Techniques de pré-codage pour les systèmes MIMO distribué

Precoding techniques for cell-free massive MIMO systems

• Auteur / Autrice : Chaima Beldi
• Direction : Hmaied Shaiek, Didier Le Ruyet
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Electronique, traitement du signal et télécommunications
• Date : Inscription en doctorat le 01/12/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre d'études et de recherche en informatique et communications (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France)

Mots clés

Mots clés libres

6g

Massive MIMO distribué

Estimation de canal

Pré-codage

Imperfections matérielles

Apprentissage profond

6g

CF-mMIMO

Channel estimation

Precoder

Hardware imperfections

Deep learning

Résumé

Le MIMO massif distribué (ou massive Cell Free MIMO: CF-mMIMO) est une technologie candidate clé qui devrait relever de nombreux défis des communications sans fil 6G. Dans le CF-mMIMO, les limites des cellules disparaissent et un réseau d'antennes virtuel est construit via de nombreux points d'accès (PA). Cela se traduit par une architecture de réseau qui utilise des modules radio plus petits avec peu d'antennes par PA. Le CF-mMIMO offre de nombreux avantages par rapport au MIMO massif traditionnel en permettant une bonne couverture, un déploiement rapide et des niveaux de puissance de transmission réduits. Une version évolutive utilisant une approche centrée sur l'utilisateur au lieu de l'approche classique centrée sur le réseau a été proposée dans la littérature. Ce concept trouve ses racines dans l'intersection entre le Massive MIMO, le traitement multipoint coordonné et les réseaux ultra-denses. Le principal défi consiste à tirer parti des avantages d'un fonctionnement « sans cellule » avec une complexité de calcul et des exigences de liaison qui sont évolutives pour permettre des réseaux massivement étendus. Bien que le concept de CF-mMIMO soit prometteur, il s'agit d'un sujet de recherche récent et plusieurs problèmes doivent être résolus en tenant compte d'hypothèses réalistes avant de le mettre en pratique. Parmi ces problématiques, on peut citer l'estimation de canal en Time Division Multiplex (TDD) et en Frequency Division Multiplex (FDD), la conception d'algorithmes de traitement du signal numérique décentralisé/local/scalable pour les techniques de pré-codage multi-utilisateurs (MU), l'étude de l'impact et la compensation des imperfections matérielles. Une autre question ouverte concerne l'apport des outils d'apprentissage automatique (ML) pour l'optimisation de la couche physique des systèmes CF-mMIMO par rapport aux méthodes d'optimisation conventionnelles. La première contribution de cette thèse est liée aux techniques d'estimation de canal nécessitant un échange limité de données et exploitant la réciprocité partielle ou totale du canal en modes FDD/TDD dans le contexte de schémas CF-mMIMO évolutifs. Ensuite, des solutions de pré-codage SU/MU MIMO coordonnées et calculées localement pour CF-mMIMO seront étudiées. Des schémas de pré-codage et de détection SU/MU efficaces fonctionnant avec des estimations partielles du canal, obtenues à partir des retours des utilisateurs seront proposés. Les imperfections matérielles (non-linéarités, convertisseurs à faible résolution, …) seront également étudiées. Un autre objectif sera de développer de nouvelles structures d'apprentissage automatique coopératives ou fédérées efficaces pour améliorer les performances des solutions proposées.

Cell-free massive MIMO (CF-mMIMO) is a key candidate technology expected to address numerous challenges of 6G wireless communications. In CF-mMIMO, the cell boundaries disappear, and a virtual antenna array is built via many access points (AP). This results in a network architecture which uses smaller radio modules with few antennas per AP. CF-mMIMO offers many advantages compared to traditional massive MIMO by enabling a good coverage probability, rapid deployment and reduced transmit power levels. A scalable version using a user-centric approach instead of the classical network centric approach has been proposed in the literature. This concept has its roots in the intersection between Massive MIMO, coordinated multipoint processing and ultra-dense networks. The main challenge is to achieve the benefits of cell-free operation with computational complexity and fronthaul requirements that are scalable to enable massively large networks. While the concept of CF-mMIMO is promising, it is a recent research topic, and several issues need to be addressed considering realistic assumptions before rolling out it into practice. Among those issues, we can cite the channel estimation in Time Division Multiplex (TDD) and Frequency Division Multiplex (FDD), the design of decentralized/local/scalable digital signal processing algorithms for multi-user (MU) precoding techniques, the study and mitigation of hardware imperfections effects. The contribution of machine learning (ML) tools for the optimization of the CF-mMIMO physical layer to conventional optimization methods is another open question. The first contribution of this thesis is related to channel estimation techniques and the design of limited feedback schemes exploiting partial or full channel reciprocity of FDD/TDD modes in the context of scalable CF-mMIMO schemes. Then, coordinated and locally computed SU/MU MIMO precoding solutions for CF-mMIMO will be investigated. Efficient SU/MU precoding and detection schemes working with partial CSI obtained from the UE feedbacks will be proposed. Hardware imperfections (non-linearities, low resolution converters, ) will be also studied. Another goal will be to develop new efficient cooperative or federated machine learning structures to enhance the performance of the proposed solutions.