Vous êtes sur la page 1sur 41

Table des matieres

1 Introduction aux systemes Massive MIMO 2


1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 MIMO et Massive MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Avantage des Massive MIMO . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Annulation des interferences et du bruit . . . . . . . . . . . . . . . 3
1.3.2 Reduction de la consommation denergie . . . . . . . . . . . . . . . 5
1.3.3 Le filtrage adapte est optimal . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Estimation canal et role du mode TDD . . . . . . . . . . . . . . . . 5
1.3.5 Autres avantages des Massive MIMO . . . . . . . . . . . . . . . . . 6
1.4 Limites des systemes Massive MIMO . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Contamination des pilotes . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Imperfections materielles . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Imperfections de reciprocite . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4 Effet du PAPR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Algorithmes de calibration proposes dans la litterature 13


2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Modele utilise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Estimation des matrices de calibration . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Cas SISO avec un canal plat (flat fading) . . . . . . . . . . . . . . . 16
2.3.2 Cas MIMO avec des matrices de reciprocite diagonales . . . . . . . 16
2.3.3 Cas SISO avec un canal selectif en frequence . . . . . . . . . . . . . 16
2.3.4 MIMO avec matrice diagonale dans un sens . . . . . . . . . . . . . 19
2.4 Simulations/Validation des resultats . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1 Precision et complexite destimation-Cas SISO . . . . . . . . . . . . 20
2.4.2 MIMO avec matrices diagonales . . . . . . . . . . . . . . . . . . . . 20
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3 Solution proposee pour estimer les matrices de reciprocite dans un cas


general 26
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

i
3.3 Propriete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Application de la propriete a notre cas . . . . . . . . . . . . . . . . . . . . 28
3.5 Algorithme de resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

LATEX: 16 juin 2014


Page ii/38
Table des figures

1.1 Architecture two-tier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3


1.2 Modele de communication BS-UEs . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Modele dun systeme Massive MIMO . . . . . . . . . . . . . . . . . . . . . 9

2.1 Modele de reciprocite Point a Point . . . . . . . . . . . . . . . . . . . . . . 14


2.2 Erreur relative de lestimation du coefficient de reciprocite avec lapproche
frequentielle-Cas SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Module du coefficient de reciprocite estime vs coefficient reel par sous por-
teuse - Approche frequentielle cas SISO . . . . . . . . . . . . . . . . . . . . 22
2.4 Erreur relative destimation -Cas MIMO avec matrices de reciprocite diago-
nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 Capacite ergodique en fonction du SNR dans les 3 cas de connaissance du
CSI- MIMO Na=2 et Nb=2 avec matrices de reciprocite diagonales . . . . 23
2.6 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI-MIMO Na=2 et Nb=2 avec matrices de reciprocite diagonales . . . 23
2.7 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI- MIMO Na=6 et Nb=2 avec matrices de reciprocite diagonales . . 24

3.1 Erreur relative destimation de la matrice de reciprocite -Cas general MIMO 30


3.2 Erreur relative destimation de la matrice de reciprocite -Cas general MIMO 31
3.3 Capacite ergodique Downlink en fonction du SNR dans les 3 cas de connais-
sance du CSI- MIMO Na=2 et Nb=2 . . . . . . . . . . . . . . . . . . . . . 32
3.4 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI-MIMO Na=2 et Nb=2 . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5 Capacite ergodique Downlink en fonction du SNR dans les 3 cas de connais-
sance du CSI- MIMO Na=6 et Nb=2 . . . . . . . . . . . . . . . . . . . . . 34
3.6 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI-MIMO Na=6 et Nb=2 . . . . . . . . . . . . . . . . . . . . . . . . . 35

iii
Introduction Generale

Il y a une tres forte demande, de plus en plus croissante de services de donnees mobiles ;
lutilisateur ayant besoin de tres haut debits et une bonne efficacite energetique pour luti-
lisation des nouvelles applications dont le nombre et la la capacite ne cessent daccroitre.
Aujourdhui, le technologie de 4eme generation (LTE-A) repond a cette demande avec de
hauts debits offerts aussi bien en uplink quen downlink, mais lutilisateur en demande
encore plus. La technologie 4G est basee sur les systemes MIMO pour ameliorer la per-
formance du fait que plus lon a dantennes pour transmettre et recevoir, plus grande est
la performance. Une technologie potentielle pour la future generation de reseaux mobiles
(5G) satisfaisant a cette forte demande en debit est le Massive MIMO encore connue
sous le nom de Large Scale Antenna Systems, Large Scale MIMO, Full Dimension
MIMO, Hyper MIMO ou Argos. Massive MIMO est un systeme MIMO mais aune
plus grande echelle. Il conserve tous les avantages des systemes MIMO classiques mais
a une plus grande echelle. Ces systemes consistent en plusieurs (centaines voire milliers)
dantennes au niveau dune station de base servant une dizaine dutilisateurs sur les memes
ressources temps/frequence. Les Massive MIMO apportent de tres forts gains en efficacite
spectrale et en efficacite energetique par rapport aux systemes 4G. Mais de tres fortes
imperfections materielles limitent ces systemes (car utilisant des elements a faible cout du
fait du grand nombre dantennes) qui necessitent detre prises en compte. Aussi, lon utilise
le mode TDD pour beneficier de la reciprocite du canal afin de reduire les overhead.Mais
force est de constater que cest uniquement le canal radio qui est reciproque en mode TDD
mais le canal etant lensemble chanes RF/emission +canal radio+chaines RF/reception,
il nest pas toujours reciproque du fait que les chaines RF demission/reception ne sont
pas forcement identiques. Donc le systeme necessite detre calibre pour exploiter au mieux
cette reciprocite. Nous parlerons en premier chapitre de la technologie des Massive MIMO ;
ensuite en deuxieme chapitre nous etudierons les methodes de calibrations qui ont ete
presentees dans la litterature basees sur la calibration relative,leur complexite et leur
contribution sur la performance du systeme. Enfin en troisieme chapitre, nous traiterons
le probleme de calibration relative dans un contexte MIMO plus general.

1
Chapitre
1
Introduction aux systemes Mas-
sive MIMO

1.1 Introduction
Les deux soucis des utilisateurs mobiles sont : le debit(efficacite spectrale) et la consom-
mation energetique (efficacite energetique).
Comment fournir lefficacite spectrale (debit) exigee par les utilisateurs sans utilisation de
nouvelles ressources pectrales ( 6Ghz) ou sans une percee technologique majeure ?
Comment avoir une consommation energetique faible de toute linfrastructure du reseau
et des terminaux ? : La mobilite nest pas limitee par la couverture mais par la
duree dutilisation de la batterie.
Deux solutions a ces deux exigences sont aujourdhui pensees (figure 1.1) :
? Massive MIMO
? Small cells
Avec ces deux technologies, augmenter la capacite tout en reduisant la consommation
denergie devient possible.
Dans ce chapitre, nous decrirons la technologie Massive MIMO qui consiste a bombar-
der la station de base dun nombre tres eleve dantennes servant simultanement plusieurs
utilisateurs a la fois avec les memes ressources temporelles/frequentielles.

1.2 MIMO et Massive MIMO


Les Massive MIMO netant pas une technologie vraiment nouvelle, mais une extension
des systemes MIMO a une plus grande echelle : une station de base avec des centaines
voire des milliers dantennes servant simultanement des dizaines dutilisateurs
avec la meme allocation temps/frequence, tentons-nous de definir les avantages des
systemes MIMO conventionnels :
? Multiplexage spatial :
C min(Ntx , Nrx ) log(SN R)
lorsque SN R donc la capacite croit avec le nombre dantennes.
? Diversite :
Poutage SN RNtx Nrx

2
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

La probabilite de tomber dans un evanouissement profond (deep fade) decroit


significativement avec le produit Ntx Nrx
Mais un facteur limitant : les interferences multi-utilisateurs !

Figure 1.1 Architecture two-tier

Dans la suite, nous decrirons les nombreux et gros avantages quapportent les Massive
MIMO sur les systemes MIMO conventionnels.

1.3 Avantage des Massive MIMO


Les systemes Massive MIMO ont plusieurs avantages parmi lesquels on peut citer : une
haute amelioration de lefficacite spectrale et de lefficacite energetique, le systeme peut
etre construit avec des equipements a faibles couts et a consommation denergie tres faible
(ce qui permet de reduire considerablement lenergie totale emise), permet une reduction
significative de la latence dans linterface air,augmente la robustesse du systeme,les tech-
niques de precodage lineaires sont optimales,le bruit thermique-le fading-les interferences
intra cellules sannulent pratiquement permettant un gain important dans la capacite. Ces
avantages seront detailles dans la suite.

1.3.1 Annulation des interferences et du bruit


Considerons le modele de communication sur la figure 1.2 ci-dessous : La transmission
en Uplink est donnee par :
y = h1 x1 + h2 x2 + n (1.1)
On suppose :
? h1 , h2 CN,1 ont des elements independant et identiquement distribues (i.i.d) avec
une moyenne nulle et une variance egale a 1

LATEX: 16 juin 2014


Page 3/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

Figure 1.2 Modele de communication BS-UEs

? h1 et h2 parfaitement connus a la station de base.


? E [| x21 |2 ] = E [| x22 |2 ] = SN R
? n CN (0, IN )
La BS applique un simple filtre adapte pour detecter le symbole de lutilisateur 1 :
N N N
1 H 1 X 2 1 X 1 X
h y = x1 | h1i | + x2 h h2i + h ni
N 1 N i=1 N i=1 1i N i=1 1i
| {z } | {z } | {z }
signalutile interf erence bruit

La loi des grands nombres nous permet decrire :


N
1 X
h h2i E [| h11 h21 |] (1.2)
N i=1 1i N +

N
1 X
h1i ni E [| h11 n1 |] (1.3)
N i=1 N +

Lorsque les conditions de propagation sont bonnes (canal i.i.d de Rayleigh, canal avec com-
posants a visibilite directe, canal lorsquil y a correlations entre antennes, canaux obtenus
par Ray Tracing...), E [h11 h21 = 0] et E [h11 n1 ] = 0 lorsque N + et donc les termes
dans les equations (2.1) et (2.2) representant respectivement le bruit et les interferences
sannulent ne restant donc que du signal utile.
On voit bien quavec les Massive MIMO (N +), avec une bonne connais-
sance du canal, on peut recuperer uniquement le signal utile tout en eliminant
les interferences et le bruit.
Cette propriete est egalement valable en Downlink !

LATEX: 16 juin 2014


Page 4/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

1.3.2 Reduction de la consommation denergie


Considerant le modele de la figure 1.2, le SINR recu de lUE1 peut etre ecrit :
1 H
h h
N 1 1
SIN R1M F = H
h1 h2 2
(1.4)
1 1
N
| kh1 k
| + N SN R

hH h
Lorsque N + (Massive MIMO), N1 hH
1 H 
1 h1 E N h1 h1 = 1, N1 | kh1 1 k2 |2
h i
hH h
E N1 | kh1 1 k2 |2 = N1
Le SINR peut donc etre reduit inversement proportionnel a N ! Cette propriete est egalement
valable en downlink.

1.3.3 Le filtrage adapte est optimal


La capacite de lUE1 (figure 1.2) quand le MMSE est utilise est donne par :
 1 !!
1
R1M M SE = E log2 1 + hH 1 h2 hH
2 + IN h1
SN R

Pour un SNR= N1 (reduction de lenergie offerte par les Massive MIMO), on peut montrer
que :

lim R1M F = lim R1M M SE = log2 (1 + P )


N N
.
Pour un SN R = P , on a :
lim R1M M SE > lim R1M F
N N

Ce qui signifie que le filtre adapte (plus simple et moins complexe que le MMSE) est optimal
lorsque le SNR est reduit proportionnellement a N donc dans un contexte Massive MIMO.
Cette propriete est egalement valable en Downlink ou le Maximum Ratio Transmission
(MRT) est optimal lorsque la puissance est reduite proportionnellement a N .
On a suppose precedemment que lon a une connaissance parfaite du canal (perfect CSIT).
Mais dans des situations reelles, il doit etre estime. Que se passe t-il lorsque le canal doit
etre estime ?

1.3.4 Estimation canal et role du mode TDD


La connaissance du canal au niveau de la station de base est un imperatif pour faire
du precodage a des fins de gain en performance. Le temps de coherence du canal limite
fondamentalement le nombre dantennes au niveau BS et le nombre de UEs. Lestimation
en mode FDD necessite : apprentissage pilote en downlink+feedback+Apprentissage pilote
en Uplink ; ce qui entraine des en-tete proportionnel au nombre dantennes. En mode TDD,

LATEX: 16 juin 2014


Page 5/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

seul lapprentissage pilote en Uplink est necessaire. Alors, les overhead sont plutot propor-
tionnels au nombre de UEs dans ce cas. Ainsi, on peut augmenter le nombre dantennes
au niveau de la BS autant que lon veut sans perte de performance.
Mais le mode TDD est base sur la reciprocite des canaux en Uplink et en Downlink ; or en
realite, seul le canal radio est reciproque mais les chanes RF ne le sont pas forcement. Le
systeme necessite detre calibre pour exploiter au mieux la reciprocite du canal en mode
TDD. Cette operation de calibration fait lobjet de nos travaux ou nous pro-
posons une solution pour compenser les imperfections de reciprocite du canal
dans un contexte MIMO plus general (et donc Massive MIMO en particulier)
pour completer les travaux dans la litterature dans cet axe.
Il a ete montre dans [5] que pour un CSI imparfait (estime), le debit auquel la puissance
demission peut etre reduite avec le nombre dantennes, est inferieur a celui du cas dun
CSI parfait. La puissance peut etre reduite proportionnellement a 1N dans le cas dun CSI
estime contrairement a N pour un CSI parfait.

1.3.5 Autres avantages des Massive MIMO

Amelioration de lefficacite energetique et de lefficacite spectrale

Dans un systeme Massive MIMO, en utilisant des techiniques de precodage/beamforming


et en operant dans le green regime (reduire considerablement la puissance demission
sans pour autant sur lefficacite spectrale), les interferences Multi-Utilisateurs et les effets
des imperfections materielles tendent a sannuler. Ainsi, lefficacite energetique est N fois
amelioree (N le nombre dantennes de la station de base). Aussi, parce quune dizaine duti-
lisateurs sont servis simultanement avec les meme ressources temps/frequence, lefficacite
spectrale totale peut etre 10 fois plus importante que dans les systemes MIMO classiques.
Dune facon, Massive MIMO se base sur la loi des grands nombres (Law of Large
Numbers) qui, sappliquant sur un tres grand nombre dantennes fait que le bruit-le fa-
ding et les imperfections sannulent pratiquement lorsque les signaux provenant dun tres
grand nombre dantennes sont combines ensemble dans linterface radio. Lamelioration
drastique de lefficacite energetique permet aux Massive MIMO doperer avec une puis-
sance demission totale 2 fois moins grande que celle des technologies actuelles. Et donc, la
station de base consommant peu denergie peut etre alimentee par lenergie solaire a des
endroits depourvus delectricite. En plus, le fait davoir moins denergie emise reduit les
interferences electromagnetiques. Parce que le gain en energie est reciproque, les precedents
avantages sappliquent aussi bien aux terminaux. Cela permet aux utilisateurs davoir moins
de contraintes de batterie tout en beneficiant dun haut debit.Ceci est aussi important pour
reduire les expositions aux rayonnements electromagnetiques. Il a ete aussi prouve dans
[5] que les techniques de precodage lineaires sont optimales lorsque la puissance demission
est considerablement reduite.

LATEX: 16 juin 2014


Page 6/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

Reduction de la latence sur linterface radio

Generalement, la latence (temps dattente des utilisateurs est causee par les situa-
tions de fading (un utilisateur se trouvant dans un mauvais canal nest pas servi). Parce
que les systemes Massive MIMO se basent sur les techniques de precodage/beamforming
et la Loi des Grands Nombres pour presque annuler le fading, le temps de latence est
considerablement reduit.

Robustesse

Les memes arguments (precodage/beamforming et Loi des Grands Nombres) sont va-
lides lorsque un signal non attendu est emis (considere donc comme du bruit) ;ainsi en
utilisant le beamforming avec un nombre dantennes N tres grand, il sannule pratique-
ment.Aussi les memes proprietes qui font que les systemes Massive MIMO sont robustes
face au fading le sont aussi pour sa capacite a garder les memes performances lorsque une
ou plusieurs antennes sont hors etat de fonctionnement.

1.4 Limites des systemes Massive MIMO


A cote de leurs hautes performances, certains phenomenes limitent les systemes Mas-
sive MIMO tels que : la contamination des pilotes, les imperfections materielles (bruit de
phase,PIM,desequilibre I/Q,bruit de quantification,free running oscillators,phase looked-
loops), le decouplage du aux petites separations entre antennes lorsque le nombre devient
tres grand et les imperfections de reciprocite de canal...Ces limites seront detaillees dans
la suite.

1.4.1 Contamination des pilotes


Idealement,chaque terminal dans un systeme Massive MIMO est assigne a une sequence
pilote en uplink de facon a ce que les sequences pilotes soient orthogonales.Par contre, il
y a un nombre maximal de sequences pilotes orthogonales qui peuvent etre formees (sur
la base du temps de coherence et du delay spread [17]). Parce que le nombre dutlisateurs
nest pas limite a un nombre particulier fixe,des sequences pilotes doivent etre re-utilisees
sur des cellules voisines :cela peut causer le phenomene de contamination des pilotes.
Plus specifiquement lorsque lantenne correle son signal pilote recu dun UE avec la meme
sequence pilote utilisee par un autre UE se trouvant dans une cellule adjacente, il obtient
en fait un canal estime qui est une combinaison lineaire des canaux des utilisateurs utilisant
la meme sequence pilote. Plus N est grand, plus la contamination pilote peut devenir un
facteur tres genant.
Supposons que les deux UEs de la figure 1.2 transmettent la meme sequence pilote 1
C,1 :

LATEX: 16 juin 2014


Page 7/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

 
 T1
y = h1 h2 +N
T1
1
La BS correle y avec k1 k2
:

1
y = h1 + h2 + n1
k 1 k2
et calcule le MMSE lineaire du h estime :
1
1

1
h1 = R1 R1 + R2 + IN y
k 1 k2 k 1 k2
avec
h : i  1 h i
4 1
E h1 hH
1 = 1 = R 1 R1 + R 2 + I
k1 k2 N
R1 et E h h
1 1
H
= R1 1 Le canal estime h1
est correle avec h2 : cest la contamination pilote.
La contamination pilote peut etre facilement contree par lutilisation de certaines tech-
niques : en se basant sur la correlation - les sequences pilotes peuvent etre attribuees
aux utilisateurs en se basant sur les statistiques dordre 2 du canal(lorsque ces dernieres
sont connues) ;ceci permet de reduire cette contamination, lestimation aveugle ou basee
sur lEVD [16] [10],le precodage basee sur la contamination pilote [1],le decalage en temps
des pilotes (les UEs dans differentes cellules transmettent a des periodes differentes)[6].

1.4.2 Imperfections materielles


Tout transceiver souffre dimperfections materielles qui creent une difference entre
le signal emis et celui qui devrait letre et une distorsion du signal recu. Les distor-
sions dependent generalement de la puissance transmise et recue. Les sources dimper-
fections materielles sont :bruits de phase doscillateurs,non-linearite des amplificateurs
(specialement en utilisant lOFDM avec de haut PAPR), desequilibre I/Q du aux im-
perfections du melangeur quadrature,le bruit de quantification. Pour les sytemes Massive
MIMO,les composants moins chers et a faibles couts sont preferables.
Les imperfections materielles limitent la performance des systemes MIMO a SNR eleve.
Elles le sont aussi pour un systeme a nombre dantennes large.
Quel est limpact des imperfections materielles sur ces systemes. Peut-on reduire la qualite
des composant en augmentant N. Les reponses nous sont donnees dans les articles [4] et
[3] et seront decrites par la suite.

Modele du systeme et du canal utilises


Uplink :
y BS = h xU E + tU E + rBS + nBS


LATEX: 16 juin 2014


Page 8/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

Figure 1.3 Modele dun systeme Massive MIMO

ou : 
E k xU E k2 = pU E , nBS CN (0, S)) et h CN (0, R). 
Distorsion de la chane demission : tU E CN 0, Ut E pU E . 
Distorsion de la chane de reception : rBS CN 0, BS 2 2
r pU E diag(| h1 | ... | hN | .
Les parametres Ut E et BS
r sont usuellement dans lintervalle [0, 0.03]. Plus petites sont ces
valeurs, plus precis et chers sont les transceivers correspondants.

Downlink :
y U E = hH wxBS + tBS + rU E + nU E


ou : 
E k xBS k2 = pU E , k w k= 1 et nU E CN (0, U2 E ). 
Distorsion de la chane demission(BS) : tBS CN 0, BSt pBS diag(| w
2 2
1 | ... | wN | .
Distorsion de la chane de reception : rU E CN 0, Ur E pU E k hH w k .

Estimation canal avec imperfections materielles


Les BSs calculent le MMSE lineaire estime de h sur la base du symbole pilote en uplink
xU E = d, | d |2 = pU E :

h = d RZ 1 y BS
Z = E y BS (y BS )H = pU E 1 + Ut E R + pU E BS
  
r diag (R11 , ..., RN N ) + S

h i h i
On decompose : h = h + h ou E hh = R C, E hh = C et C = R pU E RZ 1 R.
H H

Il a ete montre dans [4] que :


Pour R = S = IN , on a :
!
1
C = 1 1 IN
1 + Ut E + BS
r + pU E

LATEX: 16 juin 2014


Page 9/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

 
1
lim C = 1 IN
pU E 1 + Ut E + BS
r

On voit que meme pour une puissance infinie, lestimation precise parfaite ne peut etre
atteinte et la perforance est limitee par la somme des imperfections materielles au niveau
de la BS et du UE.

Limites inferieures et superieures de la capacite en Uplink et en Downlink avec


imperfections materielles
Il a ete montre dans [4] quen large regime du SNR :
UL
 
UL Tdata N
lim Csup = log2 1 + BS
pU E Tcoher r + N Ut E
DL
 
DL Tdata N
lim Csup = log2 1 + BS
pU E Tcoher t + N Ur E
Et pour N (Massive MIMO) :
UL
 
UL Tdata 1
lim Csup
= log2 1 + U E
N Tcoher t
DL
 
DL Tdata 1
lim Csup = log2 1 + U E
N Tcoher r
On voit donc que les capacites en Uplink et en Downlink ont des seuils qui dependent
de la qualite du materiel. Les imperfections cote UE sont N fois plus influentes que les
imperfections au niveau de la BS. Lorsque N , seule la qualite du materiel du UE
limite la performance : ce qui peut permettre daccrotre N autant que lon veut.
Aussi, il a ete montre que les limites inferieures des capacites en uplink sont limitees par
les imperfections materielles au niveau du UE.
Les resultats suivants ont ete etablis en ce qui concerne le niveau jusquauquel on peut
reduire la qualite du materiel :

1 1
Uplink Soit pU E Nt
, 0<t< 2
OU BS
r Nt , 0 < t < 14 .
Alors, !
1
lim C U L log2 1 + 2
N 2Ut E + (Ut E )

1 1 1
Downlink Soit pBS NtBS
, pU E NtU E
, tBS + tU E < 1, tBS > 0,0 < tU E < 2
OU
BS
r Nt1 , BS
t Nt2 , 0 < t1 + t2 < 21 .
Alors,  
DL 1
lim C log2 1 +
N Ur E + t + Ur E Ut E
UE

LATEX: 16 juin 2014


Page 10/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

Il ressort de ces resultats que les puissances demission peuvent etre reduites
proportionnellement a 1N OU la qualite du materiel de la BS peut etre reduite
proportionnellement a 1
.
N

1.4.3 Imperfections de reciprocite


Un gain important en performance des systemes Massive MIMO necessite la connais-
sance de letat du canal au niveau de lemetteur pour y faire du beamforming(precodage).
Le canal doit donc etre estime. Lestimation en mode FDD consommant beaucoup de
ressources, lutilisation de la reciprocite du canal en mode TDD est preferable. Mais cette
supposee reciprocite ne lest pas en realite : seul le canal electromagnetique est reciproque
mais les chaines RF ne le sont pas. Il convient donc deffectuer une compensation de ces
imperfections de reciprocite. Plusieurs etudes ont ete faites sur le sujet dans litterature,
proposant des algorithmes permettant de compenser ces imperfections.Cette compensation
consommera forcement des ressources en comparaison a une reciprocite parfaite en termes
de temps destimation mais beaucoup moins par rapport au mode FDD... Mais il est indis-
pensable de la faire pour ne pas exploiter une reciprocite qui ne lest pas en realite. Dans
notre travail, nous proposons une solution pour compenser les imperfections de reciprocite
basee sur la calibration relative introduite dans des anciens travaux, dans un contexte
MIMO plus general.

1.4.4 Effet du PAPR


Comme mentionne precedemment, lon utilise des composants a faibles couts au ni-
veau des chanes RF des systemes Massive MIMO. Alors, les amplificateurs seront de
moins bonne qualte. Lorsquon utilisera une transmission Multiporteuse (OFDM) dans ces
systemes, on aura un fort PAPR( Peak to Average Power Ratio) du a la non-linearite
des amplificateurs. On pourrait limiter ce probleme en utilisant des transmissions mono-
porteuses puisque lobjectif dans lutilisation des transmissions multi-porteuses est davoir
moins dinterferences inter-symboles (IIS) pour une egalisation plus simple ; or avec les
systemes Massive MIMO les canaux etant orthogonaux, on a moins dIIIS et donc on peut
utiliser des transmissions mono-porteuses (Single-Carrier) et ainsi limiter leffet du PAPR.

1.5 Conclusion
Les systemes Massive MIMO repondent parfaitement aux exigences des utilisateurs
en termes defficacite spectrale et energetique pour les futures generations radio mobiles.
Leur utilisation avec les Small cells cest a dire de tres petites stations servies par
de grandes antennes (Massive MIMO) et qui sont densifiees dans le reseau, permettront
de repondre aux exigences du futur. Mais de nombreux etudes doivent etre faites pour
contrer au maximum les limites de ces systemes afin de voir comment y remedier. Dans

LATEX: 16 juin 2014


Page 11/38
CHAPITRE 1. INTRODUCTION AUX SYSTEMES MASSIVE MIMO

notre travail, nous etudierons une de ces limites (les imperfections de reciprocite du canal
en mode TDD) et proposerons une solution pour compenser ces imperfections dans un
contexte MIMO general qui pourra etre utilise dans un contexte Massive MIMO.

LATEX: 16 juin 2014


Page 12/38
Chapitre
2
Algorithmes de calibration pro-
poses dans la litterature

2.1 Introduction
Dans un systeme de communication radio utilisant des antennes, la connaissance du
canal a lemetteur (Channel State Information at the Transmitter CSI) permet dameliorer
grandement la capacite du systeme en utilisant des mecanismes de beamforming,precodage...
En mode FDD, la connaissance du CSIT necessite lenvoi reciproque de sequences pilotes
entre lemetteur et le recepteur, puis une estimation des canaux de chaque cote et un feed-
back des resultats destimation. Ce mecanisme devient tres couteux surtout lorsque lon
utilise de nombreuses antennes (Massive MIMO par exemple). Lutilisation du mode
TDD permet de reduire cette complexite en exploitant la reciprocite du canal. En realite,
seul le canal radio est reciproque (la meme frequence etant utilisee en uplink et en Down-
link en mode TDD) ; or le canal nest pas seulement constitue du canal radio mais aussi des
antennes, oscillateurs,filtres (chaines RF en general) qui ne sont pas souvent reciproques :
les differentes chaines RF au niveau de la station de base (BS) sont differentes de celles
au niveau de lutilisateur (UE). Pour exploiter la reciprocite du canal en mode TDD, une
calibration(compensation) necessite detre faite. Cela constitue un probleme majeur a trai-
ter dans le contexte des communications radio notamment avec les Massive MIMO pour
beneficier au mieux de leurs hautes performances. Des techniques de calibration ont ete
employees dans la litterature basees sur la calibration relative qui consiste a un echange
de mesures des canaux entre elements du reseau puis lestimation des coefficients de cali-
bration par lun des noeuds suivie par lestimation reelle du canal. Dans ce chapitre, nous
decrirons les differentes methodes proposees dans la litterature en reprenant les simulations
faites dans les anciens travaux pour valider les resultats.

2.2 Modele utilise


Le modele utilise est tire de [13] ou les elements des chaines RF aussi bien au niveau
de lemetteur que du recepteur sont modelises par des filtres lineares invariant dans le
temps. Dans [7], leffet du decalage offset (sous leffet du decalage de synchronisation entre
les horloges) a ete ajoute au modele. Nous ne considerons pas ce cas dans ce travail, des

13
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE
methodes usuelles permettant destimer ces decalages avant destimer les coefficients de
calibration.
On considere un systeme de communication Point a Point en mode TDD entre deux
elements A et B. On note par NA , le nombre dantennes de A et par NB , le nombre
dantennes de B. Comme represente sur la figure 2.1 , le canal est compris du canal ef-
fectif electromagnetic C(t) suppose identique dans les deux directions en mode TDD et
des filtres modelisant les imperfections des elements des chaines RF dans les deux sens.
(TA , RA ) designent respectivement les filtres demission/reception du cote de A et (TB , RB )
representent ceux du cote de B. TX representent les imperfections des amplificateurs de
puissance et les RX representent les imperfections des amplificateurs a faible bruit (LNA)
en reception. Dans le cas ou plusieurs antennes sont utilisees, ces coefficients sont des vec-
teurs.
Dans un cas ideal (souvent considere), (TA , RA , TB , RB ) sont supposes identiques et donc

Figure 2.1 Modele de reciprocite Point a Point

le canal devient reciproque :ce qui nest pas souvent le cas. On considerera le cas reel
ou ils ne sont pas identiques. On suppose aussi que ces coefficients restent constants durant
toute la periode dobservation car ils varient tres peu par rapport au temps de coherence
du canal.
Pour une frequence f donnee, la reponse impulsionnelle de canal mesuree par une DSP
est la cascade entre le filtre demission, le canal electromagnetique (radio) et le filtre de
reception. Les canaux en uplink et en downlink sont donc donnes par :

G(t, f ) = RB (f )C(t, f )TA (f ) (2.1)

H(t, f ) = RA (f )C(t, f )T TB (f ) (2.2)


De lequation (2.2), on obtient :
1
C(t, f )T = RA (f )H(t, f )TB1 (f )
Ce qui implique :

C(t, f ) = TBT (f )H(t, f )T RA


T
(f ) (2.3)

LATEX: 16 juin 2014


Page 14/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

En remplacant lequation (2.3) dans lequation (2.1), on obtient :


G(t, f ) = RB (f )TBT (f )H(t, f )T RA
T
(f )TA (f ) (2.4)
Dans la suite, on omettra la dependance sur f bien quil faut garder a lesprit que cette
omission tient uniquement dans le cas dun canal plat (flat fading) dans un contexte de
transmission OFDM par exemple.
Dans le domaine temporel, les memes equations sont valables en remplacant les multiplica-
tions par des convolutions et les matrices par des filtres lineaires dans les equations (2.1)
et (2.2).
Au lieu destimer individuellement les coefficients RA , TA , RB , TB (calibration absolue), on
introduit une calibration relative en posant :

T
PA = RA TA
et
1
PB = TBT RB
On obtient donc de (2.4) :
G(t) = PB1 H(t)T PA (2.5)
La calibration relative consiste a estimer directement PA et PB en utilisant les mesures
respectives de G(t) et H(t). Une fois PA et PB connus, le canal G peut etre facilement estime
en utilisant la reciprocite appliquant lequation (3.1). La difficulte reside en lestimation
des matrices PA et PB

2.3 Estimation des matrices de calibration


Dans un esprit de precision, on considere K mesures successives de G(t) et H(t)
echangees entre lemetteur et le recepteur. Les matrices PA,B sont ensuite estimees sur
la base de ces K mesures. Puisque les canaux G et H sont mesures en presence du bruit,
il y a forcement des erreurs destimation donc :
G(ti ) = G(ti ) + Gi et H(ti ) = H(ti ) + Hi i = 1...K. Cela revient a un probleme doptimi-
sation dont la fonction objective est celle donnee par (3.1) : PB G(t) H(t)T PA = 0 sous
la forme :
X
(PA , PB ) = arg min ||PB (G(ti ) + Gi ) (H(ti ) + Hi )T PA ||22 + ||Gi ||22 + ||Hi ||22 (2.6)
PA ,PB ,Gi ,Hi 1<i<K

sous contrainte ||PA ||22 .

La contrainte ||PA ||22 = 1 a ete fixee pour eviter la solution triviale (PA , PB )=(0, 0). Ce
probleme doptimisation est un probleme des moindre carres total (Total Least Squares).
La resolution de ce probleme etant non simple (multiplication entre inconnues dans la
norme), des methodes de simplification simposent. Dans [7], plusieurs approches de sim-
plification ont ete considerees qui seront decrites dans la suite.

LATEX: 16 juin 2014


Page 15/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

2.3.1 Cas SISO avec un canal plat (flat fading)


Dans le cas SISO, les filtres PA et PB deviennent des scalaires et les matrices dans (3.1)
commutent. En posant P = PB1 PA , on a : G(t) = H(t)P ; ce qui revient a un probleme
doptimisation lineaire. Comme precedemment, on considere des mesures bruitees de G et
H.P peut donc etre estime en utilisant la solution classique Total Least Squares.
Soit g = [G(t1 ), ..., G(tK )] et h = [H(t1 ), ..., H(tK )], P est estime suivant :
arg min ||h||22 + ||g||22 s.t (h + h)P = (g + g) (2.7)
h,g,P

Ce probleme TLS peut etre facilement resolu en utilisant lalgorithme propose dans [11]
base sur la decomposition SVD. Lalgorithme est donne ci-dessous :

Algorithm 1 Solution basique dun probleme TLS


Donnees :A Rmn et B Rmd
Sortie : Xtls -Solution du probleme TLS AX = B
1. Calculer la decomposition SVD de [A B]=U V avec
 
V11 V12
V =
V21 V22

2. Si V22 est non singuliere alors


3. Poser Xtls = V12 V221
4. Sinon
5. Afficher que le probleme na aucune solution et arreter
6. Fin

2.3.2 Cas MIMO avec des matrices de reciprocite diagonales


Le modele decrit dans les equations (2.1) et (2.2) considere quil y a des correlations
entre paires dantennes. Par contre dans le cas MIMO avec antennes separees (cas du MU-
MIMO par exemple ou on a relativement peu dantennes au niveau de la BS comparative-
ment au Massive MIMO, donc separees et plusieurs UEs), on peut negliger ces correlations
et considerer que les matrices PA et PB sont diagonales. Cela simplifie le probleme en
NA NB problemes SISO :
[G(t)]ij = [PB1 ]ii [H(t)]ji [PA ]jj (2.8)
Ce qui a ete resolu dans la section precedente.

2.3.3 Cas SISO avec un canal selectif en frequence


Ce cas nest pas conceptuellement different du cas Flat Fading SISO en dehors de
lajout de la complexite due a laccroissement de la dimension (bande passante). Deux

LATEX: 16 juin 2014


Page 16/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

approches peuvent etre considerees :

? Une approche frequentielle par sous-bande ou lestimation est effectuee independamment


sur chaque sous-bande (on decompose le canal selectif en frequence a large bande
en sous-canaux plats a bande etroite :OFDM par exemple) :

G(t, f ) = H(t, f )P (f ) (2.9)

La complexite dans cette approche croit lineairement avec la bande passante.


? Une approche dans le domaine temporel qui consiste a estimer les parametres de
reciprocite dans le domaine temporel en transformant lequation (3.6) dans le do-
maine temporel :

G(t, ) = H(t, ) P ( ) (2.10)

En supposant P ( ) un filtre RIF tel que PB ( ) P ( ) = PA ( ), une solution a


ce probleme est proposee dans [14] et sera decrite dans la suite. Elle est basee sur
lalgorithme de deconvolution [15].

Approche temporelle

Considerons K mesures des reponses impulsionnelles des canaux discrets dans les deux
directions :
4 (k) (k) 4 (k) (k) 0
g k = (g1 ...gL ) CL , hk = (h1 ...hL0 ) CL
En supposant des filtres a longueur finie, la convolution (3.7) peut etre ecrite :

gk = H k p (2.11)
4
avec p = (p1 ...pL0 L+1 ) et
(k) (k) (k)
hL0 L+1 hL0 L h1
(k) (k)

(k)
4 hL0 L+2 hL0 L+1 h2
Hk = .

..


(k) (k)
hL0 hL0 L+1

Lequation (2.11) est resolvable en utilisant la solution classique Structured Total Least
Squares. Structured parce que la matrice a une certaine structure (Toeplitz). On
cherche donc p, solution du probleme doptimisation :

H
min H
k k + k k s.t(Hk + Ek )x = gk + k (2.12)
Ek ,x

LATEX: 16 juin 2014


Page 17/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

avec
(k) (k) (k)
L0 L+1 L0 L 1
(k) (k)

(k)
4 L0 L+2 L0 L+1 2
Ek =

..
.
(k) (k)
L0 L0 L+1

0
Les vecteurs k CL et k CL representent les erreurs(bruits) sur les mesures respectives
de hk et g k .
La solution de (2.12) peut etre donnee par lalgorithme propose dans [15] decrit par la
suite.

Algorithme STLS de deconvolution

Probleme :

min H + H s.t(A + E)x = y +


E,x

avec


un un1 u1 n n1 1

4 un+1 un u2
4 n+1
n 2
A= Rmn , E = .. Rmn

..
. .
um+n1 um n+m+1 m

= (A + E)x y Rm1

LATEX: 16 juin 2014


Page 18/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

Algorithm 2 Solution dun probleme STLS


 
Donnees :matrice A b Rm(n+1) , ( m > n ) de rang total n +1
Sortie : vecteur derreur et le vecteur solution x sous contrainte T + T est aussi
petite que possible et = (A + E)x b
Etape 1 : 0
x A \ b
Etape 2 :
Etape 2.1 :
   

min ||M + ||
x 2
avec  
X A+E
M= R(2m+n1)(m+2n1)
I 0
et X Rm(m+n1) definie par :

x(n) x(n 1)

x(1) 0 0
0 x(n) x(n 1) x(1) 0

... ... ... ... ... ..
X= 0 .

. ... ... ... ... ... ..
.. .
0 x(n) x(n 1) x(1)

Etape 2.2 : x x + x
+
Fin
La condition darret est : k T xT k2 < seuil

Il a ete egalement propose dans [15] un algorithme permettant de resoudre letape 2.1
plus rapidement en utilisant la triangularisation rapide de M basee sur la decomposition
QR.
Tous ces algorithmes definis precedemment seront utilises plus loin dans nos simulations
pour valider les travaux dans [7]

2.3.4 MIMO avec matrice diagonale dans un sens


Dans cette partie, lon suppose que PB est diagonale et PA est une matrice bande
(elements non nuls autour de la diagonale et sur la diagonale). Cela decrit bien le cas
Massive MIMO car dans ce cas, on a des centaines dantennes donc forcement correlations
entre antennes proches mais pas de correlations entre antennes eloignees (ce qui donne PA
bande cote BS). De lautre cote, les utilisateurs UE etant separes, les correlations sont
negligeables et donc PB est diagonale.

LATEX: 16 juin 2014


Page 19/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

2.4 Simulations/Validation des resultats


2.4.1 Precision et complexite destimation-Cas SISO
Nous avons utilise la premiere approche de la section 2 pour estimer les coefficients
dans le domaine frequentiel,cas SISO.
Nous avons genere aleatoirement suivant une distribution gaussienne les canaux h et g
auquels nous avons ajoute du bruit blanc gaussien puis nous avons realise K = 20 esti-
mations h et g. Sur la base de ces K estimations, nous avons applique lalgorithme TLS
decrit dans la section 2.3 base sur la decomposition SVD a nos K estimations de H et G,
pour obtenir P est. Cela a ete realise en prenant Nc = 80 sous-porteuses au sein desquelles
nous avons applique independamment la methode. Les estimations ont ete realisees pour
chaque valeur du SNR variant de 1 a 100 dB.

Evaluation : Nous avons effectue des simulations Monte Carlo sur 1000 iterations pour
moyenner les valeurs aleatoires considerees. Comme indice de comparaison,nous avons trace
kP P k2
lerreur relative de P : kP k2 2 pour chaque valeur du SNR.
2

La figure 3.6 represente lerreur relative destimation du coefficient de calibration en


fonction du SNR .
Sur la figure 2.12, on represente le module du coefficient de reciprocite estime en fonction
de lindexe de sous-porteuse contre celui du coefficient reel.

Interpretations On remarque une tres bonne erreur relative qui decroit avec le SNR.
Cela se voit encore mieux sur la figure 2.11 ou il y a un tres petit decalage entre le coefficient
estime et le coefficient reel. Cela confirme bien le modele de reciprocite utilise et lalgorithme
TLS decrit plus haut pour estimer les coefficients. Les resultats sont egalements conformes
aux resultats resentes dans [7].

2.4.2 MIMO avec matrices diagonales


Pour le cas MIMO avec matrices diagonales, nous avons genere aleatoirement (dis-
tribution gaussienne) des matrices diagonales PA (Na Na ) et PB (Nb Nb )representant
respectivement les imperfections du cote A et du cote B. Nous avons ensuite genere suivant
une distribution gaussienne le canal H de taille Na Nb puis nous avons construit le canal
G (taille Nb Na ) sur la base de la relation (3.1). Ensuite nous avons estime les NA NB
coefficients Pi,j correspondant a des estimations SISO (comme decrit par lequation (3.4))
Sur la figure 2.12, nous avons trace lerreur relative destimation en fonction du SNR. Les
resultats donnent de tres bonnes erreurs comme dans le cas SISO confirmant toujours le
modele utilise.
Ensuite, nous avons determine le canal en downlink estime Gest donne par la relation (3.1)
apres estimation de P . Afin de voir, le gain en performance de la calibration, nous avons

LATEX: 16 juin 2014


Page 20/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

Figure 2.2 Erreur relative de lestimation du coefficient de reciprocite avec lapproche


frequentielle-Cas SISO

trace la capacite du canal dans les trois cas suivants :

1- Le canal G est uniquement connu du recepteur B (CSIR)


2- Le canal G est connu a la fois de lemetteur A et du recepteur B (CSIT)
3- Le canal G est connu du recepteur mais A connait le canal G estime apres calibration
(CSIT-estime)
La figure 3.2 presente la capacite du canal dans les 3 cas cites en fonction du SNR variant
de 0 a 40 dB.
Sur la figure 2.6 on a represente la fonction densite de probabilite de la capacite er-
godique a 10 dB pour chacun des 3 cas precedemment cites afin de voir plus le gain en
capacite suite a lestimation du canal apres calibration.

Interpretations On peut voir que en grandes valeurs du SNR, les capacites sont prati-
quement identiques dans les trois cas. La difference se ressent beacoup plus pour les faibles
valeurs du SNR ou on voit que la capacite du canal lorsque ce dernier est estime apres
compensation est meilleure que celle lorsque lon a aucune connaissance du canal dou la
necessite davoir une connaissance du canal et pour avoir ce CSI, il faut compenser les
imperfections de reciprocite avant de lestimer ; ce qui donne de bons resultats compares
au cas CSIR. Pour mieux voir la difference, le CDF des capacites a 10dB (faible SNR) ont

LATEX: 16 juin 2014


Page 21/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

Figure 2.3 Module du coefficient de reciprocite estime vs coefficient reel par sous porteuse
- Approche frequentielle cas SISO

Figure 2.4 Erreur relative destimation -Cas MIMO avec matrices de reciprocite diago-
nales

LATEX: 16 juin 2014


Page 22/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

Figure 2.5 Capacite ergodique en fonction du SNR dans les 3 cas de connaissance du
CSI- MIMO Na=2 et Nb=2 avec matrices de reciprocite diagonales

Figure 2.6 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI-MIMO Na=2 et Nb=2 avec matrices de reciprocite diagonales

ete representes ou on remarque un gain en performance suite a la connaissance du canal


apres estimation.

LATEX: 16 juin 2014


Page 23/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

Sur la figure 2.7, on a represente le CDF des capacites toujours a 10 dB pour un nombre
eleve dantennes demission (Na=6 et Nb=2) :on remarque que le decalage saccentue entre
les capacites CSIR et CSIT-estime, dou lenorme gain en performance en large
regime (utilisation de plusieurs antennes au niveau de la station de base).

Figure 2.7 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI- MIMO Na=6 et Nb=2 avec matrices de reciprocite diagonales

LATEX: 16 juin 2014


Page 24/38
CHAPITRE 2. ALGORITHMES DE CALIBRATION PROPOSES DANS LA
LITTERATURE

2.5 Conclusion
Dans ce chapitre, nous avons decrit la methode de calibration relative pour lestimation
des matrices de reciprocite introduite dans la litterature. Il a ete montre que les coefficients
peuvent etre estimes avec les algorithmes TLS et STLS pour les approches frequentielles et
temporelles respectivement apres un certain nombre destimations des canaux en uplink et
downink.Dans les travaux de [7], ces estimations ont ete faites pour les cas SISO et MIMO
lorsque les matices de reciprocite sont diagonales (ce qui suppose une faible correlation
entre elements dantennes). Cette situation nest pas le cas dans les situations courantes
ou de plus en plus dantennes sont utilisees pour ameliorer la performance. Dans cette
perspective, il est important de traiter un cas plus general qui permettra destimer les
matrices de calibration pour de larges systemes antennaires au niveau de la station de base
(Massive MIMO) :ce qui fera lobjet du troisieme chapitre.

LATEX: 16 juin 2014


Page 25/38
Chapitre
3
Solution proposee pour estimer
les matrices de reciprocite dans
un cas general

3.1 Introduction
Avec la technologie des Massive MIMO ayant des centaines voire des milliers dantennes
au niveau de la station de base, il y aura forcement des correlations entre antennes. Il
est donc necessaire de trouver une maniere destimer les matrices de compensation afin
de determiner le canal (Uplink ou Downlink) apres compensation dans ce cas. Dans ce
chapitre, nous proposons une solution pour compenser ces imperfections dans un contexte
plus general (tenant en compte le cas Massive MIMO) basee sur une transformation simple
de la relation de reciprocite decrite dans le chapitre precedent.

3.2 Formulation
Comme defini dans le chapitre precedent, les canaux en Uplink et en downlink sont lies
par la relation :

G(t) = PB1 H(t)T PA (3.1)


ou G(t) :canal en uplink
H(t) :canal en downlink

T
PA = RA TA
et
1
PB = TBT RB
les matrices modelisant les imperfections de reciprocite respectivement du cote de A et de
B.
La calibration relative, comme decrite dans [7], consiste a faire un certain nombre desti-
mations de G et H, sur la base desquelles on estime les matrices PA et PB . Dans [7], le

26
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

probleme destimation a ete pose sous la forme du probleme doptimisation :

X
(PA , PB ) = arg min ||PB (G(ti ) + Gi ) (H(ti ) + Hi )T PA ||22 + ||Gi ||22 + ||Hi ||22 (3.2)
PA ,PB ,Gi ,Hi 1<i<K

Ce probleme doptimisation, etant difficile a resoudre (probleme doptimisation non lineaire


quadratique a contrainte quadratique),des approches de simplifications du modele ont ete
presentees dans [7] pour estimer les coefficients dans les cas SISO et MIMO avec matrices
de reciprocite diagonales.
Nous avons trouve une methode simple permettant de determiner le canal G(en down-
link) apres compensation de reciprocite. Cette methode est basee sur une propriete de
loperateur de vectorisation de matrices :vec sur un produit de trois matrices.
Tout dabord, nous rapellerons cette propriete importante avant de lappliquer a notre cas.

3.3 Propriete
Soient A, X et B trois matrices telles que le produit AXB existe. On a :

vec(AXB) = (B T A)vec(X) (3.3)


ou est un produit de Kronecker entre matrices, que nous decrirons par la suite et vec
est loperateur de vectorisation.
Loperateur vec applique a une matrice A, empile les colonnes de A sur un seul vecteur
colonne.
Par exemple, pour une matrice A de taille 2*2 telle que
 
A11 A12
A=
A21 A22
,

A11
A21
vec(A) =
A12
A22

Le produit de Kronecker quant a lui, est defini comme suit :


Le produit de Kronecker entre une matrice A(m, n) et une matrice B(r, q) est une matrice
de taille (mr, nq) definie par :

A11 B A12 B A1n B
A21 B A22 B A2n B
A B = ..

.. ..
. . .
Am1 B Am2 B Amn B

LATEX: 16 juin 2014


Page 27/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

3.4 Application de la propriete a notre cas


Probleme :
? Trouver PB , PA telles que :
G(t) = PB1 H(t)T PA (3.4)
? Estimer
G = PB1 H T PA
Solution :
Appliquant loperateur vec a (3.4), on obtient :
vec(G) = vec(PB1 H(t)T PA ) (3.5)

vec(G) = (PAT PB1 )vec(H T ) (3.6)


En posant Pkron = PAT PB1 , on a :
vec(G) = Pkron vec(H T ) (3.7)
Alors, en estimant K fois G et H, on peut appliquer loperateur vec a ces mesures puis
determiner facilement Pkron (loperation etant devenue lineaire).
Une fois Pkron estimee, on peut lutiliser pour determiner G ou H pour une longue periode
de temps en appliquant la relation (3.7) pour trouver vec(G) ou vec(H) puis ensuite
revenir facilement a G ou H par une operation de vectorisation inverse.

3.5 Algorithme de resolution


? Estimer K fois successives G et H pour trouver Gi et Hi pour i = 1...K
? Pour chaque Gi ,Hi determiner vec(Gi ) et vec(HiT ). On aura alors :

vec(Gi ) = Pkron (i)vec(HiT )


Et alors :

Pkron (i) = vec(Gi ) (vec(HiT ))


ou (vec(HiT )) la matrice pseudo-inverse de vec(HiT )
? Faire la moyenne des elements (m, n) des Pkron (i), i = 1...K pour obtenir Pkron .
1
? Determiner alors vec(G) = Pkron vec(HestT ) en downlink ou vec(H)T = Pkron
vec(Gest) en downlink pour les prochaines estimations de Hest ou Gest.

Remarque : Gi est une matrice de taille Nb , Na ;vec(Gi ) une matrice de taille Nb Na , 1 ;


Hi est une matrice de taille Na , Nb et donc HiT est une matrice de taille N b, N a ; vec(HiT )
une matrice de taille Nb Na , 1 ; Pkron = PaT PB1 est une matrice de taille Na Nb , Na Nb .

LATEX: 16 juin 2014


Page 28/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

3.6 Implementation
Nous avons implemente lalgorithme decrit dans la section precedente. Nous avons
genere aleatoirement suivant une distribution gaussienne les matrices de reciprocite Pa
et PB de tailles respectives N a, N a et N b, N b. Nous avons ensuite genere le canal G de
taille Na , Nb egalement suivant une distribution gaussienne puis avons calcule H en fonction
de G, Pb et Pa (equation (3.1)). Nous avons ensuite vectorise G et H puis nous avons
estime K fois vec(G) et vec(H) en les faisant passer a travers du bruit AWGN. Sur chaque
estimation, nous avons applique une inversion simple (Least-squares) pour determiner Pkron
correspondant a chaque estimation de vec(G) et vec(H). Puis nous avons fait une moyenne
des Pkron (i) pour determiner Pkron . Nous avons enfin calcule le canal vec(G) puis G (par
vectorisation) en downlink apres estimation de Pkron (vec(G) = Pkron vec(HestT )).
Nous avons realise 1000 realisations de Monte Carlo pour chaque valeur du SNR entre 0
kP Pkron k22 kGGk2
et 100dB. Lerreur relative destimation de Pkron : kron kPkron k22
et celle de Gest : kGk2 2 .
2
Nous avons ensuite determine la capacite ergodique du canal en downlink dans les trois
cas consideres dans le chapitre 2 pour montrer linteret de la connaissance du CSI lorsque
ce dernier est obtenu apres compensation :
? Le canal G est uniquement connu du recepteur B (CSIR)
? Le canal G est connu a la fois de lemetteur A et du recepteur B (CSIT)
? Le canal G est connu du recepteur mais A connait le canal G estime apres calibration
(CSIT-estime)
Il est a noter que dans nos simulations, nous avons estime vec(G) et vec(H) et non G et
H comme mentionne dans lalgorithme de la section precedente. Cela revient au meme, les
operations matricielles etant lineaires : estimer une matrice H dans tout son bloc ou estimer
individuellement chacun de ses coefficients sont similaires. Dans une situation reelle, on
aura besoin des mesures successives de G et H, que nous vectoriserons puis appliquerons
notre algorithme. Ce qui est identique a vectoriser G et H puis a estimer ces vecteurs et
ensuite appliquer lalgorithme.
La figure 3.1 nous presente lerreur relative destimation de Pkron en fonction du SNR
(0 :100dB). On voit des erreurs relatives tres faibles qui decroissent avec le SNR : ce qui
valide le modele et la solution proposee pour compenser les imperfections de reciprocite.
La figure 3.2 presente lerreur relative du canal G estime apres estimation de la matrice
de reciprocite. Les memes resultats sont obtenus que ceux dans le cas de P confirmant
toujours la solution proposee.
Sur la figure 3.3, nous avons represente la capacite ergodique du canal G dans les trois
cas cites ci-dessus pour un nombre dantennes demission N a = 2 et un nombre dantennes
de reception N b = 2. On voit que les capacites sont presque confondues dans les trois cas
sauf en faible SNR ou nous avons un leger decalage. Pour bien voir cet effet, nous avons
trace sur la figure 3.4, le CDF a 10 dB de cette capacite toujours dans les trois cas. On
remarque que leffet du canal estime ne se ressent pas reellement dans ce cas (Na = 2 et
Nb = 2).

LATEX: 16 juin 2014


Page 29/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

Figure 3.1 Erreur relative destimation de la matrice de reciprocite -Cas general MIMO

Pour bien voir le gain en performance de la connaissance du canal apres compensation


des imperfections, nous sommes passes a un cas plus massif. Nous avons trace sur la figure
3.5 la capacite ergodique pour un nombre dantennes demission Na = 6 et un nombre
dantennes de reception Nb = 2. On remarque que la capacite du canal estime se decale
(tres grande devant celle du CSIR) et se rapproche de la capacite theorique (parfaite). Cela
est encore plus visible en faibles valeurs du SNR lorsque nous representons le CDF a 10dB
dans ce cas sur la figure 3.6.

3.7 Conclusion
Dans ce chapitre, nous avons trouve une maniere destimer le canal (Uplink ou Down-
link) apres compensation de reciprocite par une transformation simple de la relation (3.1)
basee sur les operateurs matriciels vec et . Nous lavons applique dans nos simulations
en utilisant la solution Least squares et nous obtenons de bons resultats : ce qui nous
permet de valider notre approche.

LATEX: 16 juin 2014


Page 30/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

Figure 3.2 Erreur relative destimation de la matrice de reciprocite -Cas general MIMO

LATEX: 16 juin 2014


Page 31/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

Figure 3.3 Capacite ergodique Downlink en fonction du SNR dans les 3 cas de connais-
sance du CSI- MIMO Na=2 et Nb=2

LATEX: 16 juin 2014


Page 32/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

Figure 3.4 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI-MIMO Na=2 et Nb=2

LATEX: 16 juin 2014


Page 33/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

Figure 3.5 Capacite ergodique Downlink en fonction du SNR dans les 3 cas de connais-
sance du CSI- MIMO Na=6 et Nb=2

LATEX: 16 juin 2014


Page 34/38
CHAPITRE 3. SOLUTION PROPOSEE POUR ESTIMER LES MATRICES DE
RECIPROCITE DANS UN CAS GENERAL

Figure 3.6 CDF de la capacite ergodique a 10 dB pour chacun des cas de connaissance
du CSI-MIMO Na=6 et Nb=2

LATEX: 16 juin 2014


Page 35/38
Conclusion Generale

Dans ce travail nous avons decrit lune des technologies majeures dans les reseaux
mobiles du futur capable de fournir une tres haute efficacite spectrale et une tres haute
efficacite energetique aux utilisateurs avec tous ses avantages et ses limites. Les hautes
performances offertes par ces systemes sont obtenues lorsque la station de base a une
connaissance de letat du canal. Dans un cas reel, il ne peut le connaitre, le canal etant
variable dans le temps : il doit lestimer. Lestimation en mode FDD etant tres couteuse,
celle en mode TDD a ete pensee voulant exploiter la reciprocite du canal. Mais en realite,
seul le canal radio etant reciproque, les chanes RF (emission/reception) ne letant pas
forcement, il est necessaire de compenser ces imperfections de reciprocite. Cest dans ce
contexte qua ete introduit la calibration relative ne necessitant pas de materiel externe
pour realiser la calibration, contraiment a la calibration absolue qui en necessite. Cest
dans cette optique que nous avons propose une methode pour compenser ces imperfections
de reciprocite pour pouvoir estimer le canal reel apres. Nous avons utilise une propriete
de loperateur matriciel vec nous permettant de commuter nos matrices, pour passer dun
probleme non-lineaire a un probleme lineaire. Pour la resolution du probleme, nous avons
utiliser la solution classique Least Squares. Dans nos prochains travaux, nous resolverons
le probleme en utilisant le Total Least Squares puisque ce dernier nous permet de trouver
une solution au cas ou nos deux donnees sont bruitees (estimees). Cela fera lobjet de nos
futures simulations.

36
Bibliographie

[1] Ashikhmin A. and Marzetta T.L. Pilot contamination precoding in multi-cell large
scale antenna systems. In IEEE International Symposium on Information Theory
(ISIT), Cammbridge,MA, July 2012.
[2] Shepard C., Yu H., Anand N., Li L.E., Marzetta T.L., Yang R., and Zhong L. Ar-
gos :practical many-antenna base stations. In ACM Int. Conf. Mobile Computing and
Networking (MobiCom), Istanbul,Turkey, August 2012.
[3] Bjornson E., Hoydis J., Kountouris M., and Debbah M. Hardware impairments in
large-scale miso systems : Energy efficiency, estimation, and capacity limits. In Inter-
national Conference on Signal Processing (DSP) : Special Session on Signal Processing
and Optimization for Green Energy and Green Communications, Santorini,Grece, July
2013.
[4] Bjorson E., Hoydis J., Kountouris M., and Debbah M. Massive mimo with non-
ideal hardware impairments :energy efficiency, estimation and capacity limits. IEEE
Transactions on Information Theory, 2013.
[5] Eurocom,Sophia Antipolis-France. Massive MIMO and Hetnets :Benefits and chal-
lenges. Newcom-Summer School, May 2013. Jakob Hoydis.
[6] Fernandes F., Ashikhmin A., and Marzetta T.L. Inter-cell interference in noncoope-
rative tdd large scale antenna systems. IEEE J. Sel. Areas Commun., 31(2) :192201,
February 2013.
[7] Kaltenberger F., Jiang H., Guillaud M., and Knopp R. Relative channel reciprocity
calibration in mimo/tdd systems. In Proc. ICT Future Network and Mobile Summit,
Florence,Italy, June 2010.
[8] Yang H. and Marzetta T.L. Performance of conjugate and zero-forcing beamforming in
large-scale antenna systems. IEEE J. Sel. Areas Commun., 31(2) :172179, February
2013.
[9] Yin H., Gesbert D., Filippou M., and Liu Y. A coordianted approach to channel
estimation in large-scale multiple-antenna systems. IEEE J. Sel. Areas Commun.,
31(2) :264273, February 2013.
[10] Ngo H.Q. and Larsson E.G. Evd-based channel estimators for multicell multiuser mimo
with very large antenna arrays. In IEEE International Conference on Acoustics,Speed
and Signal Processing(ICASSP), March 2012.

37
BIBLIOGRAPHIE

[11] Markovsky Ivan and Van Huffel Sabine. Overview of total least-squares methods.
Signal Processing, 87 :22832302, 2007.
[12] Nam J., Ahn J.-Y., Adhikary A., and Caire G. joint spatial divion and multi-
plexing :realizing massive mimo gains with limited channel state information. In
46th Annual Conference on Information ciences and Systems (CISS), 2012.
[13] Guillaud M., Slock D.T.M, and Knopp R. A practical method for wireless channel re-
ciprocity exploitation through relative calibration. In Proc.Intl. Symposium on Signal
Processing and its Applications (ISSPA (05), Sydeney,Australia, 2005.
[14] Guillaud M., Slock D.T.M, and Knopp R. A practical method for wireless channel re-
ciprocity exploitation through relative calibration. In Proc.Intl. Symposium on Signal
Processing and its Applications (ISSPA (05), Sydeney,Australia, 2005.
[15] Mastronardi Nicola, Lemmering Philippe, and Van Huffel Sabine. Fast structured
total least-squares algorithm for solving the basic deconvolution algorithm. SIAM
Journal on Matrix Analysis and Applications, 2000.
[16] Muller R., Vehkapera M., and Cottatelluci L. Blind pilot decontamination. In ITG
Workshop on Smart Antennas, Sttutgart, March 2012.
[17] Marzetta T.L. Noncooperative cellular wireless with unlimited numbers of base station
antennas. IEEE Trans.Wireless Commun., 9(11) :35903600, November 2010.

LATEX: 16 juin 2014


Page 38/38