Las comunicaciones de ondas milimétricas (mmWave) han atraído un gran interés de la academia, industria, y el gobierno, ya que pueden aprovechar al máximo los abundantes recursos de frecuencia en la banda de alta frecuencia para lograr una transmisión de datos de ultra alta velocidad. Los sistemas de comunicación mmWave suelen estar equipados con grandes conjuntos de antenas, conocido como mmWave masiva de múltiples entradas y múltiples salidas (MIMO), para generar haces altamente direccionales y compensar la severa pérdida de trayectoria en la banda de alta frecuencia. Sin embargo, el rendimiento de la formación de haz direccional depende en gran medida de la precisión de la adquisición de información de estado del canal (CSI). En comparación con los sistemas MIMO tradicionales, La adquisición de CSI en sistemas MIMO masivos mmWave es un desafío. Por un lado, los grandes conjuntos de antenas forman una matriz de canales de gran dimensión, cuya estimación consume más recursos, p.ej., sobrecarga de secuencia piloto, haz sonar por encima de la cabeza, y complejidad computacional. Por otra parte, el MIMO masivo mmWave normalmente emplea una arquitectura de formación de haces híbrida, donde las cadenas de radiofrecuencia (RF) son mucho menores que las antenas. Por lo tanto, solo podemos obtener una señal de baja dimensión de las cadenas de RF en lugar de obtener directamente una señal de alta dimensión de las antenas frontend, lo que hace que la adquisición de CSI sea mucho más desafiante de lo habitual.

La adquisición de CSI incluye entrenamiento de haz y estimación de canal. A veces, el entrenamiento de haces también se denomina alineación de haces. Para el MIMO masivo mmWave que usa lentes electromagnéticos que generalmente funcionan como una transformación DFT del espacio angular al espacio del haz, El entrenamiento de haces también se denomina selección de haces. El entrenamiento de haz suena el canal MIMO masivo de ondas milimétricas con haces analógicos de transmisión y recepción para encontrar los pares de haces que mejor se adapten a la transmisión, lo que puede evitar la estimación de una matriz de canales de alta dimensión. Una vez finalizado el entrenamiento de la viga, métodos clásicos como la estimación del error de mínimos cuadrados o mínimos cuadrados medios, se puede utilizar para estimar la matriz de canal equivalente con una pequeña cantidad de símbolos piloto. La estimación del canal se centra en estimar una matriz de canales de alta dimensión, que explota de forma flexible técnicas avanzadas de procesamiento de señales, como la detección comprimida (CS). Tanto el entrenamiento de haces como la estimación de canales pueden aprovechar las técnicas de aprendizaje automático (ML) además de los enfoques tradicionales.

En este articulo, Se proporciona una descripción general de la adquisición CSI para MIMO masivo mmWave. Primeramente, los enfoques del entrenamiento del haz, incluyendo barrido de haz, entrenamiento de haz jerárquico, y se investiga el entrenamiento de haces basado en ML. Con entrenamiento de haz, solo necesitamos estimar una matriz de canal equivalente de baja dimensión en la escala del número de cadenas de RF. Como la otra categoría de adquisición de CSI, La estimación de canales tiene como objetivo estimar con precisión los canales MIMO masivos de mmWave. Luego, los métodos de estimación de canales principales, incluida la estimación de canales dispersos basada en CS, estimación de canal basada en el procesamiento de señales de matriz, y se discuten la estimación de canal basada en ML. Finalmente, diferentes enfoques en términos de eficiencia espectral (EE), complejidad computacional, y los gastos generales incurridos se comparan en detalle. También se dan algunos temas abiertos para futuros trabajos de investigación.