Les communications par ondes millimétriques (mmWave) ont suscité un vif intérêt dans les universités, industrie, et le gouvernement car ils peuvent utiliser pleinement les abondantes ressources de fréquences dans la bande haute fréquence pour réaliser une transmission de données à très haut débit. Les systèmes de communication mmWave sont généralement équipés de grands réseaux d'antennes, connu sous le nom de mmWave massive multiple-input multiple-output (MIMO), pour générer des faisceaux hautement directionnels et compenser l'affaiblissement de trajet sévère dans la bande des hautes fréquences. Cependant, les performances de la formation de faisceau directionnelle reposent en grande partie sur la précision de l'acquisition des informations sur l'état du canal (CSI). Par rapport aux systèmes MIMO traditionnels, l'acquisition de CSI dans les systèmes MIMO massifs mmWave est un défi. D'une part, les grands réseaux d'antennes forment une matrice de canaux de grande dimension, dont l'estimation consomme plus de ressources, par exemple., en-tête de séquence pilote, faisceau de sondage au-dessus de la tête, et la complexité de calcul. D'autre part, le MIMO massif mmWave utilise généralement une architecture de formation de faisceau hybride, où les chaînes radiofréquence (RF) sont beaucoup moins nombreuses que les antennes. Par conséquent, nous ne pouvons obtenir qu'un signal de faible dimension des chaînes RF au lieu d'obtenir directement un signal de grande dimension des antennes frontales, ce qui rend l'acquisition de CSI beaucoup plus difficile que d'habitude.

L'acquisition CSI comprend l'apprentissage du faisceau et l'estimation du canal. Parfois, l'entraînement du faisceau est également appelé alignement du faisceau. Pour le MIMO massif mmWave utilisant une lentille électromagnétique qui fonctionne généralement comme une transformation DFT de l'espace d'angle à l'espace de faisceau, l'apprentissage du faisceau est également appelé sélection du faisceau. La formation de faisceau sonne le canal MIMO mmWavemassive avec des faisceaux de transmission et de réception analogiques pour trouver les paires de faisceaux les mieux adaptées à la transmission, ce qui peut éviter l'estimation d'une matrice de canaux de grande dimension. Une fois l'entraînement au faisceau terminé, méthodes classiques telles que l'estimation des moindres carrés ou de l'erreur quadratique moyenne minimale, peut être utilisé pour estimer la matrice de canal équivalente avec un petit nombre de symboles pilotes. L'estimation de canal se concentre sur l'estimation d'une matrice de canal de grande dimension, qui exploite de manière flexible les techniques avancées de traitement du signal, tels que la détection compressée (CS). L'entraînement de faisceau et l'estimation de canal peuvent exploiter des techniques d'apprentissage automatique (ML) en plus des approches traditionnelles.

Dans cet article, un aperçu de l'acquisition CSI pour mmWave massive MIMO est fourni. Premièrement, les approches de formation du faisceau, y compris le balayage du faisceau, formation de faisceau hiérarchique, et la formation de faisceau basée sur ML sont étudiées. Avec la formation de faisceau, il suffit d'estimer une matrice de canaux équivalents de faible dimension à l'échelle du nombre de chaînes RF. Comme l'autre catégorie d'acquisition CSI, L'estimation de canal vise à estimer avec précision les canaux MIMO massifs mmWave. Ensuite, les méthodes d'estimation de canal grand public, y compris l'estimation de canal clairsemée basée sur CS, estimation de canal basée sur le traitement du signal de matrice, et l'estimation de canal basée sur ML sont discutées. Finalement, différentes approches en termes d'efficacité spectrale (SE), complexité de calcul, et les frais généraux encourus sont comparés en détail. Certaines questions ouvertes pour de futurs travaux de recherche sont également données.