目录 | 2024年第6期 本期专题：6G无线技术
多波束卫星通信系统中的非线性预编码算法研究
超越后向散射通信：超材料无源物联网感知新范式
面向Sub-7 GHz频段分布式超大规模MIMO技术
基于射频链选择和混合预编码设计的双功能雷达通信能效最大化研究
基于端到端系统的导频插入和信道估计设计
基于图神经网络的位置辅助波束选择
多基站协作通感一体化体系架构及关键技术研究
面向6G通感一体化的多频带信号恢复系统设计
面向6G的RIS辅助通信系统的信道估计技术
张力康1，杜清河1，卢忱2，唐辉2
（1.西安交通大学信息与通信工程学院，陕西 西安 710049；
2.深圳信息职业技术学院信息与通信学院，广东 深圳 518172）
【摘 要】随着对未来6G技术的持续探索，RIS作为潜在的革命性技术之一，已展现出在提高通信系统容量、扩大覆盖范围和降低能耗等多个方面的巨大潜力。在RIS辅助的通信系统中，信道估计是实现RIS技术优势的关键环节之一。首先系统地概述了RIS的技术特点和在现代通信中的应用前景。然后，针对不同应用场景的特点，梳理并归纳了现有的RIS辅助通信场景中的信道估计关键技术，阐明了各研究热点的目标和方法。最后，探讨了RIS辅助通信场景中的信道估计技术在实际应用中所面临的技术挑战。
【关键词】可重构智能表面；信道估计；6G；无线通信
doi:10.3969/j.issn.1006-1010.20240425-0002
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2024)06-0075-06
引用格式：张力康,杜清河,卢忱,等. 面向6G的RIS辅助通信系统的信道估计技术[J]. 移动通信, 2024,48(6): 75-80.
ZHANG Likang, DU Qinghe, LU Chen, et al. Overview of Channel Estimation for Reconfigurable Intelligent Surface-Assisted Communications towards 6G System[J]. Mobile Communications, 2024,48(6): 75-80.
0 引言
对6G研究的不断深入，将为无线通信系统带来革命性变革，实现更快的数据速率、更低的传输时延、更高的连接密度，以及更广泛的覆盖范围[1-5]。这些目标将支撑超高清视频、XR（Extended Reality，扩展现实）、智能交通系统、AI（Artificial Intelligence，人工智能）和海量IoT（Internet of Things，物联网）连接等应用[6]。为了满足新兴业务需求带来的挑战，RIS（Reconfigurable Intelligent Surface，可重构智能表面）技术应运而生，被视为6G网络的关键技术之一。
如图1所示，RIS是一个由大量反射单元组成的二维平面，能够通过智能调控各个反射单元的相位和幅度，实现对电磁波的灵活、动态反射，在目标接收器处形成增强或抑制特定信号的效果，有效改善信号覆盖质量和通信效率[7-10]。为了实现高效的信号反射，获取准确的CSI（Channel State Information，信道状态信息）是重要前提之一，这不仅影响着信号控制的准确性和系统性能的最大化，还关系到网络资源的有效管理和系统长期高效的运行。
1 RIS技术特点及应用愿景
RIS技术作为近年来通信技术领域的创新突破之一，为现代无线通信网络的发展提供了强大的支持，这得益于RIS技术独特的工作原理，其技术特点主要体现在以下几个方面：1）主动调控电磁波：RIS能够通过调节反射单元的相位和幅度，主动操控信号的传播路径；2）低能耗：现阶段大多数研究关于无源RIS展开，因为无源RIS不具备放大和处理入射信号的能力，故不消耗额外功率；3）低成本：与传统的BS（Base Station，基站）和中继设备相比，RIS的制造成本相对较低，可以更经济地提升通信系统的性能；4）灵活部署：由于其薄型和灵活的物理特性，RIS可以轻松地集成到实际环境中，如建筑物的墙面、窗户、家具或其他结构表面。
RIS因其技术优势，在多个领域都显示出巨大潜力，具有广阔的应用前景。1）改善信号覆盖：RIS能够有效解决城市密集环境中的建筑物阻挡和偏远地区信号不足的问题。通过调整反射单元的相位和幅度，RIS可以将信号精确反射至原本由于物理因素无法覆盖的位置，实现死角区域的信号覆盖，扩大信号覆盖范围。2）提升能源效率：RIS能够在不显著增加能源消耗的前提下提升通信效率。由于无源RIS主要由被动元件组成，其主要采用被动反射而非主动放大信号的方式，几乎不消耗额外能量，这对于延长设备的使用寿命和减少运营成本具有重要意义，因此适合于能源受限系统[11-12]。3）保护通信安全：RIS能够提高通信系统的安全性和隐私性。通过精确控制信号的反射情况，RIS能够在特定区域内增强或抑制特定信号强度，有效抵御窃听和干扰攻击，这对于敏感信息传输、用户隐私安全等场景尤为关键。4）增加无线网络容量：RIS能够提高无线网络的频谱利用率和系统容量。在高密度网络环境下，RIS可以通过抑制干扰和优化信号质量，提升用户体验，从而支撑更多并发用户的连接和更高数据速率的传输。
2 RIS信道估计关键技术
由于不同场景中的通信链路具有不同的特征，因此，RIS辅助通信场景中的信道估计问题将展现出独特的要求和挑战。
2.1 级联信道估计与分段反射信道估计
级联信道估计问题的目标是估计发射端到RIS再到接收端的整个RIS链路的CSI，能够一定程度上简化信道估计过程，避免了对信道参数的独立估计。然而，当RIS的规模较大时，会导致估计算法复杂度急剧增加，且需要大量导频开销来实现准确估计的性能。到目前为止，已有许多关于RIS级联信道估计展开的研究：文献[13]-[17]利用毫米波信道的稀疏性，基于压缩感知算法获得级联信道CSI；文献[18]-[22]采用机器学习类算法获得级联信道CSI；文献[23]同时考虑CFO（Carrier Frequency Offsets，载波频率偏移），对级联信道CSI和CFO进行联合估计；文献[24]研究了近场通信场景中的级联信道估计问题；文献[14]、[16]通过稀疏矩阵分解和矩阵补全策略估计级联信道CSI。
分段反射信道估计策略是对发射端到RIS和RIS到接收端两条链路的CSI分别进行估计，使得系统能够单独调整信道的估计策略，有效管理和控制估计过程中的资源使用和复杂度；此外，两段信道CSI的分别获取能够适应更多场景的需求[25-27]。然而，由于信道估计的分段进行，估计过程中可能会产生误差传递问题；此外，由于RIS信道的固有结构，分段反射信道估计存在歧义问题[28-29]。文献[30]-[32]通过分解信道矩阵来获得分段反射信道CSI；有源/混合RIS能够很好的辅助分段反射信道的估计问题[28, 33-35]；由于BS和RIS的固定特性和用户的移动特性，文献[28]、[36]-[38]基于不同时间尺度采用多阶段策略对分段反射信道分别进行估计。
2.2 远场通信与近场通信
现有的信道估计方案大多是为远场通信设计的。远场通信通常涉及较长距离的信号传播，电磁波以平面波前为主，角度场的分布基本与接收机和发射机的距离无关。在远场通信场景中，RIS主要用于增强远距离信号的传输效率和稳定性，以改善信号覆盖和减少衰减。远场信道的估计需要考虑信号衰减、多路径效应、环境噪声等因素，以确保远距离传输的效率和可靠性。
未来RIS将向着XL-RIS（Extremely large-RIS，超大RIS）发展，以提高波束增益，但同时也增大了阵列孔径，进而增大了远场和近场的边界距离，即瑞利距离[39]，因此，RIS场景的近场效应不可避免。近场通信是一种短距离的高频无线通信技术，其传播波具有球形波前，该场景中的信道估计问题必须考虑电磁波的近场效应，考虑其相位和幅度随距离的非线性变化。文献[24]构建了一个XL-RIS辅助毫米波近场通信场景，其中，由于RIS通常部署在距离用户较近的位置，故将用户-RIS链路建模为近场信道，而将RIS-BS链路建模为远场信道。在考虑VR（Visual Region，可视区域）遮挡造成的空间非平稳性的情况下，该文献提出一个两阶段算法来联合估计CSI和VR信息：首先通过MMV（Multiple Measurement Vectors，多重测量矢量）模型估计BS的AoA（Angle of Arrival，到达角），由此解耦不同子信道的信号，将信道估计问题分解为多个子问题进行求解；其次，利用信道矩阵和VR向量的稀疏性，将信道估计问题表示为一个稀疏信号恢复问题，并利用FSBL（Fast Sparse Bayesian Learning，快速稀疏贝叶斯学习）框架来联合估计CSI和VR信息。
2.3 有源RIS与无源RIS
现有研究大多关注无源RIS场景中的信道估计问题。无源RIS由被动元件组成，具有低成本、低能耗、简化设计和维护的特点。然而，由于被动元件缺乏直接的信号接收、处理和发射能力，无法在无源RIS处使用传统的信道估计方法[40]，需要设计新的信道估计策略来获取CSI，可能导致信道估计精度的下降以及导频开销和计算复杂度的增加。
相反地，有源RIS通过内置的放大元件和信号处理单元，不仅可以改变入射信号的相位，还能改变入射信号的强度，并且具有阵列信号处理的能力，这使得RIS端可以通过其接收信号直接对CSI进行估计，大大减少两跳级联信道的传播损耗[41]。然而，相对于无源RIS，有源RIS具有高成本、高能源消耗等缺点。因此，混合RIS的应用对信道估计性能和成本进行了权衡。文献[34]提出一种混合RIS场景下基于深度去噪神经网络辅助的信道估计方案，在导频传输阶段，仅有源RIS单元被激活，对其子信道进行估计。之后，基于不同子载波间角域的共稀疏特性和压缩感知理论重构出完整的CSI。此外，该文献还进一步提出了一种复值去噪卷积神经网络来提高对分段反射信道的估计性能。文献[33]对比了无源RIS和混合RIS场景下的信道估计性能。对于混合RIS场景，该文献采用ANM（Atomic Norm Minimization，原子范数最小化）算法和上、下行交替导频传输协议来估计分段反射信道CSI；对于无源RIS场景，采用ANM算法依次估计角度参数、角度差和路径增益的积。结果表明，无源RIS的信道估计性能更优，而混合RIS能够降低导频开销。
2.4 毫米波场景
随着移动用户和设备数量的不断攀升，传统6 GHz频段已无法满足通信需求，由此，毫米波技术应运而生。毫米波通信具有波长短、抗干扰、频带资源丰富等优点，适用于高数据速率传输场景。同时，毫米波技术也存在着传播损耗大、覆盖范围有限、容易受阻挡等缺点。因此，在毫米波通信中，RIS具有重要的应用价值。实际场景中，RIS可能会被灰尘、雨雪等堵塞，进而改变信道特性，降低信道估计性能，特别是在毫米波系统中[42]，因此，文献[43]研究了一个被阻塞的非理想特性RIS的级联信道估计问题，联合估计级联信道CSI和RIS阻塞系数，并将其表述为贝叶斯框架，基于毫米波信道角域稀疏性和阻塞系数的稀疏性，利用KL（Kullback-Leibler）散度迭代求解近似后验概率，以此估计CSI和阻塞系数。文献[14]和[15]均利用了用户完全共享RIS-BS信道且共享用户-RIS间的部分路径的特性。文献[14]研究了RIS辅助多用户毫米波通信系统中的级联信道估计问题，利用信道的稀疏性，通过压缩感知技术将信道估计问题建模为稀疏信号恢复问题，提出一种多用户联合信道估计方法：首先，利用各用户公共列块的稀疏性，将接收信号投影至其子空间，以此估计由AoD（Angles of Departure，离开角）阵列转向矢量张成的公共子空间；其次，将信号投影至AoD阵列转向矢量张成的公共子空间，消除信道矩阵的列稀疏性；然后，基于交替优化和迭代重加权的方法恢复多用户稀疏级联信道。文献[15]提出一种DS-OMP（Double-Structured Orthogonal Matching Pursuit，双结构正交匹配追踪）算法，该算法利用用户级联信道角度双结构稀疏性特性，联合估计不同用户信道的完全公共非零行和部分公共非零列，并估计用户信道的特定列，进而通过LS（Least Square，最小二乘）算法获得各用户级联信道CSI。文献[44]提出一种基于阵列信号处理技术的两阶段分段反射信道估计方法，该算法利用毫米波信道的稀疏性以及均匀阵列相关性的特征，通过半正定规划和迭代最大似然估计算法进行时间、空间信号处理，以此来联合估计直接信道和间接信道，避免了直接信道和间接信道估计之间的RIS单元开关操作，简化了信道估计协议，通过对所有导频信号的联合处理提高估计性能。
2.5 On/off分组信道估计
由于RIS的无源特性和大量反射单元，使得RIS场景的信道估计问题通常具有较大的计算复杂度。一种有效缓解该问题的方法是基于On/off的RIS分组信道估计策略，这种方法将RIS分为多个子组，各组在不同时隙依次开启或关闭，由此逐步获得整体CSI，该策略能够在低成本、低能耗的情况下显著减少导频开销以及算法复杂度[45]。文献[46]结合RIS分组操作和GARN（Global Attention Residual Network，全局注意力残差网络），提出一个两阶段算法来估计级联信道。首先，该算法将RIS进行分组，分别估计各组CSI；然后将这些信息输入GARN，通过有效提取多信道间的相关性，来对信道特征进行融合分析，并采用残差模块来增强前向和反向传播信息的融合，提高信道估计的准确性。文献[45]利用信道的空间相关性将RIS分组，每组由具有相同反射系数的相邻RIS单元组成，在此基础上提出一种有效的导频传输协议，通过LS算法依次估计各组CSI。由于DNN（Deep Neural Network，深度学习网络）在处理非线性映射问题上具有良好的性能，文献[19]和[20]提出的信道估计算法均仅激活一部分RIS单元，先对激活单元对应的CSI进行估计，然后通过DNN根据相关性推断出非激活单元信道CSI。但是，对RIS的分组操作会导致RIS元件的连续大孔径效应失效，影响信道估计精度；同时，由于RIS反射单元需要在开、关之间不断切换，这也会造成额外的成本和复杂性[47]。
2.6 终端移动场景
在终端移动场景中，由于BS和RIS通常固定部署，则BS-RIS链路具有准静态特性，且其维度较大，因此适合在大时间尺度上进行估计；而由于用户的移动性，RIS-用户和BS-用户链路CSI随时间不断变化，且其维度较小，因此需要在小时间尺度上估计[28, 36-38]。通过在不同时间尺度上对信道进行估计，能够使方案更适用于特定通信场景，并大大降低信道估计问题的时间复杂度。文献[36]研究了集群用户场景中的分段反射信道估计问题，该文献构建一种波束域信道模型，以此分离不同角度的路径，并假设不同集群中用户的AoA不重叠，基于此提出复用导频的方案，并采用EP（Eigenspace Projection，特征空间投影）算法，在准确估计RIS-用户链路CSI的同时降低系统的导频开销。文献[37]提出一种两阶段导频传输方案，首先，通过坐标下降算法来对BS-RIS链路CSI估计结果进行精细化迭代；其次，基于BS-RIS链路的CSI，采用LS算法获得RIS-用户链路CSI。文献[28]采用一种基于双时间尺度的压缩感知框架来恢复CSI。该算法首先根据多用户共享BS-RIS链路的特性，提出一种有效的SVD-MMV-CS（Singular Value Decomposition Multiple Measurement Vector-Based Compressive Sensing，奇异值分解-多测量向量-压缩感知）框架和基于LoS辅助的M-EM-GAMP（MMV Expectation Maximization-based Generalized Approximate Message Passing，MMV期望最大化广义近似消息传递）算法，以此估计随时间缓变的BS-RIS链路CSI；然后用基于已获得的缓变CSI，设计一种MAE（Measurements-Augmentation-Estimate，测量增强估计）框架来估计随时间快变的RIS-用户链路CSI。
尽管用户具有移动性，但在几毫秒内不会有明显的距离改变，基于此可以进一步假设在多个信道相干块中的路径角度保持不变，而路径增益改变[48-50]，文献[51]基于该假设提出一个多用户场景的两阶段级联信道估计方案。第一阶段中，首先由一个参考用户向BS发送导频信道，BS端采用DFT（Discrete Fourier Transform，离散时间傅里叶变换）的方法估计AoA，并基于压缩感知的OMP（Orthogonal Matching Pursuit，正交匹配追踪）和LS算法，以及链路相关性，来估计AoD和链路增益；其次，其余用户同时发送正交导频信号，采用OMP算法获得其余用户信道。基于多个信道相干块中的角度保持不变且增益改变的假设，第二阶段通过LS算法获得信道增益，由此降低信道估计复杂度和导频开销。
3 RIS信道估计技术挑战
RIS场景中的信道估计问题面临的技术挑战主要源于RIS的工作原理以及无线通信场景的特性。下面对RIS辅助通信场景中的信道估计问题所面临的挑战进行总结。
3.1 大规模信道参数
RIS通常包含几十数百个可调反射元件，每个单元对应一个传播路径，这意味着该场景中需要估计一个较大的信道参数集，而准确估计所有RIS单元所对应的CSI是一项极其复杂的任务，在算法设计、计算复杂度以及导频开销方面是一个巨大的挑战。
3.2 分段反射信道模型
与传统的通信系统相比，RIS辅助的无线通信系统中引入了额外的信道维度，即从发射端到RIS和从RIS到接收端的分段反射信道，两条路径的复合作用使得信道模型变得更加复杂，为分段反射信道估计带来了歧义性问题[28-29]，增加了信道估计的难度。
3.3 反射元件非理想特性
实际中的RIS反射元件可能会由于制造公差、环境因素[43]或长期使用导致的磨损等原因表现出非理想的反射特性，例如，相位和幅度的误差以及非线性响应等。这些非理想特性会影响RIS对信号的调控能力，需要在信道估计过程中得到充分考虑，以确保信道估计的准确性。
3.4 联合信道估计和系统优化
为了最大化RIS辅助通信系统的性能，联合考虑信道估计问题和RIS反射相移优化问题至关重要[52]，两个问题的联合考虑能够减少信道估计偏差带来的影响，增加算法的鲁棒性。然而，该操作增加了算法设计的复杂度，如何设计算法能够在保证信道估计准确性的同时，快速调整RIS反射相移矩阵以适应信道的变化，这在算法设计和实时性要求上都具有挑战性。
4 结束语
随着6G移动通信技术研究在全球范围内的广泛开展以及RIS技术应用场景的逐渐多元化，RIS辅助无线通信系统中的信道估计问题成为研究热点。本文首先分析了RIS的技术特点和应用愿景。然后，本文针对不同场景特点，介绍了RIS辅助无线通信场景中的信道估计的关键技术，并阐明和归纳了研究目标和方法。最后，本文进一步讨论了RIS场景中的信道估计问题的未来研究方向和有待解决的问题。
参考文献：（上下滑动浏览）
[1] Yang H, Cao X, Yang F, et al. A programmable metasurface with dynamic polarization, scattering and focusing control[J]. Scientific reports, 2016,6(1): 1-11.
[2] Basar E, Di Renzo M, De Rosny J, et al. Wireless communications through reconfigurable intelligent surfaces[J]. IEEE access, 2019,7: 116753-116773.
[3] Renzo M D, Debbah M, Phan-Huy D T, et al. Smart radio environments empowered by reconfigurable AI meta-surfaces: An idea whose time has come[J]. EURASIP Journal on Wireless Communications and Networking, 2019(1): 1-20.
[4] Liang Y C, Long R, Zhang Q, et al. Large intelligent surface/antennas (LISA): Making reflective radios smart[J]. Journal of Communications and Information Networks, 2019,4(2): 40-50.
[5] Liang Y C, Zhang Q, Larsson E G, et al. Symbiotic radio: Cognitive backscattering communications for future wireless networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2020,6(4): 1242-1255.
[6] 滕博宇,袁晓军. 智能超表面辅助6G通感算深度融合关键技术[J]. 移动通信, 2023,47(3): 25-30.
[7] Garcia J C B, Kamoun M, Sibille A. Reconfigurable passive relaying array for coverage enhancement[C]//2019 IEEE Wireless Communications and Networking Conference (WCNC). IEEE, 2019: 1-6.
[8] Ellingson S W. Path loss in reconfigurable intelligent surface-enabled channels[C]//2021 IEEE 32nd Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC). IEEE, 2021: 829-835.
[9] Tang W, Chen M Z, Chen X, et al. Wireless communications with reconfigurable intelligent surface: Path loss modeling and experimental measurement[J]. IEEE transactions on wireless communications, 2020,20(1): 421-439.
[10] Long R, Liang Y C, Pei Y, et al. Active intelligent reflecting surface for simo communications[C]//GLOBECOM 2020-2020 IEEE Global Communications Conference. IEEE, 2020: 1-6.
[11] Wu Q, Zhang R. Towards smart and reconfigurable environment: Intelligent reflecting surface aided wireless network[J]. IEEE communications magazine, 2019,58(1): 106-112.
[12] Chen J, Liang Y C, Pei Y, et al. Intelligent reflecting surface: A programmable wireless environment for physical layer security[J]. IEEE Access, 2019,7: 82599-82612.
[13] Wang P, Fang J, Duan H, et al. Compressed channel estimation for intelligent reflecting surface-assisted millimeter wave systems[J]. IEEE signal processing letters, 2020,27: 905-909.
[14] Chen J, Liang Y C, Cheng H V, et al. Channel estimation for reconfigurable intelligent surface aided multi-user mmWave MIMO systems[J]. IEEE Transactions on Wireless Communications, 2023.
[15] Wei X, Shen D, Dai L. Channel estimation for RIS assisted wireless communications—Part II: An improved solution based on double-structured sparsity[J]. IEEE Communications Letters, 2021,25(5): 1403-1407.
[16] He Z Q, Yuan X. Cascaded channel estimation for large intelligent metasurface assisted massive MIMO[J]. IEEE Wireless Communications Letters, 2019,9(2): 210-214.
[17] He J, Wymeersch H, Juntti M. Channel estimation for RIS-aided mmWave MIMO systems via atomic norm minimization[J]. IEEE Transactions on Wireless Communications, 2021,20(9): 5786-5797.
[18] Seo J, Choi G, Kim S C. DBPN Based Uplink Channel Estimation for Multi-User MISO RIS System[J]. IEEE Wireless Communications Letters, 2023.
[19] Gao S, Dong P, Pan Z, et al. Deep multi-stage CSI acquisition for reconfigurable intelligent surface aided MIMO systems[J]. IEEE Communications Letters, 2021,25(6): 2024-2028.
[20] Xu M, Zhang S, Zhong C, et al. Ordinary differential equation-based CNN for channel extrapolation over RIS-assisted communication[J]. IEEE Communications Letters, 2021,25(6): 1921-1925.
[21] He J, Wymeersch H, Di Renzo M, et al. Learning to estimate RIS-aided mmWave channels[J]. IEEE Wireless Communications Letters, 2022,11(4): 841-845.
[22] Kim K, Tun Y K, Munir M S, et al. Deep reinforcement learning for channel estimation in RIS-aided wireless networks[J]. IEEE Communications Letters, 2023.
[23] Jeong S, Farhang A, Perović N S, et al. Joint CFO and channel estimation for RIS-aided multi-user massive MIMO systems[J]. IEEE Transactions on Vehicular Technology, 2023.
[24] Yu X, Shen W, Zhang R, et al. Channel Estimation for XL-RIS-Aided Millimeter-Wave Systems[J]. IEEE Transactions on Communications, 2023.
[25] Li R, Guo B, Tao M, et al. Joint design of hybrid beamforming and reflection coefficients in RIS-aided mmWave MIMO systems[J]. IEEE Transactions on Communications, 2022,70(4): 2404-2416.
[26] Sun Y, An K, Zhu Y, et al. Energy-efficient hybrid beamforming for multilayer RIS-assisted secure integrated terrestrial-aerial networks[J]. IEEE Transactions on Communications, 2022,70(6): 4189-4210.
[27] Wang M, Du Q, Zhang L. Minimum-SNR Maximization for Robust IRS-assisted Legitimate Monitoring System[C]//IEEE INFOCOM 2022-IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). IEEE, 2022: 1-6.
[28] Yang S, Lyu W, Xiu Y, et al. Active 3D double-RIS-aided multi-user communications: Two-timescale-based separate channel estimation via bayesian learning[J]. IEEE Transactions on Communications, 2023.
[29] Mirza J, Ali B. Channel estimation method and phase shift design for reconfigurable intelligent surface assisted MIMO networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2021,7(2): 441-451.
[30] de Araújo G T, de Almeida A L F, Boyer R. Channel estimation for intelligent reflecting surface assisted MIMO systems: A tensor modeling approach[J]. IEEE Journal of Selected Topics in Signal Processing, 2021,15(3): 789-802.
[31] Zhang W, Tay W P. Cost-efficient RIS-aided channel estimation via rank-one matrix factorization[J]. IEEE Wireless Communications Letters, 2021,10(11): 2562-2566.
[32] Multi-User M. Channel Estimation for RIS-Empowered Multi-User MISO Wireless Communications[J]. arXiv preprint arXiv:2008.01459, 2020.
[33] Schroeder R, He J, Juntti M. Passive RIS vs. hybrid RIS: A comparative study on channel estimation[C]//2021 IEEE 93rd Vehicular Technology Conference (VTC2021-Spring). IEEE, 2021: 1-7.
[34] Liu S, Gao Z, Zhang J, et al. Deep denoising neural network assisted compressive channel estimation for mmWave intelligent reflecting surfaces[J]. IEEE Transactions on Vehicular Technology, 2020,69(8): 9223-9228.
[35] Alexandropoulos G C, Vlachos E. A hardware architecture for reconfigurable intelligent surfaces with minimal active elements for explicit channel estimation[C]//ICASSP 2020-2020 IEEE international conference on acoustics, speech and signal processing (ICASSP). IEEE, 2020: 9175-9179.
[36] Li H, Zhiwen P, Bin W, et al. Channel Estimation for Reconfigurable Intelligent Surface-Aided Multiuser Communication Systems Exploiting Statistical CSI of Correlated RIS-User Channels[J]. IEEE Internet of Things Journal, 2023.
[37] Hu C, Dai L, Han S, et al. Two-timescale channel estimation for reconfigurable intelligent surface aided wireless communications[J]. IEEE Transactions on Communications, 2021,69(11): 7736-7747.
[38] Wang Z, Cai Y, Liu A, et al. Two-timescale uplink channel estimation for dual-hop MIMO relay multi-user systems[J]. IEEE Transactions on Vehicular Technology, 2021,70(5): 4724-4739.
[39] Selvan K T, Janaswamy R. Fraunhofer and Fresnel distances: Unified derivation for aperture antennas[J]. IEEE Antennas and Propagation Magazine, 2017,59(4): 12-15.
[40] Peng Z, Pan C, Zhou G, et al. Two-Stage Channel Estimation for RIS-Aided Multi-User mmWave Systems with Reduced Error Propagation and Pilot Overhead[J]. IEEE Transactions on Signal Processing, 2023.
[41] Lin Y, Jin S, Matthaiou M, et al. Tensor-based algebraic channel estimation for hybrid IRS-assisted MIMO-OFDM[J]. IEEE Transactions on Wireless Communications, 2021,20(6): 3770-3784.
[42] Dai L, Wang B, Wang M, et al. Reconfigurable intelligent surface-based wireless communications: Antenna design, prototyping, and experimental results[J]. IEEE access, 2020,8: 45913-45923.
[43] Ma S, Shen W, Gao X, et al. Robust channel estimation for RIS-aided millimeter-wave system with RIS blockage[J]. IEEE Transactions on Vehicular Technology, 2022,71(5): 5621-5626.
[44] Noh S, Seo K, Sung Y, et al. Joint direct and indirect channel estimation for RIS-assisted millimeter-wave systems based on array signal processing[J]. IEEE Transactions on Wireless Communications, 2023.
[45] Yang Y, Zheng B, Zhang S, et al. Intelligent reflecting surface meets OFDM: Protocol design and rate maximization[J]. IEEE Transactions on Communications, 2020, 68(7): 4522-4535.
[46] Feng H, Zhao Y. mmWave RIS-Assisted SIMO Channel Estimation Based on Global Attention Residual Network[J]. IEEE Wireless Communications Letters, 2023.
[47] Shtaiwi E, Zhang H, Vishwanath S, et al. Channel estimation approach for RIS assisted MIMO systems[J]. IEEE Transactions on cognitive communications and Networking, 2021,7(2): 452-465.
[48] Akdeniz M R, Liu Y, Samimi M K, et al. Millimeter wave channel modeling and cellular capacity evaluation[J]. IEEE journal on selected areas in communications, 2014,32(6): 1164-1179.
[49] Raghavan V, Akhoondzadeh-Asl L, Podshivalov V, et al. Statistical blockage modeling and robustness of beamforming in millimeter-wave systems[J]. IEEE Transactions on Microwave Theory and Techniques, 2019,67(7): 3010-3024.
[50] Xie H, Gao F, Zhang S, et al. A unified transmission strategy for TDD/FDD massive MIMO systems with spatial basis expansion model[J]. IEEE Transactions on Vehicular Technology, 2016,66(4): 3170-3184.
[51] Zhou G, Pan C, Ren H, et al. Channel estimation for RIS-aided multiuser millimeter-wave systems[J]. IEEE Transactions on Signal Processing, 2022,70: 1478-1492.
[52]Taha A, Alrabeiah M, Alkhateeb A. Enabling large intelligent surfaces with compressive sensing and deep learning[J]. IEEE access, 2021,9: 44304-44321. ★
★原文刊发于《移动通信》2024年第6期★
doi:10.3969/j.issn.1006-1010.20240425-0002
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2024)06-0075-06
引用格式：张力康,杜清河,卢忱,等. 面向6G的RIS辅助通信系统的信道估计技术[J]. 移动通信, 2024,48(6): 75-80.
ZHANG Likang, DU Qinghe, LU Chen, et al. Overview of Channel Estimation for Reconfigurable Intelligent Surface-Assisted Communications towards 6G System[J]. Mobile Communications, 2024,48(6): 75-80.
《移动通信》投稿方式为在线投稿
请您登录网页投稿系统
链接地址：http://ydtx.cbpt.cnki.net
