件组成的阵列。如果将RIS实现为反射天线阵，这种假设是有效的。事实上，电调谐反射天线阵可以用来动态调整其辐射方向图。对天线单元的控制可以通过加载阻抗可调的天线单元来实现。在RIS原型中最常用的可调阻抗是用PIN二极管实现的变容管。通过改变负载阻抗，天线单元的谐振频率是变化
最低0.47元/天 解锁文章
4296
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
