Le comunicazioni a onde millimetriche (mmWave) hanno suscitato un vasto interesse da parte del mondo accademico, industria, e il governo in quanto possono sfruttare appieno le abbondanti risorse di frequenza nella banda ad alta frequenza per ottenere una trasmissione di dati ad altissima velocità. I sistemi di comunicazione mmWave sono generalmente dotati di grandi array di antenne, noto come MIMO (MIMO) a ingresso multiplo massivo, per generare fasci altamente direzionali e compensare la grave perdita di percorso nella banda ad alta frequenza. Però, le prestazioni del beamforming direzionale dipendono in gran parte dall'accuratezza dell'acquisizione delle informazioni sullo stato del canale (CSI). Rispetto ai tradizionali sistemi MIMO, l'acquisizione CSI nei sistemi MIMO massivi mmWave è impegnativa. Da una parte, i grandi array di antenne formano una matrice di canali di grandi dimensioni, la cui stima consuma più risorse, per esempio., sequenza pilota in alto, raggio sonoro in alto, e complessità computazionale. D'altra parte, il MIMO massiccio mmWave utilizza tipicamente un'architettura beamforming ibrida, dove le catene di radiofrequenza (RF) sono molto meno numerose delle antenne. Perciò, possiamo solo ottenere un segnale di bassa dimensione dalle catene RF invece di ottenere direttamente un segnale di alta dimensione dalle antenne frontend, il che rende l'acquisizione di CSI molto più impegnativa del solito.

L'acquisizione CSI include l'addestramento del fascio e la stima del canale. A volte l'allenamento del raggio è anche chiamato allineamento del raggio. Per il MIMO massiccio mmWave che utilizza lenti elettromagnetiche che generalmente funzionano come una trasformazione DFT dallo spazio angolare allo spazio del fascio, l'addestramento del raggio è anche chiamato selezione del raggio. L'addestramento del raggio suona il canale MIMO mmWavemassive con raggi di trasmissione e ricezione analogici per trovare le coppie di raggi più adatte alla trasmissione, che può evitare la stima di una matrice di canale di grandi dimensioni. Una volta terminato l'addestramento del raggio, metodi classici come stima dell'errore quadratico minimo o medio quadratico minimo, può essere utilizzato per stimare la matrice di canale equivalente con un piccolo numero di simboli pilota. La stima del canale si concentra sulla stima di una matrice di canale di grandi dimensioni, che sfrutta in modo flessibile tecniche avanzate di elaborazione del segnale, come il rilevamento compresso (CS). Sia il beam training che la stima del canale possono sfruttare le tecniche di machine learning (ML) oltre agli approcci tradizionali.

In questo articolo, viene fornita una panoramica dell'acquisizione CSI per MIMO massivo mmWave. in primo luogo, l'addestramento al raggio si avvicina, compreso lo spazzamento del raggio, formazione gerarchica del fascio, e vengono studiati l'addestramento al fascio basato su ML. Con l'allenamento del raggio, abbiamo solo bisogno di stimare una matrice di canale equivalente di bassa dimensione nella scala del numero delle catene RF. Come l'altra categoria di acquisizione CSI, la stima del canale mira a stimare con precisione i massicci canali MIMO mmWave. Quindi i metodi di stima del canale tradizionale, inclusa la stima del canale sparso basata su CS, stima del canale basata sull'elaborazione del segnale array, e la stima del canale basata su ML sono discussi. Finalmente, diversi approcci in termini di efficienza spettrale (SE), complessità computazionale, e le spese generali sostenute vengono confrontate in dettaglio. Vengono inoltre fornite alcune questioni aperte per futuri lavori di ricerca.