毫米波通信系统通常配备大型天线阵列，称为毫米波大规模多输入多输出(MIMO)，以生成高度定向的波束并补偿高频段的严重路径损耗。
然而，定向波束成形的性能很大程度上依赖于信道状态信息(CSI)获取的准确性。
与传统的MIMO系统相比，毫米波大规模MIMO系统中的CSI获取具有挑战性。
一方面，大天线阵列形成高维信道矩阵，其估计消耗更多资源，例如，导频序列开销、探测波束开销和计算复杂度。
另一方面，毫米波大规模MIMO通常采用混合波束成形架构，其中射频(RF)链比天线少得多。
因此，我们只能从射频链中获取低维信号，而不能直接从前端天线获取高维信号，这使得CSI获取比平常更具挑战性。
CSI获取包括波束训练和信道估计。
有时光束训练也称为光束对齐。
对于使用电磁透镜的毫米波大规模MIMO，通常用作从角度空间到波束空间的DFT变换，波束训练也称为波束选择。
波束训练通过模拟发射和接收波束对mmWavemassive MIMO信道进行探测，以找到适合传输的波束对，从而避免高维信道矩阵的估计。
一旦波束训练完成，可以使用最小二乘法或最小均方误差估计等经典方法来估计具有少量导频符号的等效信道矩阵。
信道估计侧重于估计高维信道矩阵，它灵活地利用了先进的信号处理技术，例如压缩感知(CS)。
除了传统方法之外，波束训练和信道估计都可以利用机器学习(ML)技术。
在新发表的研究成果当中，我国东南大学的团队与伦敦帝国理工学院合作，概述了毫米波大规模MIMO的CSI采集。
研究团队首先研究了波束训练方法，包括波束扫描、分层波束训练和基于机器学习的波束训练。
通过波束训练，我们只需要在射频链数的尺度上估计一个低维等效信道矩阵。
作为CSI获取的另一类，信道估计旨在准确估计毫米波大规模MIMO信道。
然后讨论了主流的信道估计方法，包括基于CS的稀疏信道估计、基于阵列信号处理的信道估计和基于ML的信道估计。
最后，详细比较了在频谱效率(SE)、计算复杂度和产生的开销方面的不同方法。
(原标题：5G通讯的灵魂！我国学者发表获取毫米波MIMO信道状态信息研究成果)