Millimetervågskommunikation (mmWave) har väckt stort intresse från akademin, industri, och myndigheter eftersom de kan utnyttja rikliga frekvensresurser på högfrekvensbandet för att uppnå ultrahöghastighetsdataöverföring. mmWave kommunikationssystem är vanligtvis utrustade med stora antennuppsättningar, känd som mmWave massiv multiple-input multiple-output (MIMO), för att generera starkt riktade strålar och kompensera för den allvarliga vägförlusten i högfrekvensbandet. Dock, prestandan för riktad strålformning beror till stor del på noggrannheten av kanaltillståndsinformation (CSI) förvärv. Jämfört med de traditionella MIMO-systemen, CSI-förvärvet i mmWave massiva MIMO-system är utmanande. Å ena sidan, de stora antennmatriserna bildar en kanal med hög dimension, vars uppskattning förbrukar mer resurser, t.ex., pilotsekvens overhead, ljudstråle ovanför, och beräkningskomplexitet. Å andra sidan, mmWave massiva MIMO använder vanligtvis en hybrid beamforming-arkitektur, där radiofrekvenskedjorna (RF) är mycket färre än antennerna. Därför, vi kan bara få en lågdimensionell signal från RF-kedjorna istället för att direkt få en högdimensionell signal från frontendantennerna, vilket gör CSI-förvärvet mycket mer utmanande än vanligt.

CSI-insamling inkluderar strålträning och kanaluppskattning. Ibland kallas strålträning också för strålinriktning. För mmWave massiv MIMO som använder elektromagnetisk lins som i allmänhet fungerar som en DFT-transformation från vinkelutrymmet till strålutrymmet, strålträning kallas även strålval. Strålträningen låter den mmWavemassive MIMO-kanalen med analoga sändnings- och mottagningsstrålar för att hitta de strålpar som passar bäst för sändningen, vilket kan undvika uppskattning av en högdimensionell kanalmatris. När strålträningen är klar, klassiska metoder som minsta kvadrat eller minsta medelkvadratfeluppskattning, kan användas för att uppskatta den ekvivalenta kanalmatrisen med ett litet antal pilotsymboler. Kanaluppskattningen fokuserar på att uppskatta en högdimensionell kanalmatris, som flexibelt utnyttjar avancerade signalbehandlingstekniker, såsom komprimerad avkänning (CS). Både strålträning och kanaluppskattning kan utnyttja maskininlärningstekniker (ML) utöver de traditionella metoderna.

I den här artikeln, en översikt över CSI -förvärv för mmWave massiva MIMO tillhandahålls. För det första, strålträningen närmar sig, inklusive strålsvepning, hierarkisk strålträning, och ML-baserad strålträning undersöks. Med strålträning, vi behöver bara uppskatta en lågdimensionell ekvivalent kanalmatris i skalan av antalet RF-kedjor. Som den andra kategorin av CSI-förvärv, kanaluppskattning syftar till att exakt uppskatta mmWave -massiva MIMO -kanaler. Sedan de vanliga kanaluppskattningsmetoderna inklusive CS-baserad glesa kanaluppskattning, arraysignalbehandlingsbaserad kanaluppskattning, och ML-baserad kanaluppskattning diskuteras. Till sist, olika tillvägagångssätt när det gäller spektral effektivitet (SE), beräkningskomplexitet, och uppkomna omkostnader jämförs i detalj. Några öppna frågeställningar för framtida forskningsarbete ges också.