5G

超大规模MIMO技术研究报告（第二版）1 2022 年年 9 月月 版权声明版权声明 Copyright Notification 未经书面许可 禁止打印、复制及通过任何媒体传播 2022 IMT-2030（6G）推进组版权所有 第 2 页 共 125 页 前言前言 超大规模 MIMO 在大规模 MIMO 基础上的进一步演进。通过部署超大规模的天线阵列，应用新材料，引入新的工具，超大规模 MIMO 技术可以获得更高的频谱效率、更广更灵活的网络覆盖、更高的定位精度、更高的能量效率等。随着天线和芯片集成度的不断提升，天线阵列的规模将持续增大。天线规模的进一步扩展将提供具有极高空间分辨率和处理增益的空间波束，提高网络的多用户复用能力和干扰抑制能力，从而成倍提高频谱效率。超大规模 MIMO 具备在三维空间内进行波束调整的能力，从而在提供地面覆盖之外，还可以提供非地面覆盖，如覆盖无人机、民航客机甚至低轨卫星等。随着新材料技术的发展，超大规模 MIMO 将与环境更好的融合，网络的覆盖和多用户容量等都可以大幅度提高。超大规模天线阵列具有极高的空间分辨能力，不仅可以在复杂的无线通信环境中提高定位精度，实现精准的三维定位，还可以获得目标的空间姿态信息，在依赖于高精度位置信息的应用中至关重要。分布式超大规模 MIMO 技术将 MIMO 技术和分布式系统有机结合起来，利于构造超大规模的天线阵列，有望提供更高的空间分辨率和频谱效率。分布式超大规模 MIMO 网络架构趋近于无定形网络，传输方式也将由以网络为中心转变为以用户为中心，实现均匀一致的用户体验。此外，分布式超大规模 MIMO 可以拉近网络节点和用户间的距离，有效降低系统的能耗。实现分布式超大规模MIMO 首先要解决部署问题，即如何低成本、可实用的部署。其次要解决节点间信息实时交互和时频同步的问题。由于超大的天线规模，超大规模 MIMO 的信道呈现出新的特点，即近场和非平稳特性，为更准确的评估超大规模 MIMO 系统性能，需要研究近场和非平稳特性下的超大规模 MIMO 信道建模。波束管理、发射端预处理和信道状态信息反馈等也因为天线规模的增加而变得更加挑战。利用高频段信道的稀疏特性以及终端的移动特性，波束管理的开销得以压缩。借鉴全息技术的原理，全息 MIMO提供了一种实现逼近空间受限 MIMO 容量极限的技术方案。信道状态信息获取方面则需要探索新型的反馈量，以缓解开销与精度之间的矛盾。超大规模 MIMO 技术中引入人工智能技术将有助于充分发挥超大规模 MIMO 技术的潜力。在未来的通信系统中，超大规模 MIMO 有可能在多个环节实现智能化，如信道探测、波束管理、预处理、多用户检测与调度、信号处理与信道状态信息反馈等，从而使超大规模 MIMO 系统更加高效和智能。如何满足实时性要求以及获取训练数据是人工智能与超大规模 MIMO 结合需要解决的问题。超大规模MIMO系统期望将规模扩展到上千单元以便通过提升波束空间分辨能力和波束增益来进一步增强多用户 MIMO 能力、提高无线通信系统的频谱效率。仅仅通过增加通道数来实现超大规模 MIMO 系统的话，上千射频通道对系统的成本和功耗提出了巨大的挑战。降低超大规模阵列的成本和功耗可从应用新型材料、新构造方式和阵列优化等几个方面入手。智能超表面和平面透射阵列相控阵可有效降低功耗，但同时也带来了波束管理和信道状态信息获取上的技术挑战。稀疏化阵列技术通过对阵列的优化设计，减少天线单元数的同时实现高增益、高空间分辨率的波束辐射和扫描。阵列稀疏化之后，在均匀阵列假设下设计的码本将不再适用，需要研究适合任意阵列形态的码本。超大规模MIMO技术在网络实际部署中面临的众多挑战之一是能耗及能效问题。面向6G网络，需要聚焦时、频、空等多个维度的节能方案，尽可能的降低超大规模 MIMO 系统的能耗，以助力超第 3 页 共 125 页 大规模 MIMO 系统的规模部署。此外，在研究节能方案的同时，也要关注相关方案对用户体验的影响，需要在用户体验和系统能耗之间找到合适、合理的平衡点。第 4 页 共 125 页 目 录 第一章第一章 部署场景部署场景.9 1.1 宏蜂窝覆盖.9 1.2 热点覆盖.9 1.3 室内深度覆盖场景.10 1.4 广域覆盖场景.11 1.5 立体覆盖场景.11 1.6 终端之间短距/近距覆盖.11 1.7 小结.11 第二章第二章 性能指标性能指标.12 2.1 频谱效率.12 2.2 移动速度.13 2.3 能量效率.13 2.4 小区级最大并发数据流数.14 2.5 小结.15 第三章第三章 新型应用新型应用.15 3.1 立体覆盖增强.15 3.2 高速以及超高速移动覆盖.22 3.3 空间精确定位与感知.23 3.4 小结.27 第四章第四章 关键技术关键技术.27 4.1 信道建模.27 4.2 波束管理.32 4.3 发射端处理技术.38 4.4 信道状态信息反馈.47 4.5 小结.50 第五章第五章 智能化超大规模智能化超大规模 MIMO.51 5.1 背景.51 5.2 基于机器学习的超大规模 MIMO 信道反馈技术.52 5.3 基于机器学习的超大规模 MIMO 信道预测技术.55 5.4 基于机器学习的超大规模 MIMO 信道估计技术.57 5.5 基于机器学习的超大规模 MIMO 波束管理技术.59 5.6 基于机器学习的智能中继管理.60 5.7 小结.66 第六章第六章 分布式超大规模分布式超大规模 MIMO.66 第 5 页 共 125 页 6.1 技术原理.67 6.2 应用场景及部署方式.67 6.3 关键技术.69 6.4 小结.82 第七章第七章 超大规模超大规模 MIMO 新型天线结构新型天线结构.82 7.1 模块化天线.82 7.2 智能超表面.82 7.3 终端新型天线结构.85 7.4 平面透射表面相控阵.87 7.5 稀疏化阵列天线架构.94 7.6 小结.100 第八章第八章 低功耗超大规模低功耗超大规模 MIMO.100 8.1 超大规模 MIMO 的低功耗需求.100 8.2 关键节能技术研究和应用分析.101 8.3 小结.105 第九章第九章 超大规模超大规模 MIMO 移动性管理移动性管理.106 9.1 概述.106 9.2 分布式超大规模 MIMO 对于同频移动性测量的影响.106 9.3 潜在研究方向.108 9.4 小结.109 第十章第十章 总结总结.109 参考文献参考文献.110 主要贡献单位主要贡献单位.115 缩略语缩略语.115 图目录 图 3-1 基站塔顶弱覆盖区示意图.16 图 3-2 子阵大小=2 时混合子阵列在垂直面上扫描的方向图.18 图 3-3 混合子阵列垂直面方向图(a)Nsub=1;(b)Nsub=3.18 图 3-4(a)全数字架构;(b)移相网络混合全连接架构;(c)开关网络混合全连接架构.19 图 3-5 不同架构功耗随天线数目变化.20 第 6 页 共 125 页 图 3-6 垂直方向不同子阵划分情况的功耗和开关网络混合全连接架构功耗的比较.21 图 3-7(a)毫米波小型化天线；（b）天线性能.21 图 3-8 不同相邻小型化天线单元间距对阵列增益的影响.22 图 3-9 HST 场景基站部署示意图.23 图 3-10 超大规模 MIMO GNSS 系统位置服务覆盖.25 图 3-11 城市峡谷超大规模 MIMO GNSS 定位场景.26 图 3-12 城市路口超大规模 MIMO GNSS 定位场景.26 图 3-13 超大规模 MIMO GNSS 系统高精度三维定位.27 图 4-1 电磁波波前示意图.29 图 4-2 基于机器学习的球面波时变信道建模流程.31 图 4-3 基于分级的波束扫描策略.33 图 4-4 波束训练与追踪场景（阴影部分表示波束 a1的半功率衰减波瓣）.34 图 4-5 高速移动场景下的波束管理.35 图 4-6 不同频率进行试验采集到的角度功率谱.36 图 4-7 全息记录与全息恢复的过程示意图16.39 图 4-8 基于基函数的最佳收发机结构18.40 图 4-9 模式分复用和 WDM 容量对比19.41 图 4-10 基于 RHS 的宽带通信系统框图.42 图 4-11 基于波导天线阵列的可调超表面示意图.42 图 4-12 基于平行板波导的超表面结构示意图.43 图 4-13 毫米波半双工 AF 中继通信系统示意图.45 图 4-14 ZF 预编码性能随着 CSI 准确性降低而降低.47 图 5-1 手机终端 NPU 能力增长图.51 图 5-2 信道反馈的多层神经网络架构.53 图 5-3 不同反馈开销下基站侧恢复的 PMI 余弦相似度.54 图 5-4 不同反馈开销下，相比于 64 比特 TypeII 码本反馈的频谱效率增益.54 图 5-5 不等间隔信道状态信息反馈的配置.55 图 5-6 基于深度学习的信道预测示意图.56 图 5-7 外推实现的信道预测方案.56 图 5-8 外插-内核联合实现的信道预测方案.57 图 5-9 基于神经网络的 DMRS 信道估计方案.57 图 5-10 基于深度学习的 DMRS 样机示意图.58 图 5-11 基于深度学习的 DMRS 样机的误块率结果.59 图 5-12 利用深度学习减少波束训练开销的示意图.59 图 5-13 利用深度学习进行波束预测的示意图.60 图 5-14 基于云架构的智能中继波束预测与搜索优化架构图.61 图 5-15 训练流程.66 图 6-1 热点区域部署方式.67 图 6-2 无线条带系统32.68 图 6-3 超大规模 MIMO 系统多种 TRP 联合部署示意图.69 第 7 页 共 125 页 图 6-4 协作节点子集性能上界比较.70 图 6-5 分布式节点校准信息交互方案性能比较.71 图 6-6 下行数据传输处理过程.74 图 6-7 基站间信息交互方式.75 图 6-8 静态分簇和动态协作关联分布式超大规模 MIMO 的部署与组网结构.76 图 6-9 无蜂窝网络拓扑示例.77 图 6-10 协作簇测量示意图.79 图 6-11 分布式超大规模 MIMO 系统的混合波束赋形架构.80 图 6-12 基于混合波束赋形的毫米波分布式超大规模 MIMO 系统.81 图 6-13 分布式大规模天线系统下不同混合波束赋形方法性能比较.81 图 7-1 超表面的两种结构.83 图 7-2 超表面调制环境中已有信号39.84 图 7-3 AiP 结构剖面图.86 图 7-4 手持终端屏上天线概念图.87 图 7-5 垂直 1 驱 6 结构当辐射波束在垂直方向上扫描到 7时的辐射方向图.88 图 7-6 平面透射表面相控阵的结构示意图.88 图 7-7 平面透射表面相控阵结构辐射波束二维辐射方向图(a)=40;(b)=-40.89 图 7-8 基于平面透射表面相控阵 MIMO 方案的基本步骤.90 图 7-9 一种平面透射表面相控阵宽波束扫描方式波束辐射方向图.90 图 7-10 三种用户位置分布情况.91 图 7-11 图 7-10 所示的用户分布所需的波束辐射区域.91 图 7-12 平面透射表面相控阵频谱效率和功耗性能分析.93 图 7-13 平面透射表面相控阵能量效率分析.93 图 7-14 典型射频通道成本分布.94 图 7-15 稀疏阵列的结构示意图.95 图 7-16 不同程度稀疏化后的稀疏阵列的法向波束辐射图.95 图 7-17 256 单元稀疏阵列(a)俯仰角扫描(方位角为 0 度)；(b)方位角扫描(俯仰角为 60 度).96 图 7-18 均匀阵和稀布阵的阵元位置.97 图 7-19 不同扫描角度下，均匀阵、稀布阵归一化方向图特性.98 图 7-20 64-UPA/32-UPA/CO-based/JCO-based 32-SPA 阵列系统性能.99 图 8-1 AAU 能耗示意图.101 图 8-2 通道关断示意图.102 图 8-3 包络跟踪原理示意图.104 图 8-4 数字预失真原理示意图.104 图 9-1 基于上行的移动性管理的流程.108 第 8 页 共 125 页 表目录 表 3-1 无人机高度覆盖需求汇总1.15 表 3-2 毫米波射频部件功耗参考值.19 表 4-1 HBF-MO-G 算法过程.46 表 4-2 ZF 预编码性能评估假设.48 表 5-1 典型的复杂神经网络的复杂度.52 表 7-1 平面透射表面性能分析计算参数6061.93 表 7-2 不同阵列的 3dB 波束宽度、最大副瓣电平.98 表 7-3 不同阵列应用系统的小区平均吞吐量、小区边缘用户吞吐量.99 表 9-1 RRM 和 CSI 的测量/报告比较.107 9 1 第一章第一章 部署场景部署场景 在 4G 时代，多天线技术被引入，有效地提高了小区峰值速率和改善了小区边缘覆盖性能。到了 5G 时代，随着部署频段的升高，天线规模进一步扩大，以提供更好的小区覆盖性能。超大规模 MIMO 技术将继续在未来的 6G 移动通信中作为物理层候选关键技术之一。6G 将支持更多的新型应用，这也给超大规模 MIMO 部署提供了新的应用和部署场景。在 5G 时代，大规模 MIMO 的部署场景主要包括宏蜂窝覆盖以及室内外热点覆盖场景等。在 6G 时代，除了上述典型场景外，超大规模 MIMO 系统可能会在以下几类场景中大放异彩：室内深度覆盖场景；广域覆盖场景；立体覆盖场景；4短距/近距覆盖场景，本节主要对上述几种部署场景进行介绍。1.1 宏蜂窝覆盖宏蜂窝覆盖 典型宏蜂窝覆盖场景是具有密集用户和慢速车辆的城市密集蜂窝环境，其关键特性是密集蜂窝小区、室外到室内广覆盖、高用户密度和城市人口稠密地区的高传输负载。因此，该场景假设是连续的蜂窝布局和存在蜂窝间干扰。超大规模 MIMO 不仅可以在城市宏蜂窝场景中有效解决覆盖和提升区域容量，而且对远距离覆盖性能也有提升。在市郊及偏远地区部署密集基站实现覆盖其经济上并不现实，那么就要求基站能在满足一定速率下能够实现更远距离覆盖，其覆盖距离能达到公里级别以上。1.2 热点覆盖热点覆盖 1.2.1 室内热点覆盖室内热点覆盖 目前的移动网络中大部分的业务是发生在室内场景中，随着 6G 时代的到来，将会有更多的业务发生在室内的场景中。通常的情况下，室内的环境会比较简单，无线通信的距离也比较短。根据部署环境的特点，室内的场景可以进一步分为：写字楼/居民区该类场景空间分布和用户的密度都比较适中，用户的移动性不高，该场景下典型的网络需求包含视频会议，网页浏览，数据下载等等。该类场景的另一个特点是用户在空间上呈现的是立体的分布，用户分布比较分散。在这类的场景中，由于墙体的损耗，网络的覆盖相对比较差，无法满足高质量的数据传输需求。未来通信系统中可以通过超大规模 MIMO 技术，利用波束赋形的能力以及较高的空间复用增益，满足这些区域高容量高速率的数据传输需求。此外，针对用户在垂直空间上分布的特点，还可以结合超大规模 MIMO 技术，在垂直面采用大量的天线阵列，增加垂直面的覆盖，这样可以满足垂直维度用户的高密集分布带来的通信容量的需求。体育场/火车站10 室外信号在穿透砖墙、水泥等障碍物后路损比较大，只能提供浅层的室内覆盖，无法保证室内高密度用户的良好体验。结合该场景的特点，室外采用低频的宏基站保证覆盖，考虑在室内部署微基站。在高网络负载的室内，结合超大规模 MIMO 技术，使用更窄的波束实现精细对准，可以提升用户接收到的信号质量。1.2.2 室外热点覆盖室外热点覆盖 在室外也存在人流密集的场景，典型的室外的场景如交通枢纽等等。该场景的特点是可能在某一个地点会有成百上千的人同时驻留，集中地在某一个区域产生巨大的数据量。在这类的场景中，无线环境比较复杂，人的流动性比较大，可以通过超密集组网技术，通过更加“密集化”的网络设施的部署方式，实现网络容量的巨大提升。随着基站密度的增加，用户受到的干扰也会增加，结合超大规模 MIMO 技术，灵活的按需进行波束的宽度和方向的调整，可以有效的降低用户之间的干扰。高频段较窄的波束也可以服务更多的用户，满足在某个集中区域较大数据量的需求。总的来说，针对热点区域，6G 的系统中对数据的传输质量和容量都提出了新的要求。超大规模 MIMO 技术，可以考虑部署在高频段，通过高低频段组网，充分利用高低频段的优势，低频段提供覆盖，高频段作为热点增容。此外超大规模 MIMO 技术，利用波束赋形增益，可以弥补传输过程中的损耗，还可以通过灵活的调整波束，实现精确对准，减小干扰。针对高层覆盖场景，还可以在垂直维度部署更多的射频通道，满足高层的热点区域通信需求。1.3 室内深度覆盖场景室内深度覆盖场景 据统计表明，在 4G 时代，超过 80%的移动业务发生于室内场景。据预测，在 5G 时代，这一数字将超过 85%。展望 6G 时代，可能将会有 90%甚至更多的业务发生于室内。自 4G 以来，室内场景对于各个通信时代都至关重要，室内移动网络通信能力也是各通信时代的网络核心竞争力之一。目前来看，主要可以通过以下几种方式解决室内覆盖问题：室外站覆盖室内：将宏基贴近目标区域布站（比如用户密集的楼宇群），采用室外覆盖室内的方式为室内用户提供服务。但是由于穿透损耗较高，该方案难以满足室内深度覆盖的需求。数字新型室分系统：通过使用数字新型室分系统可实现可视化运维，并能有效的解决室内深度覆盖问题。但一方面，由于需要在楼宇内部施工，存在一定的施工难度；另一方面，综合考虑成本与收益，并不是所有室内场景都适合于依托数字新型室分系统完成室内覆盖，比如居民楼等。结合上述分析可以看出，在 6G 时代仍需关注室内深度覆盖问题，包括楼宇内部、地下停车场和地下超市等室内场景的深度覆盖。超大规模 MIMO 技术通过超高的波束赋形增益、灵活的波束方向调整，有望切实的提升 6G 系统的室内深度覆盖性能。11 1.4 广域覆盖场景广域覆盖场景 广域覆盖场景的典型特点为：区域范围广，用户密度稀疏，业务量低，包括沙漠、近海海域、林区等场景。这些看似无人的区域可能蕴藏着非常重要的资源，比如油田、珍稀动植物、属于我国领土的海岛等，这就意味着需要有专门的从业人员在附近工作、生活。为了保证这些从业人员的通信需求，上述场景的覆盖是必要且重要的。针对广域场景，在保证覆盖的同时，需尽可能的降低布站数，以降低布站成本和运营维护成本。因此，需要利用超大规模 MIMO 技术以及新型天线结构尽可能的扩展单站的覆盖距离，从而可以有效的解决广域场景的覆盖问题。1.5 立体覆盖场景立体覆盖场景 立体覆盖场景更强调对垂直方向的空域覆盖，可能的应用场景包括覆盖高层建筑，无人机，民航客机等。在 6G 时代，立体覆盖可能成为一个重要的应用场景，因此需要增加基站在垂直方向的自由度，使其垂直波束具备更高的精度、更广的覆盖范围。超大规模 MIMO 可以通过采用新的天线结构、或增加垂直方向射频通道数目，保证 6G 时代的立体覆盖需求。1.6 终端之间短距终端之间短距/近距覆盖近距覆盖 太赫兹尤其275 GHz以上频段处于光电转换阶段，它同时具有微波和光波通信特性。首先，随着通信的快速发展，传统的微波通信难以满足高速、宽带无线通信的需求，而凭借其高数据传输速率和宽广的频谱带宽，这一频段具有支持未来无线通信的潜力。另一方面，光波在灰尘、墙体、塑料、布匹和其它非金属或非极化物质中的传输衰减严重。275 GHz以上频段可以较低的衰耗穿透这些物质，使它具备了在恶劣环境中的良好穿透能力。但这一频段也有自身弱点，最致命的弱点是它易于被大气中的极性分子所吸收，因此它的大气衰减较为严重，雨天尤其如此。这一特性决定了它未来主要用于地面短距宽带移动通信。太赫兹通信可以通过近场通信实现短距离通信，例如用于实现内容与云同步化的使用案例。由于频段和终端设备小型化，可以通过超大规模MIMO去保证其传播质量和避免潜在的多径影响。1.7 小结小结 作为 6G 的候选关键技术之一，超大规模 MIMO 除了更好的支持宏蜂窝和室内覆盖等传统场景外，在室内深度覆盖、广域覆盖、立体覆盖和近距离覆盖等新型场景中也将发挥重要的作用。12 2 第二章第二章 性能指标性能指标 2.1 频谱效率频谱效率 2.1.1 基本描述基本描述 对于 5G 系统，ITU 制定的性能指标中频谱效率包括三种定义，适用于多种应用场景，这三种频谱效率对 6G 系统将仍然适用。这三种频谱效率分别是峰值频谱效率、平均频谱效率和5%用户频谱效率。定义如下：-峰值频谱效率为理想条件下信道带宽归一化的最大数据速率。这里的最大数据速率是指无差错条件下单用户的接收数据速率。峰值频谱效率的单位为 bit/s/Hz。-5%用户频谱效率为归一化用户吞吐量 CDF 曲线 5%点位所对应的用户吞吐量。其中，用户吞吐量是指用户在单位时间内正确接收的比特数。归一化吞吐量为用户吞吐量与信道带宽的比值。这里的信道带宽为有效带宽与频率复用因子的乘积，有效带宽为考虑了上下行链路配比的归一化带宽。5%用户频谱效率的单位为 bit/s/Hz/用户。-平均频谱效率为传输接收点（TRP）的平均频谱效率，即所有用户的吞吐量之和与信道带宽及 TRP 数目的比值。这里的信道带宽为有效带宽与频率复用因子的乘积，有效带宽为考虑了上下行链路配比的归一化带宽。平均频谱效率的单位为 bit/s/Hz/NTRP，其中 NTRP为TRP 的数目。根据上述各频谱效率的定义可以看出，频谱效率主要用作移动宽带覆盖的指标。其中，峰值频谱效率为用户在理想条件下可达到的最优性能，可用作热点覆盖等场景的性能指标；平均频谱效率为单站点的平均性能，可用作热点覆盖、广域覆盖等场景的性能指标；5%用户频谱效率为边缘用户的性能，可用作深度覆盖等场景的性能指标。2.1.2 超大规模超大规模 MIMO 系统频谱效率分析系统频谱效率分析 超高清视频等大流量多媒体、VR/AR、全息通信等应用必将带来 6G 系统对峰值速率需求的十倍乃至百倍的提高。提高峰值速率的主要手段包括增加带宽和提高频谱效率。增加带宽意味着频点的进一步提升。虽然高频的频段资源非常丰富，但频点越高，路径损耗越大，覆盖范围越受限，这对网络部署成本带来很大压力。因此，未来的通信系统仍将对频谱效率具有更高的需求。多天线技术是提高频谱效率的一种有效手段，其对频谱效率的提高主要来自于以下三种数据通道的利用方式：空间复用、发射分集和波束赋形。空间复用技术利用多个天线构成并行信道传输不同的数据流，从而直接提升数据传输速率；发射分集技术利用并行通道传输有一定冗余度的数据，从而更好地对抗衰落，提升传输的可靠性；波束赋形技术根据发射机掌握的信道状态信息，通过将能量集中到某个特定方向来提高接收信号的信噪比。13 在不考虑导频开销等非理想因素的情况下，频谱效率可以通过系统容量来表征。理论分析表明，若接收端已知理想的信道信息，当天线个数趋于无穷时，多用户干扰和多小区间干扰趋于消失，整个系统趋近于一个无干扰系统，系统容量随天线数量增大，并趋于无穷大。这意味着，在最为理想的情况下，若 6G 系统的天线规模提高一到两个数量级，系统容量可以成倍提高。然而，在实际应用中，受到各种非理想因素的影响，接收端和发射端通常不能获得完美的信道状态信息。信道状态信息通常通过导频获得。天线规模的增加通常会导致导频开销的增加，这将降低传输数据的可用资源，从而影响系统容量和频谱效率。此外，随着天线数目和小区中用户数的增多，不同小区的用户可能采用相同的导频模式和相同的导频序列，从而产生导频污染。在不考虑小区间用户的干扰协调时，在导频污染的情况下，系统容量受限于导频污染。研究表明，在导频污染的影响下，当天线规模增加到一定数目时，系统容量不再随天线规模的增加而增加。然而，通过用户间的干扰协调技术等，可以降低或消除导频污染。因此，超大规模 MIMO 系统对系统容量和频谱效率的提升虽然无法达到线性增长，但仍然能够随着天线规模的增大而增长。此外，当超大规模 MIMO 系统应用于高频段时，天线规模的增大意味着波束赋形可以做到更窄，从而获得更为精准的信道指向性，用户间的信道向量也更趋于正交。这不仅使得用户的接收信号可以更强，还使得用户间的干扰一定程度上受到了抑制，从而使得超大规模 MIMO系统可以进一步提高频谱效率。综合以上分析，预计超大规模 MIMO 系统将帮助 6G 系统在频谱效率方面相对于 5G 系统实现成倍的提升。2.2 移动速度移动速度 6G 系统对超大规模 MIMO 的移动性要求是指 6G 系统能够满足某特定的 QoS 要求下所支持终端最大的移动速度（单位：km/h），例如支持飞机的飞行速度。QoS 定义为归一化的业务信道数据速率。超大规模 MIMO 相关解决方案可尝试降低高速移动下多普勒频移对系统的影响。2.3 能量效率能量效率 根据 ITU 对于网络能量效率的定义：网络能量效率是与所提供的业务量相关的最小化无线接入网能量消耗的空口技术能力。由 ITU 对于 IMT-2020 能量效率需求可知，在高业务量时，5G 网络的能量效率通过系统的平均频谱效率来衡量；而在低业务量时，5G 网络能量效率通过无线数据传输时基站睡眠比例和睡眠时间来衡量。目前移动业务量的增长与网络运营成本和运营效率的增长之间差距正在逐渐扩大。因此未来 6G 系统设计时，不仅要考虑系统频谱效率的进一步优化，系统能量效率，网络设备和终端设备的功耗也需要同步考虑和优化。除了上述 ITU 对能量效率的定义，学术研究中则将能量效率严格定义为单位能耗下所能传输的数据量，单位为比特/焦耳。而频谱效率则定义为单14 位带宽内的数据传输速率，单位为比特/秒/赫兹。进一步的，系统能量效率（EE，Energy Efficiency）EE和频谱效率(SE，Spectrum Efficiency)SE有以下关系()EESEsumbit/JouleWP=其中，W 为系统带宽，Psum为系统发射功率。总发送功率 Psum可以建模为：sumtcsPPMPP= 其中，为 PA 效率，定义为 PA 输出信号与输入信号功率之比。Pt为基带信号发送功率，与信号带宽有关；M 为天线数；Pc为每个独立天线射频链路的功耗，因此天线数增加，射频链路功耗也会相应增加；Ps为电路静态功耗。对于频谱效率的提升，可以通过优化空口传输技术的方式来实现，例如提高数据传输层数和提高信号调制阶数。而对于网络能量效率的提升，从上述公式看，则可以考虑降低硬件电路功耗或改进空口传输技术。这两种途径是相互制约的，例如，增加天线数可以提升系统频谱效率，但同样会导致电路功耗的增加，即 MPc随着 M 线性增加。1.基站侧在高业务负载时，W/Psum固定（各自达到峰值）。此时，频谱效率越高，系统能量效率也越高。因此在高业务负载条件下，6G 系统的能量效率随着系统频谱效率的提高也会成倍提升。而在低业务负载时，设备功耗以及电路功耗直接影响系统能效，此时系统可以通过关闭载波和加大同步信号周期提高系统休眠比例来提高系统能量效率。2.终端侧在不增加终端最大发送功率的条件下，能量效率随着数据传输速率提高而提高，若保持系统带宽不变，上行并发数据流数提高一倍，同时引入高阶调制，同时考虑到电路芯片的更新换代，6G 终端的能量效率预计会有成倍的提升。2.4 小区级最大并发数据流数小区级最大并发数据流数 小区级最大并发流数，即进行多用户 MIMO（MU-MIMO，Multi-user MIMO）传输时可支持的最大并发数据流数目，从 4G 系统开始成为被运营商关注的性能指标，是 5G 大规模天线的一个重要性能指标。在超大规模 MIMO 系统中，以基站配置 256TR 和下行链路 MU-MIMO 为例，理论上，下行链路小区级最大并发数据流数目可以为 256 流。按照工业界实现时取理论最大值的 1/2 或1/4 来考虑，也可以考虑支持 128 流或 64 流。但是，合理数值的设定应该要综合考虑部署场景、天线阵列形态、性能提升、成本、能耗等因素。15 2.5 小结小结 超大规模 MIMO 在满足 6G 性能指标方面可发挥关键作用。本章重点对频谱效率、能量效率、移动速度和最大并发流数等几个指标进行了分析和探讨。根据分析结果，预期超大规模MIMO 在频谱效率、能量效率和最大并发流数等几个指标上都可实现成倍的提升。3 第三章第三章 新型应用新型应用 3.1 立体覆盖增强立体覆盖增强 着眼于未来的 6G 通信系统，其无线网络覆盖将是将会向陆、海、空、天泛在融合的物理空间拓展，覆盖将延伸到所有人类可能涉及的活动空间，将人类的“数字鸿沟”缩小到极致。因此，立体覆盖增强势必成为 6G 系统需要重点考量的问题。3.1.1 覆盖场景覆盖场景 立体覆盖增强主要包含三方面应用场景，一方面是近地面场景，高度范围从地面算起到空中数百米的距离，涉及的新型业务包括无人机物流等；另一方面是高空场景，高度范围在数百米到数十公里，涉及的新型业务包括空中客机的网络服务等。此外，高空基站也是立体覆盖增强的一个重要应用场景。接下来本节将对这三种场景进行介绍。（1）近地面立体覆盖增强随着无人驾驶航空器（UAV,Unmanned Aerial Vechicle，简称无人机）相关产业的快速发展，其应用领域也逐渐向各个行业扩展，除军事用途外，还包括农业植保、应急通信、气象监测、森林防火等多种用途。在民用领域中，无人机的用途主要包括两个方面：一是用于监测（涉及高清视频回传，比如森林防火、警用执法等），二是用于物流（涉及载货/卸货，比如农业植保等）。一些典型应用中的无人机飞行高度如表 3-1 所示。上述两方面用途中，尤其是实时监测用途，需要大容量无线网络的支撑。表 3-1 无人机高度覆盖需求汇总1 等级 覆盖高度 典型应用 1 10m 农业植保类应用（如农药喷洒）2 50-100m电力/基站勘探、指挥/救援、航拍娱乐、空中监控、物流运输 3 200-300m农田信息测绘 4 300-3000m高空巡检（输油管道等）基站部署时如果有机械下倾，可以更好的控制基站的覆盖范围，避免跨区干扰，如图 3-1所示。此时，在基站正上方的一定空间内，由于无法产生相应的波束覆盖，这些区域的信号强度会比较弱。因此，当飞行高度较高的无人机飞过这些区域的时候，可能会产生连接中断或是16 视频回传的中断，从而导致性能下降或产生一些安全隐患。因此，对于超大规模 MIMO 系统，需要对立体空间的覆盖进行进一步增强，考虑在不同飞行高度下的飞行器的覆盖需求以及上行速率需求。为满足无人机的覆盖要求，最主要的是增强垂直维度的覆盖效果。一种方案是直接增加指向空中的天线，另一种是增加超大规模 MIMO 在垂直维度的数量，即通过多个窄波束取代原有的宽波束，增加整体的垂直覆盖能力。基站塔顶弱覆盖区图 3-1 基站塔顶弱覆盖区示意图（2）高空立体覆盖增强空中互联网（IFC,In-Flight Connectivity）蕴含着巨大的商业价值，它不仅能为客机上的旅客带来上网的便利，帮助航空公司改善运营服务水平，还有利于增强飞机的安全性、便利性。目前，主要有两种方式可以实现客机的空中互联，一种是通过卫星通信技术，以卫星作为中继，进行相应信息的接收和转发。其优势主要在于覆盖区域广，可实现全球覆盖；劣势在于配套设备及飞机改造成本较高、单机带宽窄。另一种是通过空地通信技术（ATG,Air To Ground），利用地面基站为空中客机提供网络服务。其优势主要在于成本低、单机享有的带宽较大；劣势在于需要地面布网，无法实现跨洋覆盖。综上来看，空中互联网的组网很可能是结合卫星通信和空地通信两种技术方案，取长补短，共同实现整体空域的覆盖。超大规模 MIMO 技术可以作为空地通信的一种技术实现手段，作为陆地上空客机的网络容量补充。（3）高空基站对水平维度的覆盖增强高空基站对于应急通信等特殊场景意义重大，如高空无人机基站飞行到 200 米高空时即可覆盖 6.5 千米的地面区域，可以为抗震救灾等工作提供更加优质的应急通信方案，在地面通信设备遭到严重破坏的情况下，可以发挥重大作用。17 目前业界对于高空基站的研究也已经从多个维度展开。如在频谱方面，WRC-19 大会通过了一项 WRC-23 新议题 1.4，考虑在全球或区域范围内，在已为 IMT 确定的 2.7 GHz 以下的某些频段内的移动业务中，将 HAPS 用作高空基站，并开展高空基站与其他主要业务之间的兼容性研究。目前大多高空基站是通过系留无人机实现。此外也有集成太阳能电池模块的无人机基站，以无线的方式实现自我供电。总体来说，相比于普通地面基站，高空基站由于需要长时间浮空，在功率、重量方面都比较受限。由于高空基站覆盖范围广，服务用户多，小区级的吞吐量较大，引入大规模或超大规模MIMO 可以很好的满足通信需求，但是由于高空基站功率和重量的限制，引入任何增强技术时，都需要重点考虑系统复杂度和功耗的问题。对于针对高空基站引入超大规模 MIMO 技术，如何降低系统的复杂度和功耗是未来的研究重点方向。3.1.2 立体覆盖天线阵列结构立体覆盖天线阵列结构 超大规模天线阵列在考虑天线总体尺寸受限、带宽需求增加的情况下，其工作频段可能会主要在毫米波、太赫兹频段。28GHz 毫米波大规模天线阵列的一个实现中，整个阵面包含 768个双线极化单元，并划分为 4 个子阵。每个子阵对应一条射频通道，由水平 16 个 1 驱 1 单元和垂直 6 个 1 驱 2 单元组成。该阵列系统在垂直面上的覆盖范围为15。城区场景中的站间距平均为 300 米的情况下，在垂直面上的覆盖范围在百米以内，基本上可以满足高楼覆盖场景的要求。但是，在前述的 6G 通信系统的应用场景中，基站波束还需要连接无人机等高空飞行物体。无人机的飞行高度在几十到几百米量级上，因此现有的毫米波大规模阵列在垂直维度上的覆盖能力不足。另外，在更高的频段上，考虑到路径上更强的物体遮挡损耗和吸收损耗，未来的站间距会进一步减小到 100 米左右，这时超大规模天线阵列需要在垂直维度上具有更高的扫描能力，即辐射波束需要在垂直面上具有更大的扫描范围。例如，若要在垂直高度上覆盖距离达到 200 米，阵列的垂直面扫描范围需要超过40。图 3-2 给出了 28GHz 毫米波大规模阵列辐射波束在垂直面上扫描时的垂直面方向图。从扫描方向图结果中，我们可以发现在当扫描到 15时，在非主瓣方向出现了功率较高的副瓣，旁瓣抑制比大于-10dB。在这种情况下，该旁瓣会成为干扰瓣，增加波束之间的干扰，降低通信容量。同时，当扫描角度越大，干扰瓣的功率越大。18 图 3-2 子阵大小=2时混合子阵列在垂直面上扫描的方向图 当改变垂直子阵划分方法时，从图 3-3 的结果中可以得出两个结论。结论一为只有在垂直方向上也采用 1 驱 1 的非子阵架构，才能使得阵列在垂直面上扫描角大于 40时仍然不出现干扰瓣。结论二为阵列在垂直方向上划分子阵时，子阵所包含的天线单元数越多，出现干扰瓣对应的垂直方向扫描角越小。例如当子阵大小 Nsub=3 时，不出现干扰瓣的垂直方向扫描范围仅为10。另外，如图 3-3(b)所示，在子阵在垂直方向上包含 3 个单元的情况下，当阵列在垂直方向上的扫描角大于 20时，在非目标方向的干扰瓣的功率不小于主瓣功率。图 3-3 混合子阵列垂直面方向图(a)Nsub=1;(b)Nsub=3 综上所示，子阵架构无法满足 6G 垂直覆盖需求的原因是垂直方向上相邻子阵之间的间隔远大于半波长，在垂直维度上不可避免地出现了功率较高的干扰瓣。本节给出几种垂直干扰瓣问题的潜在解决方案。(a)(b)19 3.1.2.1 低功耗非子阵超大规模天线阵列架构低功耗非子阵超大规模天线阵列架构 在流数和带宽不变的情况下，通过扩大天线规模一方面可以提高阵列增益获得更高的系统 EIRP，另一方面还可以减少波束宽度来降低干扰，从而增加通信速率。若天线规模增大到现有的 16 倍，辐射波束的 3dB 宽度约为 1.5，是现有阵列波束宽度的 1/4。因此，在下面的分析中超大规模天线阵列的大小我们选择为天线单元数 N=3072，射频通道数 NRF=4。图 3-4 所示的三种架构均是非子阵架构，在垂直、水平大范围扫描的过程中均不会出现干扰瓣问题。但是随着天线阵列规模的进一步增大，不同架构的功耗问题也是需要考虑在内的因素。文献23分别给出了毫米波射频部件功耗参考值和不同架构的简单功耗模型。毫米波射频部件功耗参考值如表 3-2 所示。表 3-2 毫米波射频部件功耗参考值 名称 符号 典型值(:mW)功放 PA 20 射频链路 PRF 250 功分器 PSP 10 合路器 PCO 10 移相器 PPS 30 开关 PCO 5 图 3-4(a)全数字架构;(b)移相网络混合全连接架构;(c)开关网络混合全连接架构 图 3-4(a)、图 3-4(b)、图 3-4(c)所示架构的简单功耗模型分别如下式所示。Pd=NPA NPRF PP=NPA NRFNPPS NRFPSP NPCO NRFPRF Ps=NPA NRFNPSW NRFPSP NPCO NRFPRF(b)基带处理单元数据流NRF射频链路射频链路功放功放功放N透透镜镜基带处理单元数据流NRF射频链路射频链路射频链路功放功放功放N基带处理单元数据流NRF射频链路射频链路功放功放功放N(a)(c)20 其中 Pd表示全数字架构功耗、PP表示移相网络混合全连接架构功耗、Ps表示开关网络混合全连接架构功耗。图 3-5 不同架构功耗随天线数目变化 基于上述功耗模型，图 3-5 给出了不同架构功耗随天线数目增加的变化情况。从图中可以看出，基于开关网络混合全连接架构的功耗是三种架构中最低的。当天线数目增加到 3072时，全数字架构的功耗为 829.4W，移相网络混合全连接架构的功耗为 461.8W，而开关网络混合 全 连 接 架 构 的 功 耗 仅 为 154.6W。另 外，移 相 网 络 混 合 子 阵 架 构 的 功 耗 模 型 为PP=NPA NRFN/NsubPPS NRFPSP N/NsubPCO NRFPRF，垂直方向不同子阵划分情况的功耗和基于开关网络的混合全连接架构功耗的比较如图 3-6 所示。图 3-6 的结果显示，当子阵所包含的天线单元数目 Nsub小于 3 时，开关网络混合全连接架构的功耗小于移相网络混合子阵架构的功耗；当 Nsub=3 时，两者的功耗可比拟；当 Nsub 3 时，移相网络混合子阵架构的功耗小于开关网络混合全连接架构。21 图 3-6 垂直方向不同子阵划分情况的功耗和开关网络混合全连接架构功耗的比较 因此，在考虑功耗的情况下，为满足 6G 垂直覆盖的需求，开关网络混合全连接架构可作为 6G 毫米波超大规模阵列候选架构之一。3.1.2.2 小型化天线单元去耦阵列小型化天线单元去耦阵列 正如前文所提及，子阵架构在垂直方向上扫描到较大角度时会出现栅瓣的原因在于相邻子阵之间的间距远大于半波长。因此减小单元天线的电尺寸也是解决栅瓣问题的一种潜在途径。如图 3-7 所示的 20GHz 毫米波天线单元在叠加用超材料构成的电抗性阻抗表面的情况下，天线总体尺寸可以降低到 L=0.31。这种天线单元可以在子阵单元数不超过 2 的情况下使得对应的超大规模天线阵列辐射波束在垂直维度上扫描范围扩大到30。进一步缩小天线的尺寸，可以进一步扩大对应阵列在垂直维度上的扫描范围。图 3-7(a)毫米波小型化天线；（b）天线性能 但是小尺寸天线在组阵的情况下会存在单元间耦合严重、增益损耗、波束赋形能力急剧下降的问题，如图 3-8 所示。辐射贴片层电抗性阻抗表面LL(a)(b)D=0.31D=0.6622 图 3-8 不同相邻小型化天线单元间距对阵列增益的影响 因此用天线小型化方案来解决毫米波超大规模阵列子阵架构垂直方向扫描范围受限的问题，未来还需要研究紧耦合阵列去耦技术。3.2 高速以及超高速移动覆盖高速以及超高速移动覆盖 伴随全球经济发展，高铁将进入新一轮基建浪潮。高速铁路不仅对于地区经济能起到重要的拉动作用，同时还能促进地区之间的交往和平衡发展，具有重要的实际意义与巨大的市场价值。因此，高速铁路的通信保障也越发的重要起来，高速铁路（HST,High Speed Train）也逐渐成为重要的移动通信应用场景。在 HST 场景下，基站通常沿铁路连续部署，典型的基站部署架构如图 3-9 所示。不同于传统的宏蜂窝覆盖场景，高速及超高速移动场景，有着以下通信特点：用户分布密集、业务多样：HST 场景下，用户均匀分布在列车内部，且用户密度较大。用户的业务需求多样化，包括语音、高清视频、游戏娱乐等多种业务，不同业务对网络速率、时延的要求也不尽相同。穿透损耗较高：高速列车密闭性较好，无线信号的收发都需要穿透车体，从而产生一定程度的能量损失，这为 HST 的无线覆盖带来了一定的挑战。多普勒效应显著：HST 的时速一般可达数百公里，因此在通信中会产生显著的多普勒频偏，引起更为严重的载波间干扰以及用户间干扰，同时会导致信道发生快速变化，从而使得 HST 通信系统的性能严重下降。移动轨迹固定，视距环境为主：HST 场景的一个典型特点就是具有固定的移动轨迹，列车只能在铺设的铁轨上行驶。一般来说，HST 场景周边较为开阔，基站一般沿铁路连续部署。因此，用户与基站之间以视距（LoS，Line of Sight）通信为主。小区切换频繁、快速：由于 HST 的速度非常快，列车时速大于 500km/h，即每秒可行驶 140 米左右，在每个基站的驻留时间非常短。小区间频繁、快速的切换为 HST 场景的连续覆盖以及无线链路的稳定性带来了挑战。23 图 3-9 HST场景基站部署示意图 从上述通信特点可以看出，HST 场景与传统的蜂窝场景有较大的差异，因此 HST 场景下的通信系统架构也有所不同。为了提升 HST 场景的性能指标，国内外学者以及国际标准化组织提出将 NR 毫米波频段应用于 HST 场景4-9。一方面，可以充分利用毫米波频段丰富的频谱资源，提升系统容量；另一方面，由于毫米波的波长很短，天线尺寸可以做到毫米级，非常适合超大规模 MIMO 的部署，从而可以形成高增益与高指向性的窄波束以追踪高速移动列车，改善信号质量并进一步提升系统容量。另外，高速列车的路线已知、位置可测等特点也有利于HST 场景的动态波束追踪。尽管毫米波加超大规模 MIMO 的技术组合可能可以实现 HST 场景的性能指标，但是结合 HST 场景的通信特点来看，仍存在着一系列的挑战，主要表现在几个方面：路损、穿透损耗更加突出；多普勒频移更加显著；切换问题更加严重。为了克服这些挑战，国内外学者就 HST 场景下的超大规模 MIMO 技术、毫米波技术展开了广泛的研究。针对路损、穿透损耗问题，文献7研究了毫米波 HST 场景下的高速率传输的多路接入技术、帧结构以及列车轨旁网络体系结构。在该文献提出的网络架构中，通过密集部署分布式地面远程无线射频单元(GRRH，Ground Remote Radio Head)以保证铁路沿线的覆盖，每个 GRRH 都可以是一个天线阵列，负责射频信号的传输。地面基带单元(GBBU，Ground Baseband Unit)池通过前传网络与 GRRH 进行连接，负责集中的信号处理和网络优化。另一方面，为了获得空间分集增益，需要在列车顶部部署分布式的中继站，作为基站与用户之间的中继设备。通过这种网络架构，可以避免列车外壳穿透损耗影响，有效的提升信号覆盖性能与系统容量。针对多普勒频移问题，文献5基于高速铁路环境中列车位置与移动路线可预测的特点，提出了一种联合环境地图与导频分段的多普勒频偏估计方法。通过将环境地图与分段导频方法进行联合，并利用最大后验概率方法获得多普勒频偏，满足了毫米波 HST 场景下多普勒频偏估计范围与精度要求。针对小区频繁切换问题，文献10提出了一种无蜂窝的大规模天线技术，在无蜂窝网络架构下，“小区”的概念不复存在，因此，小区频繁切换的问题有望得到解决。另外，相关研究表明，无蜂窝超大规模 MIMO 技术可以有效对抗移动性带来的性能损失。对于高速及超高速移动场景，为实现用户的高品质移动互联网接入，超大规模 MIMO 技术将发挥重要的作用。通过集中式部署的超大规模天线阵列，结合波束赋形技术，可以显著提升信号质量与系统容量。通过分布式的超大规模 MIMO 部署，可以有效的提升覆盖性能，提高信息传输速率。3.3 空间精确定位与感知空间精确定位与感知 近年来，随着行人导航、智能交通等一系列基于位置的服务蓬勃发展，用户位置信息的获取与感知变得愈发重要。对于正逐步投入使用的 5G 网络和未来的 6G 网络而言，高精度定位将是一项不可或缺的使能技术。在城市复杂环境中，GNSS 定位系统的信号易受建筑物的遮挡，定位性能无法满足实际应用需求。在通信服务方面，超大规模 MIMO 技术能够有效利用空间资源，提高系统的频谱效率与24 用户容量。在位置服务方面，超大规模 MIMO 系统也具有较强的空间定位与感知能力，且与已有无线定位系统相比，在某些方面存在明显的技术优势。超大规模 MIMO 系统在位置服务方面的技术特点具体如下：1)更高的角度/时间分辨率超大规模 MIMO 系统利用波束赋形技术能够产生很窄的信号波束，不仅具备角度信息的获取能力，且与传统 MIMO 系统相比在角度分辨率方面有显著提升。此外，在 6G 网络中，超大规模 MIMO 技术还可以与毫米波/太赫兹通信等技术结合使用，利用毫米波/太赫兹信道的大带宽特点，进一步提升系统的时间分辨率。超大规模 MIMO 技术带来的角度/时间分辨率提高不仅能够有效改善位置服务的精度，还有助于信号多径/非视距传播的识别与抑制，从而有助于提升城市复杂环境中位置服务的稳健性。2)单基站定位服务能力GNSS 系统和信号到达时间差定位（OTDoA，Observed Time Difference of Arrival）技术采用多边定位的方式为用户提供位置服务，即利用多个卫星/基站与用户设备进行距离（伪距）测量，并且仅依据距离测量结果对用户位置进行解算。与传统多边定位技术只能进行距离测量相比，超大规模 MIMO 系统能够获得信号到达时间(ToA，Time of Arrival)、信号离开角（AoD，Angle of Departure）、信号到达角（AoA，Angle of Arrival）等更为丰富的观测量，且测量精度相对较高。在下行链路中，单个配备超大规模MIMO 的基站利用两个波束对信号 AoD 和 ToA 参数进行测量，即可实现定位功能。超大规模 MIMO 系统的单基站定位功能极大地减轻了位置服务对于可用卫星/基站数目的依赖，有利于在城市峡谷等卫星/基站可见性受限的环境中实现高精度定位。此外，由于只需使用一个基站，位置解算所需的观测量受到信号多径/非视距传播的影响较小。因此，基于超大规模 MIMO 的单基站定位技术在城市复杂环境中有更好的环境适应性。3)航向/姿态测量能力对于一些配备小型天线阵列的用户设备（车辆等）而言，超大规模 MIMO 系统在为用户提供位置服务的同时，还能够对用户设备的航向/姿态进行实时测量。超大规模 MIMO 系统的姿态测量功能对自动驾驶、车辆避撞等基于位置的服务而言至关重要。4)高精度三维定位能力对于传统 GNSS 系统而言，导航卫星所处高度远高于用户设备，即定位锚节点的高度层分布过于单一，导致定位结果中垂直方向上的定位误差较大。对于行人、车辆等地面用户而言，可以使用数字高程模型（DEM）来确定用户的三维位置。然而，对于以无人机（UAV）为代表的低空用户设备，GNSS 系统较低的垂直定位精度将直接影响它们的正常运行。值得注意的是，超大规模 MIMO 系统能够精确测量用户设备相对于基站的方位角与高度角，即具备较强的单基站三维定位能力。利用波束成形等技术，超大规模 MIMO 系统能够对低空用户设备的位置和飞行轨迹进行实时估计与跟踪。如前所述，超大规模 MIMO 系统具备较强的空间定位与感知能力，且与 GNSS 系统等已有无线定位系统相比，在某些方面存在明显的技术优势。然而，GNSS 系统在技术成熟度、系统可靠性等方面仍远优于超大规模 MIMO 系统，以车联网（C-V2X）、5G 无人机为代表的一批新型应用也将 GNSS 定位技术视为位置服务的一项关键使能技术。总体而言，上述两类系统在不同场景中的定位性能各有优劣，存在优势互补的潜力。因此，综合利用 GNSS 系统与超大25 规模 MIMO 系统的定位能力的融合定位技术，是在城市复杂环境中实现高精度、高可靠位置服务的首要选择。本文对以下几个具体研究内容进行深入研究与探讨。1)城市复杂环境中的位置服务覆盖图 3-10 超大规模MIMO GNSS系统位置服务覆盖 在高架桥下方、隧道内部等城市空间中，GNSS 系统由于卫星信号易受到遮挡，无法实现位置服务的全面覆盖。以车辆为代表的高动态用户设备在运行过程中会频繁地经过这些 GNSS信号无法覆盖的空间，卫星信号的频繁中断会严重影响位置服务的连续性与可靠性。针对上述情况，超大规模 MIMO 系统可以作为 GNSS 系统的替代，为 GNSS 信号中断环境下的用户提供高可靠的位置服务。因此，需要研究如何利用超大规模 MIMO 系统和 GNSS系统的协作实现城市室外环境中位置服务的全面、无缝覆盖。2)超大规模 MIMO GNSS 系统融合定位超大规模 MIMO 系统所具有的高角度分辨率和单基站定位等特点,有助于解决传统 GNSS系统在城市环境中面临的卫星可见性受限、锚节点几何分布不理想等问题。因此，上述两类系统的定位能力进行融合，利用不同系统的特点实现技术间的优势互补，可以提升城市复杂环境中位置服务的精度。如图 3-11 所示，在城市峡谷场景中，用户设备可见的 GNSS 卫星（绿色实线）几乎完全分布于沿街方向上，这一较差的锚节点几何分布导致 GNSS 系统在跨街方向上的定位误差（黄色椭圆）极大。为了解决上述问题，可在道路一侧的建筑顶部设置一个配备超大规模 MIMO 的基站，该基站利用波束成形技术产生宽度较窄的信号波束，所发射的信号能够覆盖一段道路。26 GNSS误差范围大规模天线 GNSS误差范围图 3-11 城市峡谷超大规模MIMO GNSS定位场景 首先，由于波束宽度较窄，利用自身所处波束的标识（ID）信息，用户设备就能够有效减少定位误差范围（绿色椭圆），且在一些区域内能够直接提升跨街方向上的定位精度。此外，超大规模 MIMO 基站还能够通过多个波束对用户的方位角进行精确测量。利用卡尔曼滤波、粒子滤波等算法对 GNSS 系统获得的伪距测量结果和超大规模 MIMO 系统获得的角度测量结果进行融合、解算，可进一步提升位置估计的精度。如图 3-12 所示，在城市路口场景中，用户所处波束的标识信息同样能够降低定位误差范围，并有助于确定用户在路口处选择的行驶方向。此外，超大规模 MIMO 系统具有航向/姿态测量能力，能够对车辆等用户设备的航向/姿态信息进行实时测量。根据 GNSS 系统获得的伪距、速度测量结果以及超大规模 MIMO 系统获得的角度、航向测量结果，利用粒子滤波等算法可对用户设备的运行轨迹进行精确预测，提升城市路口场景中位置服务的精度与连续性。GNSS误差范围大规模天线 GNSS误差范围图 3-12 城市路口超大规模MIMO GNSS定位场景 3)针对城市低空用户的高精度三维定位在未来城市环境中，以无人机为代表的低空设备在物流运输、通信服务以及公共安全等方面有着广阔的应用前景。由于城市中高层建筑众多且排列紧密，高精度三维位置服务对于低空用户设备的飞行安全而言至关重要。此外，政府部门对于民用无人航空器的监管需要也对低空27 用户的定位性能提出了较高的要求。现阶段主要利用 GNSS 定位技术对低空用户设备进行定位，其三维定位精度尤其是垂直精度尚无法满足低空用户安全飞行的需求。垂直定位误差图 3-13 超大规模MIMO GNSS系统高精度三维定位 超大规模 MIMO 系统的部署与应用，给上述问题的解决带来了新的机遇。如图 3-13 所示，超大规模 MIMO 基站通常部署于地面或建筑物顶部，其所处高度远低于 GNSS 卫星，甚至会略低于低空用户。因此，将超大规模 MIMO 系统用于定位能够有效改善定位锚节点的高度分布，有助于 GNSS 系统三维定位精度的提升。此外，超大规模 MIMO 系统本身具备较强的三维定位能力，能够对低空用户设备的方位角、高度角等参数进行精确测量。一方面，可以将超大规模 MIMO 三维定位视作 GNSS 定位的替代技术，在一些 GNSS 信号无法覆盖的城市空间中为用户设备提供三维位置服务。另一方面，可以利用卡尔曼滤波、粒子滤波等融合算法对超大规模 MIMO 系统和 GNSS 系统获得的多种参数测量结果进行融合，综合两种系统的定位能力，进一步提升三维位置服务的精度。3.4 小结小结 超大规模 MIMO 在支持新型应用方面也将发挥作用。本章对超大规模 MIMO 在立体覆盖增强、高速移动覆盖以及空间定位等应用中的作用进行了介绍。对于立体覆盖，本章分析了天线阵列结构对覆盖的影响，给出了 2 种候选阵列架构。对于高速移动覆盖，本章总结了低频段以及毫米波频段面临的技术挑战，并介绍了可能的解决方案。对于空间定位与感知，本章分析了超大规模 MIMO 在实现空间精确定位与感知方面的技术优势，并提出综合利用 GNSS 系统与超大规模 MIMO 系统的定位能力的融合定位技术，综合两种系统的定位能力，进一步提升三维位置服务的精度。4 第四章第四章 关键技术关键技术 4.1 信道建模信道建模 信道模型是无线通信系统仿真和性能研究的基础。过去，在大规模 MIMO 信道建模与评28 估中，终端与基站间的信道建模基于终端天线与基站天线互相处于对方的远场假设进行，把接收到的电磁波建模成平面波。然而，在超大规模 MIMO 系统中，基站天线有可能分布在一个较大的区域，从而形成超大孔径天线阵列。在超大孔径天线阵列下，终端多数时候处于基站天线阵列的近场区域，此时接收到的电磁波不能近似为平面波，现有系统的远场建模方式不再适用。另外，为了获得更高的系统容量和链路速率，通信频率需要向更高频段迁移，更高频率的电磁波由于波长较短，更容易受到环境中散射体的影响，导致信道特性随机性更大且难以估计。在数学上，需要对其建模成非平稳的信道模型。本节将概述多天线系统的经典信道建模方式，给出超大规模 MIMO 系统信道建模的方法。4.1.1 信道建模方法概述信道建模方法概述 多天线系统的信道建模方式主要包括：基于几何散射体的统计随机模型、基于几何散射体的确定性模型和基于相关性的统计随机模型。（1）基于几何散射体的统计随机模型基于几何散射体的统计随机模型是基于空间几何体（散射体）的分布来建模无线信道，通常用于多天线衰落信道的建模。由于散射体的存在，信号在传输过程中会经历多个不同的传播路径，这些传播路径（多径分量）的叠加形成无线信道。散射体的分布决定了多径分量的时延、功率和角度。通过对散射体簇、散射体数目、大小、几何分布等的统计拟合可以获取信道的特征参数，从而实现信道建模。由于在不同环境下散射体的分布不同，基于几何散射体的统计随机建模在不同部署场景下使用不同的统计参数。（2）基于几何散射体的确定性模型在基于几何散射体的确定性模型中，真实的物理信道是基于准确的信道环境信息进行重建，而非统计信息确定信道参数。在该模型下，无线信道的物理传播参数，如多径分量的幅度、相位、时延等都是完全确定的，通过射线跟踪、信道测量等方式获得。（3）基于相关性的统计随机模型基于相关性的统计随机模型是通过建模信道矩阵中各元素之间的相关性来建模 MIMO 信道。这种信道建模方式精确性较低，复杂度也较低。常用的基于相关性的统计随机模型有独立同分布模型、Kronecker 模型等。不同的应用场景可以考虑不同的信道建模方式。在可以进行精确的信道测量时，使用基于几何散射体的确定性模型可以最为准确地建模信道。在进行多天线系统的理论分析时，可以使用复杂度较低的基于相关性的统计随机模型。在通信系统的标准化中，综合考虑信道建模的准确性和普适性，通常采用基于几何散射体的统计随机模型，如 3GPP 的 3D MIMO 信道模型，WINNER II 模型、COST2100 模型等。4.1.2 超大规模超大规模 MIMO 信道特点信道特点 相对于传统的大规模天线系统，超大规模 MIMO 系统的天线阵列规模更大。在未来的网络部署中，超大规模天线阵列有可能出现以下形态：（1）天线规模很大，但天线阵列的尺寸与现有系统的阵列相当甚至更小；（2）天线规模很大，天线阵列的尺寸也很大；（3）分布式天线阵列。29 考虑到天线收发效率，传统的金属天线的尺寸通常与波长成正比（一般为 1/2 波长或 1/4波长）。因此只有在超高频段，超大规模天线阵列的天线尺寸才有可能很小。以 1THz 频段为例，由于波长只有 0.3 毫米，理论上在几十厘米的距离内可以放置上百根天线。随着天线技术的发展，使用新型材料，相对于金属天线，可以在更小的尺寸内放置更多的天线。文献11给出了一种超材料新型天线，4.9GHz 频段时两根天线在间距 1mm(0.017 波长)时仍能保证良好的天线隔离度和天线性能。文献12给出了一种用于太赫兹频段的石墨烯等离子天线阵列，理论上 1 平方毫米的尺寸上可以放置上千根天线。信道建模需要考虑新型天线设计的影响。传统 MIMO 通信系统中，由于天线数量较少，天线阵列的近场区域范围很小，终端到基站之间的空间距离往往远超过瑞利距离(22/,其中，L 表示天线孔径，表示波长)，满足远场传播条件。此时可认为所有收发天线对间的信道经历相同的散射体和路径角度（AOA、AOD、ZOA、ZOD），同一个散射路径到达天线阵列的各天线阵元近似平行，球面波前近似为平面波前。图 4-1（a）给出了一个二维平面信道的平面波前的示意图，从该图可以看出，发射天线与第 k 个接收天线阵元的距离可近似表示为=1 (1)cos,其中，表示发射天线距离第 k个接收天线阵元的距离，表示相邻接收天线阵元的距离，表示路径与天线阵列的夹角。1k.（a）平面波前示意图（b）球面波前示意图图 4-1 电磁波波前示意图 随着天线阵列尺寸的增加，天线阵列的瑞利距离也会增大，终端与基站之间的距离可能不再满足远场条件。此时，到达天线阵列不同阵元的电磁波会呈现出球面波特性。在这种情况下，无法用单一的角度来建模所有天线的路径，即不能使用平面波来近似球面波。图 4-1（b）给出了一个位于近场的终端球面波示意图。可以看出，在进行球面波信道建模时，应当为各个天线阵元独立地建模空间距离、AOA、AOD、ZOA、ZOD 和多普勒频移等。对于超大孔径天线阵列来说，多个天线阵元经历的信道将呈现出空间非平稳特性。文献13针对工作在 2.6GHz，发送端包含 128 个天线单元的虚拟线阵进行了信道的测量。其测量结果显示，以包含 10 个天线阵元的滑动窗内进行窗滑动时，滑动窗在不同位置时测量到的信道增益、快衰系数、角度功率谱等都会产生较大差异。这表明，对于大孔径天线阵列，平稳信道建模将不再合适，应考虑非平稳的信道建模方式。当采用球面波对超大规模 MIMO 系统进行信道建模时，由于天线阵列规模巨大及具体到对不同的天线收发对的信道分别进行建模，涉及到每个信道的路损、角度参数、多普勒频移等多个参数的计算和提取，就造成了信道的建模非常繁琐和计算复杂度过高。超大规模 MIMO 系统的信道建模需要考虑一些简化的方式，例如，基于终端与基站的相对位置简化部分天线的信30 道建模等。综合以上分析，超大规模 MIMO 系统的信道建模研究可考虑如下方向：（1）针对远场场景和近场场景考虑不同的信道建模方法。（2）对于新型天线，基于新型天线的电磁波传播特性、天线形态对信道进行建模。（3）对于近场信道建模，使用更为精确的信道建模方式代替平面波信道建模。例如，进行球面波建模。如果进行球面波信道建模，需要考虑复杂度与精确性的折中。（4）对于近场信道建模，可以考虑针对不同的天线阵元差异化建模散射体，以建模信道的非平稳特性。例如，信道环境中的一些散射体只对部分天线阵元可见、在建模终端在系统中的移动时增加散射体的生灭过程（即随着终端的移动，部分原本不可见的散射体变得可见，部分原本可见的散射体不再可见）等。4.1.3 超大规模超大规模 MIMO 信道建模方法信道建模方法 对超大规模天线进行近场信道建模时需要考虑到达接收端的电波具有球面波且非平稳特性。4.1.3.1 远场信道建模远场信道建模 超大规模天线远场信建模可以采用基于几何统计的信道模型，也就是可以沿用目前 3GPP TR 38.901 的信道模型，信道模型里面的参数值要根据实测结果进行拟合和提取。4.1.3.2 近场信道建模近场信道建模(1)基于几何的统计信道建模大尺度损耗建模近场路损一般是非线性（和对数距离不是线性关系），可用非线性（如多项式）拟合建立近场路损模型，然后以拟合曲线为基准计算阴影衰落。小尺度衰落建模把 3GPP TR38.901 的平面波信道模型推广到球面波信道模型，发射端第s个天线和接收端第u个天线的第n簇信道系数可以建模为：()()()()()()()()()1,11,s,expexp,/,expexp,=TMn mn mn mrx un m u ZOAn m u AOAu s nnmrx un m u ZOAn m u AOAn mn mn mtx sn m s ZODn m s AODtx sn m s ZODn mAODjjFHtPMFjjFF()()(),expexpexp2tx n m srx n m un mjjjt其中，多径对天线单元与阵列中心相位偏差：-1,0,=2tx n m stx n m sd-1,0,=2rx n m urx n m ud式中，,tx n m sd和,rx n m ud分别为发端天线阵列和收端天线阵列多径对天线单元与阵列中心的路程差。,n m u ZOA和,n m u AOA分别是接收端第u个天线的垂直到达角和水平到达角，,n m s ZOD和,n m s AOD分别接收端第u个天线的垂直离开角和水平离开角。其余参数可参考 3GPP TR 38.901。上述近场小尺度信道模型是 3GPP TR 38.901 中远场小尺度信道模型的推广，具体变化体现在公31 式中的倒数第二项和倒数第三项。扩展后的式子体现出了球面波的特性，即以阵面中心为参考点，计算各个阵元与阵面中心之间的距离差。此外，每个发射天线和接收天线的信号离开角和到达角均独立建模。(2)机器学习信道建模基于几何的统计建模方法，是基于统计意义上的时空连续，不是能真正反映信道的特性。为了真实反映超大规模天线的近场时变信道，需将其建模为非平稳场景，机器学习理论提供了全新的思路。图 4-2 描述了基于机器学习的球面波时变信道建模流程。场景与参数设置设置场景、网络拓扑和天线参数设定传播条件(视距或非视距)路径损耗预测路径损耗 阴影衰落神经网络模型预测路径损耗 阴影衰落小尺度参数预测信道小尺度参数神经网络模型预测多径幅值、相位、时延、到达角、离开角等计算信道系数生成球面波信道矩阵系数将预测的大尺度衰落参数与预测的小尺参数合并图 4-2 基于机器学习的球面波时变信道建模流程 在采用机器学习建模的过程中，研究对象直接就是每一条多径信道，不采用分簇的理念。簇的概念本就是在基于几何的统计信道建模过程中虚拟的一个多径集合的概念，在机器学习的建模过程中直接就建模多径。所以，发射端第s个天线和接收端第u个天线的信道冲激响应可以建模为：()()()()()()()()()()()1,11,expexp,expexp,expexpex,=TMmmmrx um u ZOAm u AOAu smmrx um u ZOAm u AOAmmmtx sm s ZODm s AODtx m srx m utx sm s ZODm s AODjjFHtPFjjFjjF()p2()mmjt32 神经网络模型可采用径向基函数神经网络，该神经网络是非线性多层前向网络。神经网络的输入为与测量点相对应的收发端天线坐标、载波频率等，输出为建模所需的小尺度参数（幅度、相位、时延、发射与离开角、交叉极化功率等）。4.2 波束管理波束管理 高增益天线是实现高频通信的必要技术之一，通过高增益天线弥补高频信道带来的大传输损耗，这不仅要求基站采用高增益天线，终端也可能需要定向天线/波束。如何保持基站与终端之间的波束是对准的，特别是在用户移动或者周围环境发生变化的情况下快速对准波束是技术上的难点。高频信道的特征对波束跟踪策略有着重要的影响:1)信道在空域上表现为反射损耗大，关键路径有限，信道在空间上呈现稀疏性。因此如何利用空间稀疏性来加速波束跟踪是重要研究方向；2）高频带宽大，信道在时间上的分辨率可以达到纳秒级；3）角度域在时间上呈现连续变化，部分呈现角度跳跃。这对应于终端移动、翻转等情况。如何设计波束来有效跟踪角度变化是关键。在高速移动场景下，基站和用户之间需要实现快速的波束管理操作，涉及高效的波束报告、低延迟的波束指示等。4.2.1 波束波束训练训练和和波束追踪策略波束追踪策略 在给定波束码本的情况下，波束成形（也称为波束训练）的目标就是要为随后数据传输分辨出最优的收发波束组合；而波束追踪的目标就是在设备角度旋转或位置移动下确保所选波束的半功率衰减波瓣覆盖最优发送和接收方向，即维护波束对准。最优波束组合的判定准则主要包括最大化信道容量和最大化接收端 SNR 两种，而这两种判定准则都需要获得备选波束组合的信道估计结果。波束训练的直观策略就是穷举搜索，即测量所有备选波束组合下的信道质量并且找到最优波束组合。然而，穷举搜索策略需要高昂的训练花销，因此有很多文献研究低训练花销的波束训练方案，例如 IEEE 802.15.3c 多层反馈波束训练方案、IEEE802.11ad 单层反馈波束训练方案等。需要说明，在训练的过程中，相对于最优方向的备选波束的偏离角的变化范围可能会从0 度变化到 180 度，因而系统可能会多次经历波束对准和未对准这两类情况。在实际情况下，为了保证最终得到足够的信号增益，超大规模天线阵列所产生的波束通常需要变得很窄。付出的代价是，基站需要使用大量的窄波束才能保证小区内任意方向上的用户都能得到有效覆盖。在此情况下，遍历扫描全部窄波束来寻找最佳发射波束的策略显得费时费力，与所期望的用户体验不符。为快速对准波束，一般采用分级扫描的策略，即由宽到窄扫描。33 图 4-3 基于分级的波束扫描策略 第一阶段为粗扫描，基站使用少量的宽波束覆盖整个小区，并依次扫描各宽波束对准的方向。如图 4-3 所示，基站在此阶段使用了宽波束 tA 和 tB，且只为用户对准宽波束，对准方向精度不高，所建立的无线通信连接质量亦比较有限，一般只用于连接的建立，传输必要的控制信息，和完成一些基本的测量。第二阶段为细扫描，基站利用多个窄波束逐一扫描已在第一阶段中被宽波束覆盖的方向。对单个用户而言，尽管此时的扫描波束变窄，但所需扫描的范围却已缩小，扫描次数便相应减少。如图 4-3 所示，在第一阶段宽波束对准的基础上，基站只需继续细化扫描与各用户有关的4 个窄波束，比如为用户 1 扫描波束 t1-t4,为用户 2 扫描波束 t5-t8。此时，基站改善了对准每个用户的波束方向的精度，所建立的无线通信连接质量得到提高。因此，在图示的两级波束管理过程中，基站只需为每位用户扫描 6 次，而无需对全部 8 个窄波束都进行扫描。获得窄波束后可以用于高速的数据传输。相应地，波束追踪的常用策略就是对于相邻波束组合的扫描搜索。例如，在 16 天线单元的高频通信系统中，定向波束的半功率衰减波瓣宽度（HPBW，Half-Power Beam Width）3dB大约为 22.5 度，而由人体肘关节和手腕驱动下的设备旋转可以导致高频段收发机在很短的时间内发生波束未对准。一旦接收信号功率低于预先设定的门限后，系统需要通过相邻波束扫描的方法来追踪新的最优波束组合。在这种情况下，波束追踪的备选波束的偏离角可能会大于3dB/2，即出现波束未对准。手持设备的移动特性，是区别于一般固定设备的主要特征。具体而言，手持设备的移动是由设备位移和设备旋转两种运动形式构成。通过智能手机中内嵌的加速度传感器和陀螺仪传感器的测试，文献14给出了各种常见场景下手持设备的旋转速度，在极限情况下，手持设备在 28.1ms 内就会发生 22.5 度旋转。而在常见的阅读和浏览网页时，每 62.5 至 375ms 的时间内就会发生一次 22.5 角度旋转。当设备位移和旋转同时发生时，仅需要百毫秒左右的时间，高频段接收信号就会发生 3dB 功率衰减，数据传输定向波束不再对准。若不进行定向链路维护，高频段系统需要不断执行波束训练。为了便于理解，本节描述了一次波束训练与追踪的执行过程。图 4-4 显示了一对互联站点（即 STA-a 和 STA-b，其 HPBW 分别为3dB和3dB）之间数据定向传输的场景。假定，在 0时刻下，站点 STA-a 和 STA-b 之间发起定向链路传输，(0)和(0)分别表示最小路径损耗的物理路径方向。此时，站点 STA-a 和 STA-b 需要进行波束训练。如果使用穷举搜索的训练策略，两站点需要扫描所有可控的波束组合，测量相应的信道质量，最后选择出最优波束组合用于随后的数据传输。假设通过波束训练，系统成功的从所有可控波束组合中选择 STA-a 的34 波束 a2和 STA-b 的波束 b2来形成一条定向链路。但是，由于不可预期的旋转或者位移，在 n时刻最优收发方向分别旋转到了()和()，并且超出了波束 a2和 b2的有效覆盖范围。若接收信号衰减超过预设门限，系统将启动波束追踪。根据高频段信道的空时一致性和上一时刻的先验信息，上一时刻的数据传输波束 a2和 b2以及他们的相邻波束，即波束 a1、a3、b1和 b3构成新的备选波束集合。系统通过扫描这些波束组合和测量相应的信道质量，进而选择出新的最优的波束组合(a3,b3)用于执行后续的数据传输。3a1a3a2aSTA-aa(0)fa()f n2a1a3b1b3b2bSTA-bb(0)fb()f n2b1b最优方向角度旋转 可选波束b-3dBqa-3dBq有效路径图 4-4 波束训练与追踪场景（阴影部分表示波束a1的半功率衰减波瓣）为了获得显著的天线增益以对抗路径损耗，高频段无线信号采用波束赋形技术来实现高度方向性传输，物理多径的分集效应被大幅度限制。当终端或其它物体发生移动时，一旦物理传播链路被遮挡，通信链路将会直接面临中断。为了解决这种问题，系统通过维护多个独立的波束可以实现吞吐量或链路鲁棒性的提升。4.2.2 高速移动场景下波束管理高速移动场景下波束管理 本节考虑毫米波/太赫兹通信基站与高速运行的高铁进行通信的场景，如图 4-5 所示。通过提前获知高铁运行的轨迹和时段，路边基站的波束提前照射在列车可能出现的位置，由此进行快速的波束赋形，而列车车厢间的固定天线的波束赋形则采用传统的遍历式波束赋形。因为收发天线均是固定的，在收发天线完成了一次波束赋形后，可在此基础上进行持续的进行数据传输，无须进行波束搜索，只有当信道质量变差时再进行新的波束搜索。35 图 4-5 高速移动场景下的波束管理 此外，在高速移动场景下，波束管理需要有效的解决快速波束上报和波束指示的问题。在高铁等场景下，用户的移动轨迹相对稳定，因此可以考虑波束管理结合 AI 的框架来进行移动轨迹的预测和时域波束变化图谱的事先指示等。信道预测的思想，可以减小反馈开销，应对高速移动的场景。其关键是通过一阶马尔可夫过程对相邻时隙中的时变信道进行建模，然后可以利用经典卡尔曼滤波器来跟踪时变信道。但这类方案不能直接扩展到太赫兹频段超大规模 MIMO 系统，因为具有特殊稀疏结构的太赫兹波束空间信道不能用一阶马尔可夫过程建模。基于一些假设可以对移动性建模，比如短时间内为线性的移动，可以根据前几个时刻的位置信息来预测下一个时刻的位置。由于高速移动场景下，例如高铁与基站之间，物理信道通常以 LOS 信道为主，位置可以采用分布式的基站加多个站点波束的训练结果来确定。该方法可以一定程度减小波束管理的开销，同时提升在数据传输阶段对于波束的实时调整速度。4.2.3 太赫兹通信中的波束管理太赫兹通信中的波束管理 太赫兹(THz，Terahertz)波是指频率在 0.1THz-10THz（波长在 0.03 mm-3mm）之间的电磁波。太赫兹波正好位于电磁辐射的毫米波波段的高频边缘和低频率的远红外光谱带边缘之间的过渡频带，它的长波段与亚毫米波重合，短波段与红外线光波重合，因此该波段兼顾电子学和光学的特点，可有效弥补微波通信和光波通信的不足。文献15提出了利用角度功率谱的相关性对太赫兹信号到达角进行测量的测量算法，该文献提供的方法是在首先利用超宽带（5GHz-13GHz）对信号源的位置进行初判，然后再利用该位置信息，让天线对准该方向进行监听，以此来快速确定信号到达角。图 4-6 表示了对不同频率进行试验采集到的角度功率谱，角度功率谱的局部最大值是可能的传播路径，也就是图中黄36 色部分。从图中可以看出采用了超宽带（5GHz-13GHz）角度功率谱局部最大值的角度范围是包含了 300GHz 的角度功率谱的局部最大值的。也就是说，先通过超宽带对到达角的粗步判断，然后在该基础上进行 300GHz 的到达角判断是完全可行的。对比图 4-6a 和图 4-6b，我们可以看出太赫兹和 60GHz 的传播路径的区别。之所以 60GHz的传播路径要比太赫兹的传播路径多，是因为 60GHz 的波束是存在信号强度较强的旁瓣的，旁瓣也能形成传播路径，然而由于太赫兹的高频特性，旁瓣会小很多，无法形成有效的传输路径。这也说明太赫兹的波束训练不能采用 60GHz 分阶段训练的原因：波束窄，要形成有效的传播路径只能进行波束的对准。图 4-6 不同频率进行试验采集到的角度功率谱 4.2.4 基于压缩感知的波束管理方案基于压缩感知的波束管理方案 本小节介绍基于压缩感知技术的波束管理方案。对于高频信道，如毫米波或太赫兹频段，其信道向量在特定变换域的投影往往具有稀疏性。根据压缩感知原理，依靠少量的探测导频即可完成稀疏信道向量的恢复，从而极大减少训练开销。以毫米波点对点链路为例，在 TDD 系统中，假设上行链路在时隙t发送预先定义的导频信号，假设信道抽头时延的长度为，第个（=1,2,1）抽头时延的信道记作，则第个时隙的接收信号可以表示为 cH01Nddttdt= yW H Fsn，(1)绝大多数关于毫米波信道估计的研究都利用了毫米波信道的稀疏性，这一特性得到大量实测结果的验证。为了描述稀疏性，现有研究大多采用几何模型进行信道建模，信道表示为()()()pHrcsRT1dlNllllpdT=Haa，(2)其中()表示脉冲成形滤波器在 时刻的取值，和分别表示第 径的信道增益和时延，,0,2)分别表示到达角和离开角，()和()为收端和发端天线阵列的响应向量。根据公式(2)，信道矩阵可以进一步表示为 HRTdd=HAA，(3)其中对角矩阵 的元素为()，R和T分别为R()和T()聚合成的37 矩阵。基于上述模型，的向量化表示为()()()()()ppT*TRrcsrcsrc22s11vec=NdNpdTpdTpdTHAA，(4)其中“”表示 Khatri-Rao 积。为了进行信道估计，对长度为 T 的导频信号进行长度为 1的填零操作，将一帧内发送的导频信号记作 c11NT=s00 ss。(5)则聚合的接收信号可以表示为()cc1T012= NNTyyyW HHIF Sn，(6)其中n表示经变换后的等效噪声，为克罗内克积。利用矩阵恒等式vec()=(T)vec()，公式(6)可以进一步表示为()cTTTTHT12= NTyyyyS IFW hn，(7)其中=vecT(0)vecT(c1)T。根据(3)，同时记,=rc()，上式可以进一步表示为()ccpc*TR1,0,01,1,1= pTNNNNNy IAAn，(8)这里、和均为待估计的未知变量，通过它们可以获取完整的信道矩阵。得益于毫米波信道的稀疏特性，上述变量的维度远小于实际信道维度，可利用压缩感知理论进行求解。为此，首先定义发端字典矩阵TA其维度为TTNG，其第i列可以表示为()Tia，i取自离开角量化角度集合，满足()T21/iiG=。类似的，可以定义RRNG收端字典矩阵RA。当TG和RG取值足够大时，可以忽略量化误差，将公式(8)表示为()c*TRN= y IAAxn，(9)其中 1包含了参数 i和 i，为稀疏向量。在忽略量化误差的条件下，x仅在对应角度上有值，其余元素均为 0。为了进一步估计时延 i，对脉冲成型滤波器进行类似的量化操作，得到字典矩阵dp，其第n个（c1,2,Gn=）元素表示为()()rcspdn T。如果忽略时延采样的量化误差，公式(9)可以进一步化简为()c*TRN= y IAAxn，(10)38 其中 1仅有pN个元素非零，为对应的信道增益。至此，本文完成了毫米波信道稀疏性建模工作，其中和均为已知字典矩阵，仅变量x需要估计，信道估计问题可以转换为稀疏信号恢复问题。如果信道径数pN值为已知先验信息，则求解 220pmi.n=stNxyxx（11）而当pN未知时，可以求解 122.minstxxyx（12）这里通常可设置阈值H=n nE。求解上述优化问题的算法已经非常成熟，如常见的 OMP算法通过迭代依次寻找x中的非零元素。在估计出x后，理论上已经能够完全恢复信道状态信息。然而，考虑到实际中字典矩阵存在量化误差，为了进一步提高估计精度，可以根据x中非零元素的位置，得到对应l和l的估计，重构出估计的角度信息矩阵TA和RA，从而得到最佳的发端波束和收端波束方向。4.3 发射端处理技术发射端处理技术 4.3.1 全息全息 MIMO 发射端处理技术发射端处理技术 鉴于光学全息术的定义特征是连续孔径上电磁场的接收和传输，且接收到的场被记录并随后重建，因此，全息 MIMO 是指使用连续孔径（或近似连续孔径）进行 MIMO 传输的技术16，也被称作连续孔径 MIMO19。为实现所谓的（近）连续孔径，通常需要在有限空间或表面内以亚波长密集阵列的形式集成巨量甚至是无数根天线，所以全息 MIMO 被认为是可以实现逼近空间受限 MIMO 容量极限的一种技术。4.3.1.1 全息全息 MIMO 的工作原理的工作原理 为了实现全息 MIMO，需要先弄清楚光学全息的基本原理，因此，本节将首先介绍光学全息术的工作原理，然后再介绍全息 MIMO 的工作原理。光学全息术中全息记录和恢复的过程如图 4-7 所示，假设参考波是ei(x y)，目标波为a(x,y)，到达记录介质的合成波是b(x,y)=a(x,y) ei(x y)，记录介质记录的幅度信息为|b(x,y)|2=|a(x,y)|2 1 2(a(x,y)ei(x y)由于上式中最后一项依赖于a(x,y)的相位和参考波的相位，即相位信息已经被隐式记录了，也就是说，上述记录的幅度信息主要体现在(a(x,y)ei(x y)这一项。因此，(a(x,y)ei(x y)或a(x,y)ei(x y)也被称为目标波和参考波的干涉图样。39 为了恢复a(x,y)，用参考波去照射透射的全息显示器，得到恢复的电磁强度 ei(x y)|b(x,y)|2=a(x,y) a(x,y)ei2(x y) (|a(x,y)|2 1)ei(x y)如果接收波的角度范围有限，通过合理地选择参考波，可以将上式中的第一个分量与后两个分量分开，从而重构a(x,y)。实际上，光学全息记录构成了分布式零差接收器。当采用反射式全息显示器时，应该用参考波的共轭，即ei(x y)，此时，会在相反方向发射共轭波前a(x,y)。图 4-7 全息记录与全息恢复的过程示意图16 与光学全息术类似，在无线通信中，参考波是终端发射的导频波形，反射对象是传播环境，参考波可能在表面内部产生，如可重构全息超表面（Reconfigurable Holographic Metasurface,RHS）17、可调超表面天线阵列20等。下面将以 RHS 为例，说明全息 MIMO 的工作原理。在 RHS 中，对应光学全息中参考波ei(x y)的是ref(rny,nzk)，具体而言，ref(rny,nzk)是由馈线k产生的入射到第(ny,nz)个辐射元素的参考波，其表达式为 ref(rny,nzk)=exp(jks rny,nzk)其中ks为参考信号的传播向量，rny,nzk为馈源k到第(ny,nz)个辐射元素的距离向量，对应光学全息中目标波a(x,y)的是obj(rny,nz,0,0)，具体而言，obj(rny,nz,0,0)是从第(ny,nz)个辐射元素的沿方向(0,0)目标波，其表达式为obj(rny,nz,0,0)=exp(jkf rny,nz)其中rny,nz为位置向量，kf为自由空间中在目标方向上的传播向量。所记录的幅度信息中的40 最重要的信息是参考波和目标波的干涉样式，即 intf(rny,nzk,0,0)=obj(rny,nz,0,0)ref(rny,nzk)进一步地，从第(ny,nz)个元素辐射的沿方向(0,0)参考波的归一化辐射强度可以表示为m(rny,nzk,0,0)=Reintf(rny,nzk,0,0) 12=cos(ks rny,nzk kf rny,nz)因此，辐射强度随着参考波和目标波相位差的增加而减小，从而达到幅度可调的目的。4.3.1.2 全息全息 MIMO 的传输方案的传输方案 任何无线通信系统的最终性能都受限于电磁原理和机制，文献18从电磁学的角度研究全息 MIMO，基于电磁学 MIMO 的最佳收发机的结构框图如图 4-8 所示，通过使用信道的特征值函数作为基函数m(s)。受 OFDM 的启发，利用傅里叶基函数，文献18提出了一种直接在电磁水平上使用傅里叶变换操作的波数分复用（Wavenumber-Division Multiplexing,WDM）方案。与 OFDM 不同的是，WDM 不能将 MIMO 信道转换为多个并行且相互独立的子信道，这是由于空间域中电磁信道响应的连续性引起的，只有当接收机的尺寸无限大时，WDM 才可以在波数域中实现通信模式之间的正交性。图 4-8 基于基函数的最佳收发机结构18 鉴于 WDM 只能适用于 LOS 信道、近场、平行天线的特殊场景，文献19提出了一种通用的基于电流模式的模式分复用的传输模式，通过对电流模式函数做傅里叶基展开，把连续函数的设计转化为傅里叶基空间的投影矢量设计。图 4-9 所示的仿真结果显示，文献19提出的模式分复用的方式比 WDM 的容量提高了一倍多。41 图 4-9 模式分复用和WDM容量对比19 4.3.1.3 全息全息 MIMO 的波束赋形技术的波束赋形技术 不同于传统的相控阵使用独立的移相器实现模拟波束赋形，基于全息原理设计的超表面可以取代移相器进行模拟波束赋形，现有的全息波束赋形的方案如下所述。4.3.1.3.1 基于基于 RHS 的波束赋形的波束赋形 图 4-10 给出了基于 RHS 的通信系统框图，展示了全息超表面用来进行模拟波束赋形的功能。RHS 其实一种特殊的漏波天线，由馈源、波导和超材料辐射单元构成，其中馈源嵌入在RHS 的底层，用来产生参考信号，参考信号沿波导传播，超材料辐射单元的电磁响应由参考信号激发，而参考信号的辐射特性由每个辐射元件的电磁响应和泄漏复合传播常数决定。RHS 实现波束赋形的基本原理是通过控制参考波沿超表面辐射的幅度产生目标波束17。42 图 4-10 基于RHS的宽带通信系统框图 4.3.1.3.2 基于可调超表面的波束赋形 图 4-11 展示了可调超表面的结构图，其馈线是由矩形衬底的波导形成，辐射元件包含一个位于 0.5 毫米厚的倒置石英基板上的贴片以及在贴片和槽之间的 0.1 毫米厚的液晶层。基于可调超表面进行波束赋形的基本原理是通过调制沿表面传播的参考波与辐射器之间的耦合系数产生目标波束20。图 4-11 基于波导天线阵列的可调超表面示意图 4.3.1.3.3 基于平行板波导的波束赋形 图 4-12 展示了基于平行板波导的超表面结构，由亚波长的槽形元件阵列合成，在底部的接地平面和顶部的超表面层之间具有介电基板，通过激发波导的同轴电缆馈电将全息参考波发射到介电基板中。基于平行板波导的波束赋形的原理是通过与以亚波长采样的超表面孔径的阵列因子与全息参考波之间的直接交互21。43 图 4-12 基于平行板波导的超表面结构示意图 4.3.2 平面反射阵列预处理技术平面反射阵列预处理技术 超大规模 MIMO 在带来高分集增益与高空域分辨率的同时，也带来因为规模超大而导致的问题。数字端口的数目随之增加，带来了更高的硬件成本、射频链路复杂度以及信号处理复杂度的提升，直接影响到数字端口与模拟端口的物理映射过程，也会影响这个过程前后包括数字预处理以及模拟预处理的性能。对于传统的 MIMO 通信，以及一些新型天线架构的 MIMO 通信，其发端处理技术均为狭义意义上的预处理；而平面反射阵列由于其分布的灵活性和可调控性，可以实现信号接收前的广义预处理。广义预处理即无论阵列分布于发射机附近、信道中段亦或者是接收机附近，均可以在阵列处实现高精度的模拟预处理技术。简单来说，原有的数字预处理与模拟预处理中间的映射过程替换为空域的一段信道，而不失去其预编码的功能性，甚至增加了灵活性。4.3.2.1 传统数模混合架构与平面反射阵列预处理模型传统数模混合架构与平面反射阵列预处理模型 超大规模 MIMO 数模混合预处理模型的接收信号可以表示为：=0 收发天线的数目对应为、，发送天线的射频通道的数目为，s 是维度为 1的发送信号，是维度 的发送数字预处理矩阵，是维度 的发送模拟预处理矩阵，0是维度为 的发端到收端的信道矩阵。平面反射阵列模型中的收发天线的数目对应为、，假设共存在个反射阵列，第个阵列的单元数为，则接收信号可以表示为=(0 =1) 44 其中 s 是维度为 1的发送信号，是维度 的发送数字预处理矩阵，是维度为 对应第 k 个阵列的模拟预处理矩阵，是维度为 对应从发射端到第 个阵列的信道矩阵，是维度为 对应从第 个阵列到收端的信道矩阵，0是维度为 对应发端到收端的直达信道矩阵，其存在系数为 0,1 对应代表不存在直达径和存在直达径两种情况。4.3.2.2 传统数模混合预处理传统数模混合预处理 传统的的预处理不会对信道进行改变，因此一些简单的算法例如 ZF、MMSE、MRT 算法就可以得到比较好的效果。先求出理想完全数字预处理（即每一个天线连接一个数字端口的情况）的最优码字，再求解一个拟合问题，即min|其中|代表 F 范数，且满足功率约束，中的每一个项满足恒模约束，即norm()abs(,)=1,=1,=1,当前也存在一些考虑频谱效率或平均频谱效率的方法，作为上述算法的拓展和延伸。4.3.2.3 平面反射阵列预处理平面反射阵列预处理 当平面反射阵列作为发射机的一部分时，一个典型的架构即采用单馈源即喇叭馈源对阵列进行照射，该架构下发端的预处理其实不存在数字阶段，仅存在模拟的预处理方式，参考上一小节，优化问题简化为如下：min|其中|代表 F 范数，为馈源到阵列的信道。且对角阵对角线上的每一个项满足恒模约束，即 abs(,)=1,=1,以上为平面反射阵列发射机传输单流的方式。多流传输则需要更多馈源照射一块或多块阵列，在这个场景中多馈源的位置可以是分布式的，也可以是集中式的。对这两种模式均需要考虑多流之间的干扰，同时也可以利用多个馈源进行等效的数字预处理提高多流之间的隔离度降低互扰。可以通过一些物理方法实现两个或多个平面反射阵列发射机在发射前的隔离，减小多馈源之间互扰这一复杂过程。该架构利用了平面反射阵列的高单元密度和大规模特性带来的高空域自由度，来弥补缺少数字预处理或较少规模数字预处理的劣势。平面反射阵列预处理也面临巨大的挑战。首先，由于平面反射阵列的大规模特性，其带来的完备信道估计的开销十分巨大；其次，由于其无源特性，在通信系统的信道测量与建模存在巨大的挑战，且由于不同的阵列单元大小、单元特性各异，包括单元耦合之间的影响也需要进行综合，尚需要复杂度更低，效率更高的预处理算法支持。作为发射机时，需要依照馈源到每个阵列单元的幅相特性进行补偿，考虑近场的馈源方向图等，更精细的情况下需要对每个不同指向的码字进行单独的优化设计。45 4.3.3 中继通信系统混合波束赋形设计中继通信系统混合波束赋形设计 4.3.3.1 系统模型系统模型 采用的毫米波放大转发（AF，Amplify and Forward）中继通信系统模型包括一个源节点一个半双工 AF 中继节点和一个目的节点52535455565758。因为源节点和目的节点之间不存在LOS 链路，本文假设两个节点无法直接进行通信，即两个节点之间的通信需要借助半双工 AF中继设备。如图 4-13 所示，源节点、AF 中继节点和目的节点分别配备有 NT、NR、ND根天线，并且均配备有 NRF根射频链。同时，假设源节点的传输信号为 s，并且满足E=s。在源节点，传输信号 s 需要分别通过 DBF 矩阵B RFS与 ABF 矩阵RF TRF。因为 ABF 过程是通过移相器网络在模拟电路中实现的，所以 ABF 矩阵需要满足恒模约束|RF,|2=1。源节点的发射信号可以表示为B=，其需要满足发射功率约束EBF2=，其中=RFB表示源节点的 HBF 矩阵。图 4-13 毫米波半双工AF中继通信系统示意图 源节点发射的信号B通过源节点与 AF 中继节点之间的毫米波信道1 RT后，被 AF中继节点接收。AF 中继节点的发射信号可以表示为R=(1B R)，其中=RF2BRF1表示 AF 中继节点的 HBF 矩阵，RF1 RRF与RF2 RRF分别表示 AF 中继节点接收端和发射端的 ABF 矩阵，B RFRF表示 AF 中继节点的 DBF 矩阵。R R1表示 AF 中继节点接收天线处均值为 0 的加性复高斯噪声向量，并且其协方差矩阵满足 ERR=R2。类似地，AF 中继节点的发射信号R需要满足发射功率约束ERF2=，ABF 矩阵RF1以及RF2均需要满足恒模约束。目的节点的 HBF 矩阵可以表示为=RFB，其中RF DRF表示 ABF 矩阵，BRFS表示 DBF 矩阵。目的节点接收到的信号D=21 2R D其中，D D1表示均值为 0 的加性复高斯噪声向量，其协方差矩阵满足 EDD=D2。4.3.3.2 HBF-MO-G 算法算法 根据参考文献5559，频谱效率最大化问题可以被近似等效为各节点 HBF 矩阵与理想 DBF46 矩阵之间欧氏距离最小化问题，其中设计 AF 中继节点 HBF 矩阵的子问题为 21RFBRF12122optRFBRFF,2RF,2RF,2RRFmins.t.1,1,EHc de fc de fP=GGGGGG GGGx其中，Gopt表示 AF 中继节点的理想 DBF 矩阵，其可以通过对已知的毫米波信道 H1和 H2进行 SVD 得到。尽管复杂的联合优化问题已经被近似等效为各节点的子优化问题，但是这些问题中的恒模约束仍然是求解毫米波 AF 中继通信系统 HBF 矩阵设计问题的难点之一。MO 算法可以将欧氏空间中仅包含恒模约束的优化问题转换为流形空间中的无约束优化问题，能够更好地解决问题。因此，MO 算法可以用来求解子优化问题中的恒模约束。再者设计源节点及目的节点 HBF 矩阵的子问题与文献59中设计发射节点和接收节点 HBF 矩阵的子问题相似，所以 MO-AltMin 算法可以用于求解上述子问题。综上，本节提出适用于设计 AF 中继节点 HBF 矩阵的算法 HBF-MO-G。针对子优化问题，在固定 ABF 矩阵RF1、RF2以及不考虑发射功率约束的基础上，可以得到无约束优化问题 21B2optRFBRFFminHGGGG G针对上述无约束优化问题，通过求导可以得到 AF 中继节点 DBF 矩阵B的闭式解，表达式为()()22211111BRFRFRFoptRFRFRFHHH=GGGGGGGG再将上式带入优化目标中，可以得到()()()122222111111RFRFoptoptoptRFRFRFRFoptRFRFRFRFK1,trHHHHHH=GGGGGGGGGGGGGG 因此，在不考虑功率约束的情况下，以最小化函数K1(RF1,RF2)为目标，包含恒模约束的优化问题如下()12RFRF1212RFRF,2RF,2RF,min K1,s.t.1,1,c de fc de f=GGGGGG表 4-1 详细展示了本文提出的 HBF-MO-G 算法的具体流程。该算法在步骤 4 中利用 MO算法求得的RF1, 1将会被应用于步骤 5 中计算RF2, 1。同时，该算法的终止条件为K1(RF1,RF2,)K1(RF1, 1,RF2, 1)G其中，G表示 HBF-MO-G 算法的精度参数。表 4-1 HBF-MO-G算法过程 HBF-MO-G 算法 47 输入输入：Gopt，H1，F，2；输出输出：RF1，RF2，GB；1.初始化：随机初始化RF1与RF2，迭代参数 k=0；2.重复：3.固定RF1,与RF2,，并计算 GB,k；4.计算RF1K1(RF1,RF2,)，并利用 MO 算法更新RF1, 1；5.计算RF2K1(RF1,RF2,)，并利用 MO 算法更新RF2, 1；6. 1；7.直到终止条件满足；8.功率归一化；4.4 信道状态信息反馈信道状态信息反馈 前面几节中讨论的 MIMO 预处理技术需要发射端信道状态信息（Channel State Information,CSI）以利用空间域特性来达到例如最大化频谱效率或消除用户间干扰的效果。然而，由于超大规模 MIMO 会导致大量的 CSI 信息，使得超大规模线天线预处理问题具有极大的挑战性。图 4-14 显示了在具有不同带宽（宽带或子带）和延迟的 CSI 下，迫零（ZF）预编码器相对于最大比（MR）预编码器的 SINR 增益的系统仿真结果。在仿真中，不包括发射器/接收器处 EVM（误差向量幅度）的非理想效应。对于 ZF 和 MR 预编码方案，系统有 12 个 TRP，每个 TRP 有 8 或 32 个天线端口（表示为 8T/32T）。因此，系统中有 96/384 天线端口，用于对终端进行联合传输。同时，假设总共有 120 个终端，最大空间复用为 12 个终端，每个用户天线端口为 1。ZF 预编码器配置有 SB 或 WB 预编码，而 MR 预编码器由每个子载波的复共轭信道进行预编码。结果表明，当 CSI 延迟增加或 ZF 编码器的精度从子带宽变为宽带带宽时，可以观察到显著的性能下降。这意味着更高级的预编码方案可能更容易受到不准确的 CSI 的影响。图 4-14 ZF 预编码性能随着CSI准确性降低而降低 051015202530no delay10ms20ms40ms80ms80msSBSBSBSBSBWBSINR 增益(dB)50%-tile SINR 增益增益:ZF v.s.MR 96T384T48 表 4-2 ZF 预编码性能评估假设 场景 Indoor hotspot 载波频率 4GHz 带宽 10MHz TRP 个数 12 天线端口数目(TRP)8T/32T 天线端口数目(UE)1R 子带带宽 8 PRBs 4.4.1 信道状态信息获取方法信道状态信息获取方法 本节讨论当前系统中获取 CSI 的几种方法，并分析它们的优缺点。(1)互易性探测当信道互易性成立时，发射端可以通过接收端发送的参考信号测量上行信道来获取 CSI。此方案通常用于 TDD 系统中，其中 DL(下行)/UL(上行)信道在不同时间以相同的频率资源进行传输22。此方案的主要优点是：（1）发射端直接获得未量化的信道系数，精度高；（2）由于不需要反馈，具有较小的 CSI 延迟。然而，此方案将需要发射端/接收端电路进行校准以确保端到端互易性条件可以成立。此外，当系统具有多个用户时，如果将正交探测参考信号分配给不同的用户，则可以保证良好的CSI 估计质量;如果系统缺少参考信号资源，而用户被分配了非正交资源或重复使用同一资源，则用户间干扰会影响 CSI 质量从而降低系统性能。(2)CSI 反馈在上下行信道之间的互易性不成立的情况下，需要通过接收端测量下行信道中的参考信号，并通过上行信道将其反馈给发射发射端。FDD 系统为使用反馈方案的典型场景之一。为了容纳信道状态的大量信息，需要对 CSI 在反馈之前先进行信息压缩。CSI 反馈的典型方式是通过预先设计好的码本，接收端在码本中选择并报告与测量信道最为匹配的码字。在收到反馈消息后，发射端重建 CSI 的量化版本。一个好的码本会利用信道特性（例如稀疏性）和天线结构（例如，线性阵列）进行设计。然而，在超大规模 MIMO 系统中，这种反馈方案遇到了几个挑战：a)由于总发射天线的数量急剧增加，存在较大的反馈开销。b)反馈之预编码器（例如，主信道奇异向量）对小扰动非常敏感，不适合进一步压缩。c)在分布式超大规模 MIMO 场景中，服务天线在物理上不是位于同一地理位置，缺乏确定性结构。使用 DFT基底对预编码器进行压缩可能导致压缩后之线性组合系数不够稀疏，造成较低的反馈效率。（3）混合式探测互易性是 TDD 模式下常用的假设，然即使在 FDD 模式下，某些信道特性（例如，延迟，AoA，AoD）的互易性已经被证明2324。通过此特性，FDD 模式的反馈开销可以通过三个步骤来减少：49 1.以上行信道探测方式以获得互易性信道特性。2.预编码过的参考信号在下行信道中发射给终端进行测量。3.在测量下行信道参考信号时，用户将其余的 CSI 信息（例如，线性组合系数）反馈回发送端。虽然预编码过的参考信号可以有效降低终端的反馈开销，但引入的额外步骤可能会增加CSI 延迟。此外，一般而言，预编码参考信号资源和终端是一对一的对应关系，终端间无法重复使用，对系统参考信号资源产生更高的要求。在 FDD 互易性的基础和超大规模天线的假设下，近期研究252627显示借助空间稀疏性来进行 CSI 压缩可以有效的降低反馈信息量。在超大规模 MIMO 的假设下，由于空间分辨率提升，空间稀疏性较容易在信道响应中观察到，经由获取信道系数中诸如 AoD、AoA、以及对应的路径增益(path gain)，在超大规模 MIMO 的信道环境中，可以更有效达到信道系数压缩的效果。下一节将探讨现有技术对超大规模 MIMO 所造成的限制和可能的研究方向。4.4.2 未来研究方向未来研究方向 鉴于上述观察和分析，以先进的预编码方法进行高阶空间复用的前提是获取高分辨率发射端 CSI。值得注意的是，在 CSI 码本设计中需额外考虑分布式 MIMO 的网络侧天线不是位于同一地理位置的特性。此外，一般而言 TDD 模式可较轻易地利用互易特性来获取 CSI 信息，然而由于非理想的电路互易性效应28，仍然需要一定程度的 CSI 反馈来校正信息，下面讨论一些潜在的研究方向，以增强当前 CSI 反馈机制。（1）预编码器以外的替代反馈信息反馈的 CSI 普遍是终端根据信道测量感知而推算出的 MIMO 预编码器。由于以下原因,这可能不是设计先进网络技术的最佳方式：先进的预编码技术通常需要直接操作在信道本身来推算出最佳预编码。预编码器本身是一个经过处理的向量值，无法完整呈现信道本身。由于单一终端观察系统时只具有本地端的视野，因此由终端推算出的预编码器通常非系统最佳解。为了在发射端实现较先进的预编码技术，终端需要向基站端反馈足够的信息，允许基站基于整体考虑来决定预编码器。具体的例子之一是用户间干扰抑制(interference suppression)。一般而言，不参考干扰信道的信息，而仅基于信号信道所推算出来的预编码器对干扰抑制的效果是有限的。从测量中推衍出的预编码器可能对扰动非常敏感。例如，由不同子带或不同时间的主奇异向量(dominant eigenvector)所各自推算出的预编码器可能会引起预编码信道的不连续特性，使得基于已算出的预编码器来进行进一步有效压缩非常困难。越来越多的研究开始讨论如何在时域中对 CSI 信息进一步地进行压缩。利用相近时间内信道之间的相关性来进行 CSI 压缩，反馈开销可以进一步降低。换句话说，无线信道 CSI 可以同时在空间/频率/时域三个维度进行压缩。当前对于 CSI 时域的研究专注在预测预编码器本身，此研究方向和现有之 CSI 压缩的架构兼容，然而并非最佳。如前所述，预测信道本身的三维CSI 压缩架构可以在开销和效能间取得更有利的权衡。上述所谓反馈信道本身的方式，可以是反馈信道系数 或H。其中，后者因为可以表示行与行间所展开的向量空间，足以提供发射端充分信息来自行确定预编码器。直接反馈信50 道系数会造成较大的系统资源开销，通过获取信道系数中的特征参数，譬如 AoD、AoA、以及对应的路径增益(path gain)，在路径稀疏的信道环境中，可以更有效达到信道系数压缩的效果252627。然而获取 AoA 和 AoD 的方式也大程度影响压缩效果。常用的获取空间角度特征的DFT 基底，对不同的信道形态并非最佳基底。如何根据不同信道，在基站和终端之间推导并协调出较佳的基底，据此来获取信道特征参数以达到较佳的信道压缩效果是值得进一步研究的课题。（2）FDD 两阶段 CSI 获取架构在新一代的 CSI 反馈机制中，可以引入一个 2 阶段 CSI 框架，其中在第一阶段获取粗略的CSI 信息（例如，长期二阶统计特性），第二阶段则完善精细的 CSI 信息。如何使用阶段 1 获取的信道统计信息来获取及决定阶段 2 之信息取决于不同的系统要求。例如，可以利用长期信道协方差矩阵，对阶段 2 的下行参考信号进行预编码，从而减少待测参考信号的数量，节省系统资源。另一个例子是当使用线性组合码本时，信道统计可用于预选主要线性组合基底，且组合系数只在阶段 2 中反馈，从而降低反馈开销。在单一步骤的 CSI 获取架构中，用来进行线性组合的基底子集选择和对应的组合系数会同时进行反馈，亦即每次的反馈信息都会包含被选择到的基底子集。但是在常见的移动速度之下，一般预期该基底子集所需的更新速度比组合系数所需的更新速度慢，因此在两阶段 CSI 获取中，用来进行线性组合的基底子集可以在第一阶段中以较低的上报周期进行上报，从而降低反馈开销。两阶段 CSI 获取架构亦可应用于更新整个基底集并根据更新后的基底集来对信道进行压缩。如上段所述，目前常用的 DFT 基底集并非最佳，在阶段 1 进行新基底集的更新协调，以应用于阶段 2 的组合系数回报亦有利于反馈信息压缩。两阶段 CSI 获取架构的类似概念已在毫米波系统设计中得到广泛应用，其中 CSI 上报之前是波束管理上报。这种两阶段架构应用可以发挥其在减少开销方面的作用29。（2）基于深度学习和人工智能的 CSI 压缩技术在分布式超大规模 MIMO 的设置中，天线之间的信道可能具有相关性，但以更不规则的方式显示。例如，因为 AoD 相似，来自同一 TRP 的天线簇可能表现出很强的相关性，而来自不同 TRP 的天线则不共用相同的统计数据。从这个角度来看，深度学习/人工智能技术可以对不规则的天线分布组态进行更好的压缩。4.5 小结小结 由于超大的天线规模，超大规模 MIMO 的信道建模呈现出新的特点，即近场和非平稳特性。本章对近场和非平稳特性下的超大规模 MIMO 信道建模进行了初步探讨，分别给出了大尺度和小尺度衰落的建模方案。波束管理、发射端预处理和信道状态信息反馈等也因为天线规模的增加而变得更加挑战。利用高频段信道的稀疏特性以及终端的移动特性，波束管理的开销得以压缩。借鉴全息技术的原理，全息 MIMO 提供了一种实现逼近空间受限 MIMO 容量极限的技术方案。信道状态信息反馈则需要探索新型的反馈量，以缓解开销与精度之间的矛盾。51 5 第五章第五章 智能化超大规模智能化超大规模 MIMO 5.1 背景背景 深度学习是机器学习领域中一个新的研究方向，通过训练大型的多层神经网络，学习大量采样数据的内在规律和特征，从而准确识别文字、图像或语音等数据。近几年来，由于软、硬件技术的快速发展，推动了深度学习模型在实时通信，特别是超大规模 MIMO 技术中的快速运用。将深度学习用在通信中，即利用深度学习来代替通信中的部分模块，相比人为设计的算法，可以更加灵活地拟合真实环境。因为人为设计的算法往往基于一些特定的假设，比如高斯分布等等，但实际环境是非常复杂和极其多变的，这些人为设计的算法一般都不是最优的，适用性有限。而深度学习可以模拟任意模型，从而能够有效适应实际环境，获得更好的性能。深度学习在通信的主要应用场景可大致划分如下：各类编码算法，如信源编码、信道编码、信道状态信息反馈；各类信号处理算法，如信号估计、检测与解调；各类网络优化问题，如用户调度、网规网优等。目前深度学习技术已经应用在超大规模 MIMO 的多个研究领域中，来实现波束的跟踪、预测和管理，信道的估计、预测、压缩和反馈，功率控制，链路自适应，用户配对和调度等等。通过神经网络模型的训练和学习，有助于进一步提升超大规模 MIMO 的使用效率和系统容量，降低系统开销、延时和实现复杂度。随着近年芯片制造能力的提升，终端 AI 芯片的计算处理能力有了质的飞跃。图 5-1 显示了 2017 年至今的手机终端 NPU 芯片的处理能力。从 2017 年第一季度开始，手机 NPU 的计算处理能力逐年快速增长，截止 2021 年第四季度，NPU 每秒已经可以完成 22.5T 次基本运算（其中一次基本运算表示一个加法或一个乘法）。而且，预计这一趋势将在未来几年继续下去。图 5-1 手机终端NPU能力增长图 表 5-1 列出了一些典型的复杂神经网络的复杂度，以及这些神经网络占据目前典型芯片的 NPU 1 秒计算能力的比例。通过将现有手机 NPU 的处理能力与经典的神经网络的复杂度进05101520252017Q42018Q42019Q42020Q42021Q4NPU 能力能力(TOPs)时间时间52 行比较，可发现目前手机 NPU 处理能力已经非常强大。神经网络的复杂度一般以 OP 为单位计算，即一次实数乘法或一次实数加法为一个 OP。以 GoogleNet 为例，它的复杂度为 2G OPs，但它只占据目前典型芯片的 NPU 1 秒计算能力的 8.7e-5（即 1 秒可以计算约 11000 次）。表 5-1 典型的复杂神经网络的复杂度 神经网络复杂度(OPs)神经 网络 占据 目 前典 型 芯片的NPU 1 秒计算能力的比例 Inception V2 4.1G 1.8e-4 Inception V3 12G 5.3e-4 CaffeNet 724M 3.2e-5 GoogleNet 2G 8.7e-5 MobileNet 1.15G 5.1e-5 无线通信中深度学习使用的神经网络一般是轻量级神经网络，复杂度不高。因此，在手机终端上执行基于神经网络的运算已成为现实。考虑到网络设备的处理能力远强于终端，在无线通信系统中网络设备和终端执行神经网络运算不会受到计算能力的制约，使得在无线通信系统中智能化超大规模 MIMO 技术的实施成为可能。目前，深度学习在超大规模 MIMO 相关的信道反馈、信道预测、信道估计、波束管理和中继管理等很多方向已有深入研究。下面，对上述几个细分方向的研究展开介绍。5.2 基于机器学习的超大规模基于机器学习的超大规模 MIMOMIMO 信道反馈技术信道反馈技术 由信息论可知，准确的信道状态信息（CSI，Channel State Information）对信道容量的至关重要。尤其是对于多天线系统来讲，发送端可以根据 CSI 优化信号的发送，使其更加匹配信道的状态。如：信道质量指示（CQI，Channel Quality Indicator）可以用来选择合适的调制编码方案（MCS，Modulation and Coding Scheme）实现链路自适应；预编码矩阵指示（PMI，Precoding Matrix Indicator）可以用来实现特征波束成形（Eigen beamforming）从而最大化接收信号的强度，或者用来抑制干扰（如小区间干扰、多用户之间干扰等）。因此，自从多天线技术被提出以来，CSI 获取一直都是研究热点。如果存在信道互易性，如 TDD 系统，终端向网络发送探测参考信号（SRS，Sounding Reference Signal），然后网络根据 SRS 做信道估计，从而获得上行信道的信息。如果不存在信道互易性，如 FDD 系统，从 SRS 获取的上行信道，无法准确获知下行信道的信息，此时就需要网络发送信道状态信息参考信号（CSI-RS，CSI Reference Singal），终端根据 CSI-RS 做信道估计，获得下行信道的信息，然后用协议规定的码本，反馈 PMI 给网络，网络基于码本和 PMI可以恢复出下行信道的信息。码本反馈的核心思想都是基于过采样的 2 维离散傅里叶变换向量，通过一定规则人为构造出码字，通过 PMI 的比特信息，可以检索到相对应的信道向量或矩阵。但是，码本有如下缺陷及待改进点：1.只利用了信道的部分特征信息；53 2.码本构造存在一定的冗余信息，例如 PMI 涵盖整个向量空间，向量空间等分划分，而不等分划分可以提高 PMI 的压缩率。深度学习技术，能够克服上述码本的这些缺点。通过合理的神经网络结构和信道数据，能够充分学习信道的所有特征信息，并且最大程度地消除码本的冗余信息，使每一个比特表征的信息最大化。基于深度学习的方法，通常采用端到端的多层神经网络训练，实现信道状态信息的压缩、反馈和重构30。如图 5-2 所示，训练的神经网络包括两个部分，第一个部分称为编码器，第二个部分称为解码器。神经网络的编码器，通常位于用户侧，它将用户测量的下行信道数据，进行转换、压缩和量化，并通过上行反馈信道，上报给基站设备。当基站接收到反馈的信道状态信息，它在解码器中恢复重构出原始的下行信道数据。大量的训练数据样本，输入到神经网络模型中进行端到端的训练，最终获得优化的神经网络结构和大量含有加权系数的参数集。训练出来的参数集，分别在用户侧构造神经网络的编码器，以及在基站侧构造解码器。神经网络的两个部分，由于在端到端的神经网络中训练，实际系统中通常成对使用，以保证优异的信道重构性能。神经网络的编码器神经网络的编码器神经网络的解码器神经网络的解码器上行反馈信道上行反馈信道测量的信道数据测量的信道数据重构的信道数据重构的信道数据图 5-2 信道反馈的多层神经网络架构 下面给出 NR 协议中基于 eType II 码本的信道信息反馈方案和基于深度学习的信道信息反馈方案的性能对比。仿真中，使用理想信道估计，两种方案使用相同的处理流程（先将多个子载波上的信道转化成子带 PMI，再基于子带 PMI 做压缩反馈）、预编码（子带级别的 rank1 预编码）和调度算法，仿真参数详见文献31。图 5-3 中给出了不同反馈开销下基站侧恢复的 PMI余弦相似度，图 5-4 中给出了不同反馈开销下，两种方案相比于 64 比特 eTypeII 码本反馈的频谱效率增益。从仿真结果可以看出，在相同的反馈开销下，基于深度学习的信道反馈可以实现至少 9%的余弦相似度增益和 11%的频谱效率增益。在达到相同的频谱效率时，基于深度学习的信道反馈比 eTypeII 码本的信道反馈可以节省 64%的反馈开销。54 图 5-3 不同反馈开销下基站侧恢复的PMI余弦相似度 图 5-4 不同反馈开销下，相比于64比特TypeII码本反馈的频谱效率增益 由于网络具备强大的神经网络处理的能力，因此通常在网络侧进行神经网络的训练。实际系统当中，有两个问题需要解决：第一、基站如何获得大量的来自多个用户的信道样本信息，来执行端到端的神经网络训练？第二、基站训练出来多个神经网络的参数集，如何通知给每个用户来使用？1)基站如何获得多个用户的信道样本信息在 TDD 系统中，基站可以检测上行探测信号，利用上下行信道的互易性，从而获取多个用户的下行信道信息的数据，为神经网络的训练提供了比较准确可靠的信道数据样本。但 FDD系统由于不具备上下行信道的互易性特征，只能靠用户的反馈获得训练数据样本。为提高 FDD系统中样本的精度，可以考虑不等间隔的反馈机制设计。如图 5-5 所示，FDD 系统配置了两种不同间隔的信道状态信息反馈类型。例如，红色方块55 代表高精度信道状态信息反馈的时刻，有较长的反馈间隔时间；蓝色方块代表低精度信道状态信息反馈的时刻，有较短的反馈间隔时间。低精度反馈间隔高精度反馈间隔图 5-5 不等间隔信道状态信息反馈的配置 当该参数配置为“高精度”，用户反馈高精度的信道状态信息，当基站收集到足够多的高精度反馈的信道数据，准备做神经网络的训练和学习。为了保证信道训练和重构的准确性，基站可以针对不同的信道类型，例如 UMi,UMa,Indoor 或者它们之间的混合类型，分别训练出来不同的神经网络模型和参数集。为此，用户首先需要识别出当前信道场景的类型，并将信道类型编号的指示，连同高精度信道信息一起，上报给基站侧。基站将收到的来自不同用户的信道信息进行分类，针对不同信道类型，训练不同的神经网络，训练出来的参数集将按信道类型进行分类。当该参数配置为“低精度”，用户仍然需要识别出当前信道场景的类型，根据信道类型选用相应的经过训练的神经网络的参数集，配置神经网络的编码器，然后将用户测量的信道数据压缩并量化成低精度的信道状态信息，反馈给基站，信道类型编号的指示也将一并反馈。基站根据反馈的信道类型编号，配置同一个神经网络的解码器，将接收的低精度信道信息恢复成原始的信道数据。用户侧和基站侧进行协调，确保成对地使用经过训练的神经网络的编码器和解码器，从而有效地重构信道信息。2)用户如何获得训练的神经网络参数集如上所述，基站利用用户的高精度信道反馈数据，训练出来多个适用于不同信道场景的神经网络参数集，但是用户如何获取这些参数集来优化自己的信道信息反馈呢？基站可以将训练出来的多套神经网络参数集，存储服务器上，用户将根据当前的信道场景，从服务器中下载相应的神经网络的参数集，因此用户与基站之间将通过同一个神经网络，协同处理信道数据的反馈和重构。5.3 基于机器学习的超大规模基于机器学习的超大规模 MIMOMIMO 信道预测技术信道预测技术 除了上述信道信息反馈，深度学习在信道信息预测方面也可以发挥重要作用。随着收发端之间的相对移动，信道也会发生动态变化。信道测量、信道反馈和调度是串行执行的，因此信道测量和调度两个动作之间存在时间差，导致调度时使用的信道测量结果与实际信道会有一定的偏差，最终造成频谱效率的降低。对此，如果基于历史信道信息，挖掘信道的时变特性进56 行信道预测，则可以补偿上述偏差，提高系统的吞吐量。深度学习在时间序列预测的成功应用给信道预测提供了启发，可以使用神经网络实现信道时变特性的挖掘工作。如图 5-6 所示，基于深度学习的信道预测中，深度学习模型用多个历史信道信息作为输入，获得一个或多个未来时刻的信道预测。输入到深度学习模型的历史信道信息的种类有多种选择，如原始信道信息，信道信息的特征矩阵，信道反馈后恢复的 PMI 等。信道预测模型t0t-1t-K历史信道信息.tNtN 1tN M.信道预测结果图 5-6 基于深度学习的信道预测示意图 预测未来多个时刻的信道信息可以采用纯外推的思路或外推-内插联合的思路。图 5-7 和图 5-8 分别描述了上述两种方案。纯外推的方案可以一步获得多个未来时刻的信道预测结果，而外推-内插联合的思路是两步预测，即第一部获得时间距离最远的预测结果，再通过插值获得中间时刻的信道预测。外推-内插联合的思路中第一步和第二步需要用到不同的深度学习模型。相比于纯外推的方案，外推-内插联合方案的好处是第一步的预测可以做在线微调，提高信道预测的泛化能力。AI.预测的多个未来时刻信道.图 5-7 外推实现的信道预测方案 AI-1.预测时间距离最远的一个时刻的信道(a)第一步：外推AI-2.插值得到中间时刻的信道预测.(b)第二步：内插 57 图 5-8 外插-内核联合实现的信道预测方案 5.4 基于机器学习的超大规模基于机器学习的超大规模 MIMOMIMO 信道估计技术信道估计技术 解调参考信号（DMRS，Demodulation Reference Signal）估计，是通信系统中非常重要的一个环节。接收端基于 DMRS 估计出信道，用于有用信号的解调。如果 DMRS 估计的精度不够，接收端获取的信道信息不够准确，会大大降低有用信号解调的准确度，从而降低系统的吞吐量、可靠性等关键指标。传统的算法，一般基于卡尔曼滤波等经典滤波算法，估计出时域和频域的信道特征，然后基于部分资源上的 DMRS，估计出有用信号占据的资源上的信道信息。这样做的缺点在于，实际环境非常复杂，这些滤波算法能够提取的时域和频域的信道特征有限，从而使恢复的信道信息与实际信道信息存在较大误差。深度学习，采用合适的网络结构后，理论上可以获得时域和频域的所有可获得的信道特征，从而大幅度提升 DMRS 估计的精度，进而改善系统性能。图 5-9 即为神经网络用于 DMRS 估计的一个结构示意图，采用一个经典的全连接网络，其输入是 DMRS 时频资源上的信道估计，输出是全部时频资源上的信道估计。利用深度学习，DMRS 信道估计问题可以建模为一个超分辨问题，即从部分信息恢复全局信息的问题。图 5-9 基于神经网络的DMRS信道估计方案 图 5-10 基于深度学习的 DMRS 样机示意图。样机摆放在一个会议室中。载频 3.6G 赫兹，子载波间隔 15K 赫兹，频域有 48 个 RB，接收天线和发送天线都是固定位置。传统算法中，DMRS 开销是每个 RB 占据 6 个子载波，1 个时隙占据 2 个符号，而对于深度学习算法，DMRS的频域开销减半。58 图 5-10 基于深度学习的DMRS样机示意图 样机实验中，利用链路级仿真采集到的数据进行模型的训练，用于无线空口。为了提升泛化能力，链路级仿真设置了各种参数随机的条件，如每个样本的信噪比从 034dB 随机选取，速度从 01 公里每小时随机选取，信道模型的各径时延和功率也是随机生成。具体的误块率曲线如图 5-11 所示。可以看出，深度学习算法在降低了 DMRS 一半开销的情况下，获得了更好地误块率性能。59 图 5-11 基于深度学习的DMRS样机的误块率结果 5.5 基于机器学习的超大规模基于机器学习的超大规模 MIMOMIMO 波束管理技术波束管理技术 毫米波频段通常采用模拟波束和数字波束结合的混合波束赋形方式。这样就带来了新的问题，即波束管理的问题。波束管理是一整套流程，包括模拟波束的测量、上报和指示，以及波束失败检测和波束失败恢复。如果模拟波束的数量多，会提升模拟波束赋形的增益，但增加了波束测量的开销，也增加了波束管理的复杂度；如果模拟波束的数量少，则会影响模拟波束赋形的增益。首先考虑利用机器学习来减少波束训练的开销。基于现有的波束测量流程，利用神经网络，在测量少量波束的波束质量后，找到最佳波束，来减少波束训练的时延。方案具体如图 5-12 所示。设基站侧有 M 个波束，终端侧有 N 个波束，则一共有 M*N 个波束对。具体的，以基站 M=1024 波束，终端 N=128 波束的超大规模 MIMO 系统为例，如果将每个波束对都测量一遍，需要 1024*128=131072 次测量，会消耗大量的参考信号资源，同时带来巨大的时延。因此，我们从所有波束对的集合中挑选部分波束对，在波束训练时，只需要测量少量的部分波束对即可，然后将测量结果输入深度学习模型，估计出所有波束对的信息。图 5-12 利用深度学习减少波束训练开销的示意图 然后考虑利用深度学习来进行波束预测。基于现有的波束测量流程，利用神经网络，在测量一定历史时间的波束信息后，估计出未来波束对信息，提前更新波束方向。方案具体如图 5-13 所示。由于无线环境的信道特征随着用户移动、周围物理移动等因素而变化，当前时刻的最优波束，过一段时间后往往不再是最优的。因此，我们存储历史时刻测量的波束对信息，如波束质量，将其输入深度学习模型，估计出未来一段时间的波束质量，从中找出未来最佳的波束方向。60 图 5-13 利用深度学习进行波束预测的示意图 5.6 基于机器学习的智能中继管理基于机器学习的智能中继管理 6G 系统将可能采用低频段、毫米波和太赫兹等频谱资源，具有超高的传输速率、超低的通信时延和更广的覆盖深度。但是，毫米波和太赫兹频段同时也有信号衰减强、易受遮挡和覆盖距离近和穿透固态物体的能力差等弊端。在保持通信质量不变的情况下，会严重限制系统的传输距离；在保持传输距离不变的情况下，易造成通信质量恶化，甚至信息传输中断。因此，基于超大规模 MIMO 的智能中继通信技术是一种能够有效补偿无线电波传输损耗的技术。5.6.1 基于边缘云架构的智能中继波束预测与搜索方案基于边缘云架构的智能中继波束预测与搜索方案 当毫米波、太赫兹甚至是可见光的新增频谱应用到无线通信中，UE 与 BS 之间的上下行信号传输将会基于波束进行，对于超大规模 MIMO 智能中继设备参与的通信链路中，智能中继与 BS 之间以及与 UE 之间的上下行通信同样基于波束进行。此时，BS 与智能中继设备之间的最优波束确定与连接，以及 UE 与智能中继设备之间的最优波束确定与连接成为关键问题。通过对基于边缘云架构的 AI 智能推荐算法研究，可以运用 AI 智能推荐算法来搜寻匹配移动终端设备与各基站间的最优波束，从而提升高频段通信的速率与稳定性。为了提升方法的可行性，将分散部署的若干中继组成中继网络，并选择中心的一个中继装载智能计算存储模块成为智能中继网关，位于中继网络中心的智能中继网关通过实时监测相关 KPI 并配合一定的匹配算法分析该中继网络中设备间的最优波束匹配，并将匹配信息传输告知该中继网络中的各个设备，各个设备则可以根据智能中继网关的分析结果实现设备间的最优波束匹配。基于边缘云架构的智能中继波束预测与搜索优化架构如图 5-14 所示，智能中继网关能够智能分析相关 KPI 的变化，根据终端设备的运动轨迹以及通信需求进行最优波束匹配，并将匹配结果传输告知该中继网络中的各个设备，使设备根据匹配结果智能调整上下行通信链路所选的波束，建立最优波束。61 图 5-14 基于云架构的智能中继波束预测与搜索优化架构图 基于云架构的智能中继波束预测与搜索优化工作流程如下：1)准备阶段首先需要对该中继网络覆盖区域进行一定精度的位置标定，每一个基站设备的位置或者移动终端设备的运动轨迹都可以由标定好的坐标点表示；根据实际情况的需要设定该小区波束信号强度的阈值，并且认为大于该阈值的波束连接可取，主要用于匹配阶段在推荐的若干波束方案中筛选可用的波束方案；按照传统的波束管理方案进行运作一段时间，并将各类终端设备（需要区分到设备种类、品牌甚至型号，通过分析终端设备通信上传的入网号即可知晓）在该区域各点位置的若干优质波束方案结合相关信息记录存储在智能中继的存储模块中。2)完成了前期准备工作之后，正式工作阶段 将各设备的通信连接需求以及相关信息上传至智能中继网关；智能中继网关根据信息先智能预测分析终端设备在本基站覆盖小区的运动路径，并且将预测连贯的运动路径离散化为点位置信息；根据预测的运动路径对每一个点位置基于终端设备提供的信息利用推荐算法或匹配算法，在历史案例库中获得匹配合适的若干候选波束方案；以无缝覆盖和保持信号连续性、尽量减少切换次数等原则，选定预测路径中各点位置的波束方案，并且连结成最终动态运作的波束方案，传递给终端设备以及相应的基站；当完成了初始信息匹配后，开始实施匹配推荐的波束方案后，终端设备以及其连接的基站与智能中继网关进行周期性的通信匹配分析，判断是否需要重新匹配；直到终端设备离开该智能中继网关覆盖区域，切换到其他区域连接后，则结束对该设备的波束智能管理。以上便是该架构的工作流程，如下是针对上述工作流程需要补充的细节：每个点位置的波束方案，指的是在该点位置上终端设备与基站建立波束连接时分别使用的收、发波束分支。完整的动态运作波束方案即随着终端用户运动前行时，终端设备以及基站建立连接使用的收、发波束对信息以及变动情况；推荐算法或匹配算法基于所服务终端设备提供的若干指标，构建匹配模型或偏好描述，在历史案例库中进行基于案例的学习（CBL，Case Based Learning）或一对多稳定匹配或相关性的求解，从而获得62 候选方案集合。算法可分步骤级联，初步筛选时的信息指标可以是：终端设备类型（可参照设备的入网号从而得知设备的类别、品牌、型号），小区内标定的位置信息。最终输出的结果是将各点的方案以连续性原则连结成连续动态的波束方案输出给终端设备。5.6.2 基于基于 DDPG 算法的中继选择和精细波束搜索与对准算法的中继选择和精细波束搜索与对准 采用毫米波甚至是太赫兹技术的超大规模 MIMO 系统将超大规模 MIMO 的空间资源与高频段可用大带宽结合，提供高数据速率传输。但是，在波束传播过程中产生的过多路径损耗和穿透损耗会严重影响超大规模 MIMO 中继系统的传输范围。此外，毫米波和太赫兹频段相较于微波频段所形成的波束变窄，在超大规模 MIMO 场景下必然存在能耗增高等相应问题。如何在搜索到精细波束并完成精准对齐的同时，尽可能降低功耗，做到绿色通信，是在中继设备设计时亟需研究的问题。在基于超大规模 MIMO 的中继网络中研究波束对准问题中，我们所考虑的场景是存在多个微基站，并且有多个用户设备需要接入智能中继才可以进行数据传输，用户设备类型包括移动电话、车联网汽车、无人机、送货机器人等。对于用户侧的精细波束对准问题，需要根据用户所处的位置、信号强度、信道质量等为用户提供合适的中继选择。另外，在超大规模 MIMO 的中继系统中，由于用户侧所对应的动作空间是连续（用户位置、角度值）和离散（中继个数）维度的混合体，因此如上所述的波束对准问题对于深度强化学习来说是具有挑战的。深度确定性策略梯度（DDPG，Deep Deterministic Policy Gradient）算法是一种在连续动作域上训练深度强化学习智能体的 actor-critic 方法。在这项工作中，我们选择使用 DDPG 作为学习算法。同时由于我们的问题有一个混合离散中继选择和连续波束对准角度选择的动作空间，因此我们提出需要可以同时处理伪离散和纯连续动作空间以预测动作。DDPG 采用的是一个两步迭代过程，是使用现在的参数集来评估策略的质量，然后策略会沿最大回报的上升方向来更新参数。DDPG 包含两个神经网络：一个是 actor 网络，基于当前状态来预测动作，采用a参数；另一个是基于参数c的 critic 网络，用来预测动作计算 Q 值。DDPG 另外还包括参数a和c的目标网络。每个时刻，状态和动作都与奖励一致，然后把下一个状态存储到缓冲区。为训练 actor 和 critic 网络，就会取 N 个样本，用于计算梯度。为了使 critic 网络Q()计算每个状态动作对的 Q 值，每个样本中的状态的收益估算为()()11,|aciiiiyrss = CA基于回报的估算，均方贝尔曼误差计算为 L=1(,|)2然后，critic 网络参数更新为 cccc L其中 1是随机更新的步长。对于 actor 网络，更新取决于动作梯度以及 Q 值的提高。critic网络c参数的最终更新为63 1(A()(,)|=A()其中 1是更新步长。最后，在每个时间步更新目标网络参数，以使用指数加权更新作为参数来提供稳定的值估算(1);(1)cccaaa ；1 传统的 DDPG 算法所采用的是连续动作空间，但由于中继选择问题是离散问题，而 UE 位置角度更新是连续的，因此无法直接使用 DDPG 算法，而是采用神经网络逼近器架构，作用于离散和连续动作空间。critic 网络预测的是每个状态-动作对的估计 Q 值，Q 值是连续的，因此可以采用与 DDPG相同的 critic 网络。但是，actor 网络负责预测离散空间和连续空间的状态下的最佳动作，因此考虑把每个 UE 的预测拆分成子网。所有子网共享一个公共特征提取器，为每个 UE 子网提供一组可用于选择的动作。令0=作为公共特征提取器网络的输入，actor 网络的前 L 层构成公共特征提取器网络；每一层创建来自上一层特征的线性组合，然后通过非线性激活函数传递，即令 Wl和bl为与层 l 相关联的权重和偏差，以,和,为第 l 层的输入和输出维度；然后将特征提取器层的输出计算为=(1 ),=1,其中 g(.)是非线性激活函数。将最终提取的特征集 馈送到每个子网，以针对每个 UE 进行动作预测。每个 UE 的 Actor 子网都使用单层进行中继选择。第 i 个 UE 的 actor 子网使用 softmax 层预测所有中继的归一化数值()(),softmaxii rprpirLpaWxb= 其中,，,。然后，选择服务第 i 个 UE 的中继的标准是()irpa最高的中继。现在的问题存在于如何使用 RF 签名以及 UE 报告的 SINR 预测哪个中继为该 UE 服务。因此建议在超大规模 MIMO 场景下，中继设备的波束对准策略如下：UE 使用全向传输发送唯一可识别的信标信号；中继处接收到所有 UE 发送的信标信号，并构成 UE 的 RF 签名；中继同时获得 UE 的下行链路传输的 SINR；基于 UE 的 RF 签名和 SINR，中继设备基于联合连续 UE 位置角度更新和离散中继选择的 DDPG 算法，在云端匹配 UE 的最佳波束角度的中继设备；相应的中继根据云端的传输指令进行波束对准，直至更新为止。5.6.3 基于深度强化学习的超大规模基于深度强化学习的超大规模 MIMO 中继与快速移动用户波束对选择算法研究中继与快速移动用户波束对选择算法研究 为了使移动用户能够通过中继设备实现稳定高速的通信，本节给出一种配备高频段中继的超大规模 MIMO 无线网络架构，并在此架构下提出利用多波束传输提高快速移动用户传输速率并解决中断问题。考虑到每个用户和每个中继所能支持最大传输波束数的约束，本节以最大化系统和速率并最小化每个用户速率低于阈值的概率为目标，设计具有局部交互作用的多波束分配方案。配备高频段中继的超大规模 MIMO 无线网络架构，包含一个超大规模 MIMO 宏基站、若64 干个智能中继网关和多个高频段中继。宏基站具有从物理层到网络层的全部通信功能，主要用于传输控制面信号，而在高频段运行的中继仅具有部分物理层功能，用于用户面的高速数据传输。在中继无法覆盖到的范围，用户数据传输仍由宏基站执行。在系统中，每个中继都能打出一定数量的波束对准用户，同时每个用户也能打出多个定向波束，因此用户可以使用多个波束对进行数据传输。当用户进入超大规模 MIMO 宏基站时，先通过与传统蜂窝网络类似的过程与宏基站连接。当用户想要接入中继时，广播随机接入前导码以扫描不同角度方向。每个中继将现有的信息转发给其所属的中继网关，由中继网关决定各个中继与每个用户的最佳波束对，并将结果转发给宏基站，宏基站决定用于分配给该用户的波束对。在系统中假设所有中继网关是同步的，并通过中央基带连接。网络中非激活状态的用户连接到某些中继，并且网络可以配置所有中继传输的所有波束。因此，在没有无线资源控制的情况下，该架构可以实现用户和中继间的多波束分配。发送端使用两级预编码，即基带预编码（BB）和射频预编码（RF），分别为F=f1,f2,f和F=f1,f2,f。假设发射信号x=1,2,，经过预编码后为x=FFs。设接收编码器为W=w1,w2,w。由于射频预编码器和接收编码器是用移相器实现的，因此F和F矩阵的元素被约束为恒定大小（相位可变）。根据50，用基于接入点处的 AoD 和每个用户的 AoA 的导向矢量作为预编码器和接收编码器的射频波束赋型器，即 F,=1,=a()，W,=1,=a()因此，用户k和中继l之间的波束对链路信干噪比为,=|wHFf|2|wHFf|2 2所以，用户k和中继l之间的单个波束对链路的可达数据率为,=log2(1 SINR,)用户k和超大规模 MIMO 宏基站l之间的波束对链路的可达数据率为51,=(1 1,1 ,)其中是基站天线数量，是基站负载参数，表示可以服务多少用户，l,k大尺度衰减系数，小尺度衰落忽略不计。定义辅助变量为,=,如果是中继,如果是宏基站定义辅助变量,k lx，当,k lx=1 时表示用户k和中继l或基站l相连，当,k lx=0 时表示中断。因此，用户k的总可达数据率为=,，系统总数据率为=。为了保证每个移动用户的通信都不中断，需要在最大化所有快速移动用户的平均数据传输总速率和最小化每个用户的平均数据传输速率低于预先设定的阈值的概率二者之间进行优化权衡。仅在前一个度量上进行优化可能会引起资源分配不均，导致某些用户的平均速率过低。因此，将优化指标设定为 65 Th,111()PKttk lkRRf xRKtt=其中为权重，用于权衡最大化预期和速率和最小化低于阈值概率二者之间的比重。整体优化问题为,:max()s.t.C1:,C2:,C3:0,1,xk lk lbk llkck lklk lf xxNlxNkxk l=P1XL现有使用优化技术解决环境高度变化中用户关联问题时大都假设较大相干时间和基站间理想协作，需要运行高复杂度的算法。这些解决方案不适用于高频段场景，尤其是超大规模MIMO 网络。为了解决上述混合整数非线性规划问题，同时控制系统开销，本节利用深度强化学习，以一种高计算效率的方式执行高频段超大规模 MIMO 网络中移动用户的多波束分配任务。在移动环境中应用机器学习可以利用过去的经验和环境统计数据来学习环境，通过与环境的交互来学习模型，不需要预先使用任何模型。同时在离线阶段训练完模型后，能够大大减小在线波束选择的开销。我们用马尔科夫决策过程表示移动用户的环境。在系统中，设定行动者（actor）为所有的智能中继网关，每一个中继运行一个强化学习智能体。状态（state）包含三个部分，分别是在最后 m 个时间内的观测信道、中断指示器（=()，()=Pr1=1()）和用户传输速率,。信道变化转化为移动用户速率和中断概率，从而影响整个状态。设定动作（action）为中继波束和用户波束之间的连接情况，用于确定最优波束对。奖励（reward）为(,)，为了最大化长期折扣奖励，引入折扣因子，因此00jtjtjFf =整体的训练流程如图 5-15 所示。因为中继的计算功能较弱，我们使用中继网关，让地理位置距离较近的若干个中继共享信息。首先智能体与环境交互，观察每个用户的信道状态、传输速率和中断概率。每个中继网关都建模一个神经网络，其中包括行动者（actor）网络和批判者（critic）网络。行动者网络根据不同动作的概率分布来制定策略，判断该中继与各用户相连所能获得的奖励，而批判者网络利用由时间差分误差得出的价值函数对行动者的策略进行批评。为加快系统的收敛，我们让若干个距离较近的中继网关协作。为了减小学习输入状态和输出动作之间的映射时密集型计算训练所造成的开销，离线训练每个中继的神经网络。在在线学习阶段，所有训练好的神经网络都部署在一起，利用超大规模 MIMO 宏基站作为奖励累积器，它根据所有中继网关的动作计算全局奖励，累积的全局奖励由宏基站传回中继网关，中继网关利用传输回的全局奖励判断其连接中继的最佳波束-用户配对情况。同时，每一个中继网关也将其训练好的最佳波束-用户配对情况传输给宏基站，宏基站根据全局信息作出决策，判断该时刻每个用户连接的中继。66 图 5-15 训练流程 5.7 小结小结 本章对机器学习在超大规模 MIMO 的信道反馈、信道预测、信道估计和波束管理方面的应用进行了研究。研究显示，结合机器学习技术的超大规模 MIMO 在反馈开销、参考信号开销和性能等方面都有一定提升。机器学习技术在解决智能中继系统中异常复杂的中继选择和波束配对问题方面也发挥了重要作用。超大规模 MIMO 系统的其它领域，例如 MIMO 信号检测、多用户配对（或调度）、干扰消除、预编码（或波束赋形）、导频设计以及端到端的 MIMO收发机设计等方面也已有较多的研究。同时，由于深度学习是一个新兴且高速发展的领域，在超大规模 MIMO 的应用中也将不可避免地伴随着问题和挑战，如数据标注难、模型泛化不足、执行复杂度高、模型生命周期维护复杂等。期待未来进行深入地研究和讨论，让深度学习更好地服务于未来超大规模 MIMO 系统的广泛应用。6 第六章第六章 分布式超大规模分布式超大规模 MIMO 随着 5G 应用的快速渗透，移动终端数量将呈现指数式增长，由此带来更高的系统容量需求。大规模天线技术可显著提升频谱效率、降低干扰，已在 4G 网络和 5G 网络规模商用。目前 5G 网络中部署的为集中式大规模天线，在低频已经达到 192 阵子和 64 通道，高频预计达到 512 阵子和 4 通道。面向 6G 网络，更大规模天线系统对一体化、集成度提出了更高要求，67 此时分布式超大规模 MIMO 系统作为新的解决方案，通过在更广域地理范围内部署大量分布式射频和天线，以及基站之间的智慧交互与智能协作，显著提升频谱效率的同时有效扩大覆盖范围，为 6G 网络提供真正的无边界用户体验。6.1 技术原理技术原理 6G 网络中的分布式超大规模 MIMO 系统呈现天线数更多、分布地理范围更广、智慧协同作用更深的显著特征。分布式超大规模 MIMO 系统由大量分布在不同地理位置的站点构成，并在多个站点以及各站点的一个或多个天线通道形成一个分布式超大规模 MIMO 簇。站点间按需进行不同层级的智慧交互与智能协作：对于基础性简单业务，多站点开展简单的信息交互，协同完成资源分配调度、波束赋形等过程；对于增强型复杂业务，多站点深度协作，开展充沛的信息交互，有效转化干扰源为有用信号。通过智慧交互与智能协作，一方面有效消除干扰，增强信号接收质量；另一方面有效增强覆盖，消除用户边界感。6.2 应用场景及部署方式应用场景及部署方式 分布式超大规模 MIMO 系统主要应用于大容量场景，特别是人流量密集，数据业务爆发式增长的流量密集场景，例如高校、CBD 热点区域、大中型场馆以及交通枢纽站点等。应用分布式超大规模 MIMO 技术，可以灵活、有效地根据不同环境，构建星形、树形、链形、环形等拓扑结构的网络，有效消除干扰快速提升容量。针对高校、CBD 等热点区域，采用室外覆盖室内的方式时，将多个节点连接到 BBU，实现控制信道合并，数据信道复用。图 6-1 热点区域部署方式 针对大中型场馆以及交通枢纽等室内密集场景（体育场、火车站、大礼堂等），通过室分系统升级，实现数据信道复用，提升容量。针对灾情、偏远山区等信号突然中断或人员难以到达的地方，可采用多个可飞行基站及时构建起分布式超大规模 MIMO 系统，以满足应急通信需求。针对高速移动场景，终端移动速度将超过 1000km/h，大量分布式天线系统将满足超高移速下高业务质量的需求。此外，一种新型天线结构以及低成本的无线条带系统如图 6-2 所示。每个条带包括：电缆或带状保护壳、阵元、电路安装芯片（APU：包括功率放大器、移相器、滤波器、调制器、A/D和 D/A 转换器）。每个条带都连接到一个或多个 CPU。控制信道合并 数据信道复用68 图 6-2 无线条带系统32 当阵元采取分布式结构放置时，可应用至一些现有的建筑体表面，构成分布式超大规模MIMO 系统。传统的分布式传输点（TRP Transmission Reception,Point）由相控阵加射频拉远单元组成，成本高且部署受限于射频拉远距离，使用平面反射阵列构建 TRP 可以克服这一瓶颈。使用平面反射阵列可以构建多种分布式 TRP，如图 6-3 所示。图 6-3 a）所示为独立 TRP，由基带、射频、天线构成，可以使用平面反射阵列作为独立 TRP 的收发天线，多个 TRP 进行协作传输。图 6-3 b）所示是通过有线射频拉远的 TRP，该 TRP 可以由同轴电缆等线缆拉远的射频单元加天线阵列构成，也可以由线缆拉远的馈源加反射阵列构成的，可以独立或者联合为用户提供服务。图 6-3 c）所示是以无线的方式射频拉远的 TRP，该 TRP 由平面反射阵列和射频拉远的馈源天线组成，可以灵活部署于不便于布线的场所，与有线拉远的 TRP、独立 TRP 相结合，实现灵活覆盖，共同为用户提供服务。无线拉远的 TRP 也可以使用传统的中继、新型的智能中继等，多元联合部署，实现无处不在的 6G 网络覆盖。图 6-3 d）展示了无线拉远 TRP 与基站或者独立 TRP 之间的协作传输，终端可以同时接收到基站直连链路、无线拉远 TRP 反射链路、以及独立 TRP 的信号。69(a)独立TRP间的协作(b)有线射频拉远TRP间的协作(c)无线拉远 TRP间协作(d)无线拉远TRP、基站间协作图 6-3 超大规模 MIMO 系统多种 TRP 联合部署示意图 6.3 关键技术关键技术 随着新材料、新技术的突破与发展，面向 6G 的分布式超大规模 MIMO 系统有望在架构形态、部署方式等方面纵深演进。为满足新业务、新场景的个性化和多元化需求，分布式超大规模 MIMO 系统仍需在以下关键技术点实现突破。6.3.1 全动态协作簇构建全动态协作簇构建 针对 6G 倍增的节点数和用户数，分布式超大规模 MIMO 系统中，终端开机后不仅需要选择主服务小区还需要选择服务的协作节点，不同终端选择的协作节点可能不同且是动态变化的。传统的静态分簇虽然复杂度低但其提升性能有限，对抑制簇间干扰有局限性，无法满足 6G更灵活分簇的需求，因此需要考虑全动态协作簇方案。如何确定协作簇和协作用户的范围，如何实现用户移动时协作簇的构建，如何实现簇内各站点的高效精细管理以及簇间的干扰协调等，在保证频谱效率提升的同时降低系统复杂度，是需要研究的关键问题。相比于传统蜂窝移动通信系统，在分布式大规模 MIMO 系统中，主要采用“以用户为中心”的覆盖方式构建动态协作簇，而协作簇的构建和接入资源的分配依赖用户反馈信息。根据用户反馈信息处理方式的不同，可以分为完全集中式处理和局部化处理两种方式。对于集中式处理，需要所有协作节点和用户间的上行信息统一汇总到中央处理器集中计算和处理，基于一定准则（例如全局最小均方误差）计算获得最优的选簇方案和性能。当用户数和协作节点数增多时，前传的容量要求高，且中央处理器的计算复杂度也会大大提高，在实际应用中很难实现。对于局部化处理，为了降低中央处理器计算复杂度，将协作节点到用户间的上行信号在协作节点端首先进行计算和处理，然后再将处理后的结果反馈到中央处理器进行合并。虽然较第一种方式降低了中央处理器的处理复杂度，但是仍然需要在中央处理器合并来自所有协作节点的处理信号，回传负载压力仍然没有得到改善，并且由于协作节点间存在处理误差，系统性也受到了影响。为了尽可能接近完全集中式处理性能，同时降低系统计算复杂度，可通过分散部分集中70 式处理方法的思想，采用协作节点子集的折中处理方式。首先通过路径增益来确定每一个用户的协作节点子集中所包含的协作节点，并且定义子集 sub-l 为 l 个协作节点被选择接收和处理特定用户的上行信号。当 l=1 时，超大规模分布式 MIMO 网络将退化为传统“small cell”网络；当 l=L 时，协作节点子集将等价于完全集中式处理过程。选择更多的协作节点来处理用户的上行信号时，得到的性能越好，但处理的复杂度也越高。图 6-4 给出协作节点子集性能仿真结果。当用户子集中协作节点数量达到系统所有协作节点数量 40%时，可以达到完全集中式处理性能的 95%；当用户子集中协作节点数量达到系统总协作节点数量的 20%时，可以达到完全集中式处理性能的 85%。因此，对于分布式超大规模 MIMO 网络，采用协作节点子集方法来接收和处理用户上行信号，在保证系统性能的同时，处理复杂度和前传负载能得到明显降低。同时，在硬件成本和降低功耗方面也能得到明显改善。图 6-4 协作节点子集性能上界比较 6.3.2 空口通道校准技术空口通道校准技术 TDD 系统的上下行互易性的实现前提是收发通道满足一致性。然而，在物理实现上，分布式超大规模 MIMO 系统面临着互易性受损的挑战。每根天线的射频端需要两套电路来分别完成信号的发送和接收，由于硬件方面的工艺误差，放大器的非线性失真，以及每个射频电路的特征响应随着环境（如温度，湿度等）和时间的变化而变化，从基带信号角度看，发送通道和接收通道对信号乘上了不同的系数，从而导致了信道的互易性受损。此外，互易性还与接入点的射频单元实现、接入点间时钟和时间同步也有关：当节点间采用共本振部署时，上下行信道的校准系数通常具有时间稳定性；当多天线的接入点具备内部自校准功能时，每个节点仅需要估计单通道的校准系数；当节点间采用共参考时钟时，校准系数通常包含了节点射频单元中本振相位漂移，校准系数的相位变化受到硬件性能的约束；当节点间没有参考时钟时，整体信道的互易性受到节点间频偏的影响。为了实现信号的相干传输，需要保证协作簇内各节点通道的一致性。通过空口通道校准技术，可以补偿上行和下行射频链路的差异。通常，空口校准方案主要包括分布式节点之间发送校准信号或者通过终端反馈进行空口通道校准两类。71（1）节点间发送校准信号的空口通道校准方案在实际应用中，空口校准可以采用基于波束的校准方案，该类方案可进一步细分为两类：一种方式可以通过设计发送两类参考信号实现基于波束的校准，首先通过节点间收发第一类参考信号进行信道估计，获取接收矩阵、预编码矩阵等信息；随后，通过节点间基于预编码矩阵信息进行第二类参考信号即校准参考信号的收发，获取校准接收信号并用于校准系数计算。进一步地，节点间可在本地完成接收矩阵、预编码矩阵的计算和修正，确定真正用于校准信号收发时的接收矩阵、初始预编码矩阵，并上报给控制单元；也可以将初始计算的接收矩阵、初始预编码矩阵先上报给控制单元，由控制单元处理后为两个基站配置真正用于校准信号收发时的接收矩阵、初始预编码矩阵。另一种方式则采用预配置码本的策略，对承载校准信号的波束进行扫描，不同站点间通过获取最强收发校准波束实现通道校准。在校准信号收发时，可考虑特殊时隙进行校准信号发送、接收。网络可灵活动态配置校准信号的一些参数：校准信号发送模式、校准信号发送窗口长度、校准信号接收窗口长度、收发校准时间间隔等，实现在不占用业务数据发送的前提下进行收发端通道校准，进而提高移动通信系统整体性能。利用最大似然准则，协作节点间的校准传输函数可以表示为：,=, ,其中，,表示接收复高斯噪声，并且均值为 0 方差为2。,表示从节点的所有天线单元到节点的所有天线单元的反向传播信道。矩阵=(1).()表示节点的传输码本矩阵，并包含所有可能的波束的传输波束成型器。相似的，=(1).()表示包含接收波束成型器所有可能波束的接收码本矩阵。和分别表示节点 i 和节点各自的接收和发送链路增益。通过获取分布式节点间的校准交互信息，利用高效的迭代方法，快速获取校准参数矩阵=diag1,=()。图 6-5 的仿真结果表明，相比于现有分布式 MIMO 系统中的校准算法，本节提出的信道校准算法能获得更好的校准性能。图 6-5 分布式节点校准信息交互方案性能比较 此外，考虑到分布式大规模天线系统的节点较多，为了实现动态协作下的快速校准，可以先将节点进行分簇，簇间选出较近的节点，进行簇间相对校准。在簇内，为了进一步降低校准时间开销，可以将簇内节点分为两组，在两组之间发送时频正交校准信号。由于正交校准参考信号数量受限，实际实现时，可以根据部署全局考虑正交导频资源的分配，从而进行导频复用。72 这种分层的方式可以获得较好的校准精度，并较低校准开销。（2）基于终端反馈的空口通道校准方案该方案主要利用了两类信息的对比，一是通过终端发送 SRS 获取的上行信道信息，二是终端反馈的不同节点的信道信息（包括节点间相位差信息）。当前节点比较信道信息和节点间相位差信息可获得校准误差并进行补偿。依靠多用户反馈，以及时间上和频率上综合考虑，可提高校准误差计算精度。该校准系数的获得可以考虑在时间、频率、多用户维度的加权，更为准确。由于不需要新设计校准导频，只需要在基站端进行相应的计算即可，该方案具有实现简单的优势。与此同时，我们也看到，本方案要求终端和分布式节点需采用相同的算法选择码本。如果两者采用不同的算法，其影响仍有待分析。此外，本方案要求终端向节点反馈码本选择的结果，这种反馈方式能否得到标准化支持，也是该方案面临的挑战。6.3.3 新型用户调度算法新型用户调度算法 分布式超大规模 MIMO 系统提升频谱效率的有效方式是多用户 MIMO 传输，通过节点间交互信息，协调调度相互干扰小的多用户进行服务。在分布式超大规模 MIMO 系统中，分布式节点构成的协作簇具有多样化和动态变化的特性，各用户所选择的分布式节点不尽相同，需要更具灵活性、低复杂度的新型用户配对算法，满足分布式超大规模 MIMO 系统更为挑战的配对需求。目前，用户配对方案主要包括基于容量最大化的多用户调度方案、基于用户相关性的调度方案。基于容量最大化多用户配对方案包括基于信道 F-范数的配对方案，将单用户 MIMO 信道容量作为 MU-MIMO 容量上界的配对方案，综合考虑正比公平的调度算法。基于用户相关性的调度方案兼顾平均吞吐量和边缘吞吐量，包括基于用户位置的调度方案，基于相关系数的调度方案。（1）基于容量最大化的多用户调度方法F-范数联合调度方案。该方案的目的是最大化信道容量，同时利用信道的 F-范数来简化信道容量的计算。主要原理是：信道容量与预编码后等效信道的特征值有很大联系，虽然 F-范数并不能完全表征信道容量，但是 F 范数指示了信道的总体能量。虽然 F-范数联合调度方案已经大大减小了计算复杂度，但是 F-范数中的 SVD 分解和施密特正交化过程仍然有一定的计算复杂度。基于容量上界的联合调度方案。相比 F-范数联合调度方案，该方案利用单用户 MIMO的信道容量作为 MU-MIMO 的容量上界，从而简化计算。基于正比公平的联合调度方案。仅考虑容量最大化，必然会造成边缘用户频谱效率急剧恶化的状况，而实际系统必须要兼顾边缘用户的服务质量，所以在以上容量最大化的前提下，综合考虑正比公平的调度算法得到进一步研究。（2）基于用户相关性的调度方案基于用户位置的调度方案。在多用户 MIMO 方案中，由于配对用户之间的干扰由预编码算法消除，等同于将发送波束的零陷对准配对用户，将主瓣方向对准当前服务用户。由于配对用户之间存在一定的相关性，在消除干扰的同时必然会对有用信号强度造成一定影响。举例来说，如果两个用户强相关，理解为位置重叠，那么在零陷对准的同时，也大幅度的削弱了有用信号。基于用户位置的调度方案从用户位置出发，在配对73 用户间设置约束条件：角度相差大于门限值，以此来保证用户间的相关性较小。基于相关系数的调度方案。由于 BD/MET 等预编码算法的性能依赖于配对用户之间的相关性：用户相关性越差，用户信道状况越正交，那么预编码算法性能越好；反之，用户之间相关性越大，预编码算法在消除配对用户干扰的同时也将有用信号大幅削弱，从而性能较差。所以限定配对用户之间的相关系数将大大改善多用户配对的性能。6.3.4 预处理算法预处理算法集中式大规模多天线技术的预编码算法包括 MRT 预编码、ZF 预编码和正则化迫零（RZF）预编码等线性预编码算法，以及 THP 和 VP 等非线性预编码算法。这些预编码算法在分布式超大规模多天线仍然可以使用，但是要考虑分布式系统的特点进行优化设计。首先要考虑分布式站点间信息交互的问题。根据站点间信息交互程度的不同，预编码算法可以分成三类：（1）站点间协作预编码算法站点间交互用户的信道状态信息，但是不交互用户的数据信息，多个基站联合完成计算或者各基站独立计算，各基站独立传输数据。（2）站点分布式预编码算法站点间仅交互数据信息（由基站将用户数据分发到站点）不交互用户到各站点间的信道信息，预编码在各个站点分布式地计算。这种分布式预编码的计算复杂性较低，也使得系统的扩展性较好，在协作站点及总天线数较大时具有较好的干扰抑制能力。但在参与协作的站点较少时，其协作能力较弱。需要进一步研究低复杂度的预编码方法，并研究支撑系统规模的扩展性的预编码方法。由于相干协作传输对校准误差较为敏感，还需要进一步研究对校准误差鲁棒的预编码方法。（3）站点间联合预编码算法站点间交互终端的信道状态信息和数据信息，多个站点联合完成计算，联合传输数据，对应于联合传输方案。协作预编码算法相对于联合预编码算法，不需要在站点间交互终端的数据信息，此外，终端的信道状态信息交互量也更少。对于协作预编码算法，系统内的每一个站点可以独立的计算预编码，只要站点可以获得其到区域内所有用户的信道状态信息。而对于联合预编码算法，需要有一个中心处理单元（可以是某一个站点）进行计算，中心处理单元需要知道区域内所有站点到所有终端的信道状态信息。例如，采用 ZF 算法，中心处理单元需要对扩展信道矩阵求逆，用到了所有相关的信道矩阵。当分布式 MIMO 规模变大时，协作预编码和联合预编码算法需要在站点间交互的信息量也线性增加。此外，各种预编码算法对于信道状态信息的实时性有比较高的要求。也就是说，站点间需要频繁的交互信道状态信息以保证预编码算法的性能，这就给实际的应用带来了很大的挑战。如何降低站点间的交互量以及在站点间信息交互的容量和时延受限的情况下的设计预编码算法是分布式超大规模 MIMO 需要进一步探索的问题。第二个需要考虑的问题是单站点或者天线的功率约束问题。MRT 或者 RZF 一类算法计算出来的预编码权值是非横模的，也就是说不同天线的发射功率不同。对于集中式大规模 MIMO，不同天线到终端的路径损耗几乎没有差异，不等功率发射不会带来什么问题。但是对于分布式74 的超大规模多天线系统，不同站点到终端的路径损耗差异非常大，在计算预编码时必须考虑功率约束的问题。传统预编码算法需要在有单站点功率约束的条件下重新设计才能工作于分布式超大规模多天线系统。6.3.5 站点间信息交互站点间信息交互 分布式超大规模 MIMO 技术通过回程链路在不共站址的站点之间交互终端的数据信息、信道状态信息等。理想回程链路为吞吐量非常高，时延非常低的回程链路，如采用光纤或 LOS微波的点到点连接。非理想回程链路为广泛使用的典型回程链路，如 xDSL，NLOS 微波和其他回程链路如中继。网络中的回程链路有各种形式，所能提供的信息交互能力也不同。分布式超大规模 MIMO 技术方案需与回程链路的能力相匹配。联合预编码方案由于其交互量大，对时延的要求高，只能基于理想回程链路实施。而协作预编码方案，在部分非理想回程链路上也具有实施的可能性。以现有的通信系统设计为例，数据包经 MAC 层处理之后，在物理层基带的处理过程包括信道编码、速率匹配、加扰、调制、层映射、资源映射、预编码、OFDM 调制。基带生成的信号经过数模转换和模拟波束赋形后发射出去。完整的处理过程如图 6-6 所示。信道编码速率匹配加扰调制层映射资源映射OFDM调制数模转换模拟波束赋形预编码L1RF信号生成层映射MAC数据信道参考信号(CSI-RS，DMRS)图 6-6 下行数据传输处理过程 联合预编码方案完整的实施上述过程需要多个网络实体的参与，包括中心处理单元和分布式站点。上述处理过程在各个实体之间的如何划分会影响到回程链路上的信息交互量和交互内容。75 a)中心处理单元将 OFDM 调制之后的基带数据通过回程链路分发给各个站点，如图 6-7(a)所示。所有的计算集中于中心处理单元，回程链路上的数据传输量极大，数据量正比于系统带宽和天线数量。优势是通过集中处理简化了远端站点的实现，较容易实现计算负荷的均衡，可以充分利用网络的计算能力。b)中心处理单元将高层的数据包直接发送给各站点，由各站点完成信道编码、调制、OFDM 调制以及预编码等计算，如图 6-7(b)所示。中心处理单元负责完成预编码的计算，并将计算得到的预编码发送给各个站点。这种方式在回程链路上的数据量最小，数据量和待传输的终端数据量有关。上述是两个极端，分别为信息交互量最大和最小的方式。实际上还可以有介于两者之间的处理方式，例如中心处理单元将预编码后的数据发送给各站点，由各个站点进行后续的 OFDM调制等操作。具体使用哪种信息交互方式需根据回程链路的容量、各节点的处理能力等综合考虑确定。OFDM 调制中心处理单元RFRF回程链路MAC中心处理单元RF回程链路MAC信道编码RF信道编码(a)(b)图 6-7 基站间信息交互方式 6.3.6 站点间时频同步站点间时频同步 分布式超大规模 MIMO 传输中，终端需要从多个站点接收数据。各站点到终端的距离不同，无线信号的传播时间不同，所以即使是各个站点同时发射出的信号，到达终端的时间也不相同。采用 OFDM 调制的系统，一般来说信号的到达时间差远小于 CP 的长度就不会对数据的接收产生不良影响。按照 5G NR 系统的设计，CP 的长度与子载波间隔之间是反比关系。15kHz 和 60kHz 子载波间隔对应的 CP 长度分别约为 4.7 微秒和 1.18 微秒。未来移动通信系统的工作频段更高，带宽更大，预期子载波间隔会进一步增加，对应的 CP 长度也会随之缩小。这个情况下，分布式超大规模 MIMO 对时间同步的要求将更加严格。频率同步误差，一方面会破坏子载波之间的正交性，引入干扰。另一方面，会增加信道的时变特性，引起信道在时域内的波动，影响信道状态信息获取时效性和精确性。综上，站点之间的时间和频率同步精度直接影响了分布式超大规模 MIMO 的性能。并且由于其分布式的特点，站点之间实现精确时频同步有很高的工程难度。针对这一问题，站间时频同步实现可以从两方面考虑：当站间不共参考时钟和参考时间时，需要通过一定的方法对站76 间的时偏和频偏进行估计和补偿；如果仅通过空口进行站间时频同步，则需要根据具体的指标确定空口同步信号的设计，并可以考虑与通道互易性校准一同考虑设计。6.3.7 波形设计波形设计 4G 和 5G 系统都是以 OFDM 波形为基础进行设计。OFDM 波形的优势在于实现简单，小区内正交化，避免了小区内的干扰。超大规模 MIMO 系统，无论是集中式还是分布式，终端之间在空域内都已经接近正交化，对频域正交化的需求降低。在未来通信系统的波形设计上，有可能打破 OFDM 波形的设计，引入效率更高的波形设计。6.3.8 网络架构设计网络架构设计 分布式超大规模 MIMO 将网络设备推进到终端的附近。从结构上说，无论移动到什么位置，终端的附近都会有一些天线为之服务，真正实现以用户为中心的网络结构。因此在物理层之上的网络协议和网络架构设计也需要与之匹配。以用户为中心的分布式超大规模 MIMO 的组网结构与部署形式和无线接入网中物理层传输方法实现需要协同考虑。目前，从物理层协作传输的角度看：分布式节点之间全动态协作具有逼近最优全协作的能力，考虑到用户规模及节点规模的扩展性，其基带单元的设计具有较大的难度；分布式节点采用本地化的信号处理具有较低的复杂性、较好的扩展性，但是其相干协作的能力依赖严重受限于单节点的天线数和协作节点的规模。为实现协作性能、扩展性及系统复杂性的折中，可以采用静态分簇部署和动态协作关联的网络架构。如图 6-8 所示，多个接入点连接到边缘分布式单元（EDU），EDU 具有物理层的联合检测和协作预编码的功能。用户为中心的分布式单元（UCDU）关注用户或空域数据流层面的的处理。集中式的控制单元主要实现用户与 EDU、UCDU 之间的关联。采用这种部署和实现方式有如下优点：（a）易于基带单元的云化实现;（b）在 EDU 可获得较强的相干协作传输的能力；（c）可实现系统节点和用户规模的扩展性；（d）与频段紧耦合的物理层技术可在 EDU 和 AP 实现，因而易于实现高低频系统的融合。图 6-8 静态分簇和动态协作关联分布式超大规模MIMO的部署与组网结构 另一方面，在超密集部署场景中，终端在空闲模式下频繁搜索/测量小区，在连接模式下频77 繁地进行测量和报告以应对可能发生的切换，导致终端移动性管理相关的功耗较多。更严重的是，还会导致终端移动性能下降。如图 6-9 所示，当终端已经移动到 B 小区，但由于当前移动性流程的 L3 滤波，导致终端仍然收到来自 A 小区的寻呼。小区重选的延迟，会产生寻呼丢失的现象；切换太晚，可能导致切换失败。对于一些新型业务如 XR 或云游戏来说，切换失败率和数据中断的移动性性能至关重要，因为会严重影响业务体验。因此，亟需研究解决方案，以解决超密集部署场景的移动性性能下降以及终端功耗较高的问题。控制面锚点数据面节点集3数据面节点集1数据面节点集2RIS基站图 6-9 无蜂窝网络拓扑示例 一种无蜂窝的实现架构是，空闲态或者非激活态下的终端驻留在基于 SFN（Single Frequency Network，单频网）技术的超级小区（super cell）或者低频段宏小区（多频段协同的无蜂窝组网），网络提供基于 SFN 或者低频段宏小区发送的同步信号/参考信号。空闲态或者非激活态下的终端将对这些基于 SFN 模式或者低频段宏小区的同步信号/参考信号进行无线资源管理测量。终端的寻呼监听和系统消息读取也可以基于 SFN 模式或者低频段宏小区。由于基于 SFN 或者低频段宏小区发送的同步信号和参考信号的覆盖范围相比基于单小区发送的同步信号/参考信号的覆盖范围明显更大，终端可以一直测量到一个信号质量较好的基于 SFN 或者低频段宏小区发送的同步信号或参考信号，因而避免基于单小区模式的频繁的小区重选流程。由于避免了频繁的小区重选流程，从而也可以减少寻呼的丢失概率。SFN 模式由于信号从多个网络侧的节点（例如小区或收发点）发送，因此可以提供更好的覆盖性能，但是其缺点是无法获得空间复用增益，总体传输效率相比单小区传输要低；因此，空闲态或者非激活态下的终端由于其需要接收的数据量不大，可以基于 SFN 模式或者低频段宏小区获得较高的覆盖性能；当终端进入连接态时，如果其需要接收或者发送的数据量较大，则终端需要切换到 non-SFN 模式，以获取更大的空间复用增益。例如，当空闲态或者非激活态下的终端接收到属于自己的下行寻呼消息时，终端需要测量 non-SFN 模式的同步信号/参考信号，并根据系统消息的配置信息来发送 preamble 并完成后续的随机接入步骤，进入连接态并关联到一个或若干个节点。此时，进入连接态的终端的上行数据发送或下行数据接收都是基于该终端关联的一个或若干个节点进行的，不再基于 SFN 模式或者低频段宏小区，因此整个系统可以获得更高的空间复用增益。连接态的终端在不同节点间的切换也可以采用层 1 的切换，避免传统小区切换的复杂度和信令开销。当终端完成连接态的数据收发后进入了空闲态或者非激活态，则终端只需测量基于 SFN 模式或者低频段宏小区的同步信号/参考信号，并监听基于 SFN 模式或者低频段宏小区的寻呼消息。78 考虑到全基站或者全 TRP 的无蜂窝组网的设备成本相对较高，将无蜂窝网络中部分有源节点替换为反射阵列节点，实现反射阵列和基站混合组网的异构无蜂窝网络。发射阵列节点不主动生成信号，靠反射/转发基站的信号来为终端提供服务，所以反射阵列节点对时频同步要求要低于基站间的时频同步要求。另一方面，无蜂窝组网中，有源节点主动发送信号并且保证波束指向服务终端；但是，反射阵列会反射/转发多个基站的信号，反射阵列控制方式要考虑增强有益信号同时考虑抑制有害信号。这对反射阵列的信道测量和多基站多反射阵列的联合波束赋形提出了新的挑战。在反射阵列和基站组成的异构无蜂窝系统中，基于 TRP 的协作簇需要进一步扩展为 TRP 簇和反射阵列协作簇的选择。例如，首先根据 TRP 的信号质量来选择合适的一个或者多个 TRP 形成 TRP 簇，之后从 TRP 簇覆盖范围内的反射阵列节点中确定反射阵列簇，从而实现 TRP 和反射阵列的协作簇。由于反射阵列节点的引入，反射阵列-基站的异构网络中，基站 TRP 的部署密度降低，因而降低了 TRP 簇选择时参考信号配置开销以及TRP 簇确定的算法复杂度。6.3.9 移移动性管理动性管理 传统多节点协作网络仅应用于业务数据传输阶段，并未对接入阶段、切换过程的上行速率和鲁棒性进行优化设计。终端要想获得分布式协作传输，需要先接入/切换至网络，而后才能在业务信道上进行协作传输，这对于边缘用户，难以保证用户一致性体验。为此，需要考虑针对分布式超大规模 MIMO 系统的协作接入和协作切换的解决方案。针对协作接入，可以考虑配置两类 SSB：不协作 SSB 和协作 SSB，与之对应的包括小区ID 和协作 ID。终端进行小区搜索时，使用小区 ID 和协作 ID 分别在不协作 SSB 位置和协作SSB 位置上进行检测，并通过不同 SSB 上的接入准则，实现终端接入协作 SSB，进而实现在接入阶段的协作传输且不增加终端盲检复杂度。针对协作切换，可以考虑在测量环节即引入协作簇测量的机制，并在切换判决环节生成非协作节点、协作簇两类候选切换目标列表，使得切换过程可按实际网络需求完成多个目标协作节点的接纳控制，从而在切换后即可实行多节点的联合传输，实现速率提升或可靠性增强，保证用户一致性体验。79 图 6-10 协作簇测量示意图 在终端用户移动的过程中，终端用户与各个 TRP 之间的法向速度会随着用户的移动发生变化，这导致各个传输路径的大尺度衰落信息、时延扩展和多普勒频移的大小都会随时间发生变化，因此除了更新 TRP 协作簇，还需要更新终端用户与各 TRP 之间的信道与多普勒频移测量结果。TRP 协作簇更新与信道和多普勒频移的测量有两种模式：一种是基于各 TRP 测量完毕的信道信息和多普勒频移结果，在 TRP 协作簇更新的过程中对协作簇内所有 TRP 的测量信息进行整合；另一种是在更新 TRP 协作簇之后，再对协作簇内的各个 TRP 与终端用户之间的信道和多普勒频移信息进行测量。在终端用户移动过程中需要对大量 TRP 与终端用户之间的信道情况和多普勒频移进行测量和更新。为了保证较高传输速率的同时有效减少测量过程的计算和信令开销，可以考虑差异化的测量周期控制与资源分配策略。在终端用户附近区域内的 TRP 数量少，但在多 TRP 协同服务过程中传输和速率贡献占比大，需要考虑更密集的测量周期和更多的传输资源；反之，在距离终端用户较远的区域内 TRP 的数量多，但在多 TRP 协同服务过程中，这些 TRP 对传输和速率贡献占比小，因此可以考虑较低的测量周期和较少的传输资源对数据传输进行辅助。6.3.10 毫米波分布式超大规模毫米波分布式超大规模 MIMO 系统系统 分布式超大规模 MIMO 与高频段通信（如毫米波太赫兹等）相结合将具有很大的应用前景。超大规模天线阵列在毫米波频段的应用存在功耗、复杂度和成本等一系列问题，更多采用混合阵列天线架构以及混合波束赋形33。在毫米波分布式超大规模 MIMO 系统中，可以通过将非常大的集中式阵列拆分成较小阵列并安装在多个分布式接入点的方式，来降低超大规模MIMO 的硬件复杂度和功耗。与低频段分布式超大规模 MIMO 系统不同的是，毫米波分布式超大规模 MIMO 系统需要解决的一个关键问题是波束赋形尤其是模拟波束赋形或波束对准的实现。在高频段，每个用户也将配备多天线甚至混合阵列架构的天线，这给波束赋形带来巨大挑战。常见的两种混合波束赋形架构如图 6-11 所示。考虑到前传的负载压力，模拟波束赋形更多地在每个分布式接入点的射频前端实现。数字预编码可以有两种实现方式，在中央处理单元(CPU,Central Processing Unit)集中进行（图 6-11(a)）和在每个接入点的基带单元分布处理（图 6-11(b)）。模拟数字波束赋形架构切分点的设计需要考虑中央处理单元的计算能力和前传的负载能力，以及权衡不同混合波束赋形算法给系统带来的性能影响。分布式混合模拟和数字预编码架构（图 6-11(b)将一部分计算负荷卸载到分布式接入点的基带处理上，中央处理单元仅保留联合传输必需的全局数据处理和用户调度，同时减轻了前传负载。毫米波分布式超大规模MIMO混合波束赋形设计的一个技术关键是如何支持多天线甚至混合天线阵列以及多流传输的用户。80(a)(b)图 6-11 分布式超大规模MIMO系统的混合波束赋形架构 文献35提出毫米波分布式超大规模 MIMO 系统中接入点与用户联合协作的模拟波束对准技术。如图 6-12 所示，模拟波束赋形和数字预编码仅在每个接入点以分布式处理的方式实现，数据与相关调度及控制则由中央处理单元完成。接入点与用户联合协作的模拟波束赋形：以区域内总的有效波束赋形增益最大化为原则，通过接入点和用户联合迭代计算的形式，将联合优化问题等效为分步优化问题，每一步都能在接入点或用户上获得闭式解，从而能够快速有效地实现模拟波束对准。此算法不受接入点和用户端天线个数的限制，相应的迭代次数及波束管理流程与现有的单基站波束对齐方法所产生的处理延迟相当。前传接入点AP模拟波束赋形数字预编码数据处理中央处理单元CPU前传模拟波束赋形数据处理数字预编码接入点AP中央处理单元CPU81 图 6-12 基于混合波束赋形的毫米波分布式超大规模MIMO系统 具备干扰感知的数字预编码：数字预编码将根据模拟波束赋形后的等效信道进行设计，用于处理用户间和流间干扰。在用户配备多天线以及系统支持多流传输时，现有的低频段接入点分布式数字预编码方案如共轭波束赋形(CB,Conjugate Beamforming)和本地最小均方误差（L-MMSE,Localized Minimized Mean Square Error）不能有效地抗击干扰。因此文献35设计了基于连续干扰抑制的最小均方误差预编码方案（SIR-MMSE，SuccessiveInterference Rejection Minimum Mean Square Error），通过将数字与编码问题分解为多用户干扰消除和单用户 MIMO 优化两部分，以重新制定信道数据为核心，将干扰抑制功能嵌入MMSE 优化中，有效抗击多用户及流间干扰。此分布式数字预编码方案独立于模拟波束赋形的设计，可应用在任何频段基于多天线用户和支持多流传输的分布式大规模天线系统中。支持简单的功率控制技术：分布式超大规模 MIMO 系统的最优功率控制需要很高的运算复杂度，在毫米波频段下的混合波束赋形中更难实现。因此，文献34的分布式混合波束赋形设计支持简单的功率控制方法，即通过固定每个接入点的功率并对每个用户实现均一的功率分配。文献35对所提出的算法进行了详细的分析并且与现有的小型蜂窝（small cell）系统进行了性能比较。图 6-13 给出了 28 GHz 频段下各个方法的频谱分布图。其中 20 个接入点均匀分布在 200m x 200m 的区域内，用来同时服务 6 个用户。图 6-11 所示的两种分布式混合波束赋形架构均考虑在内，其性能明显优于小型蜂窝系统，达到约 34 倍的增益。其中集中数字预编码处理方案“Cell-free centralized RBD”性能最优。与 L-MMSE 和 CB 相比，分布式“SIR-MMSE”数字预编码对多用户干扰和流间干扰表现出更高的鲁棒性，其性能非常接近集中数字预编码处理方案。图 6-13 分布式大规模天线系统下不同混合波束赋形方法性能比较 通过上述文献的研究可以看到，分布式大规模天线系统在毫米波频段上有很大的应用前景。除了混合波束赋形关键技术，其他相关研究方向如信道估计、导频设计、功率控制、前传优化82 等等也需要进一步探索。6.4 小结小结 分布式超大规模 MIMO 从理论分析和技术验证上能获得较大增益，但是实际性能直接依赖于应用场景、产品实现能力等因素。结合不同应用阶段的需求，预期该技术早期将局部应用于热点场景，后逐步扩大应用范围。同时该技术性能的发挥依赖于空口校准、调度方案、组网及协作簇等关键技术方案在产品中的具体实现能力。7 第七章第七章 超大规模超大规模 MIMO 新型天线结构新型天线结构 7.1 模块化天线模块化天线 超大规模 MIMO 的应用部署，天线阵面的形态及革新是运营商非常关注问题。从目前的大规模天线发展来看，大规模天线阵面将天线振元及射频处理单元集成在统一的天线模块中，这种一体化模块称为有源天线单元（AAU，Active Antenna Unit）。其设计优势在于：简化了天面配套要求，通过将天线单元与射频单元的集成处理，降低了馈线损耗，有利于系统容量的提升。然而，这种一体化的设计增加了天线阵面的整体体积、重量，对其施工部署产生了一定的影响。同时，由于射频链路数量庞大，当某个射频链路产生损坏时，故障检测及维护比较困难。出于对上述问题的考虑，业界提出了模块化超大规模 MIMO 的思路，将超大规模 MIMO阵面分为若干子天线阵面，这些子阵面可以根据场景的具体需求进行组合或拉远。通过这种分割，既降低了天线检测的难度，又降低了每个天线模块的重量，减轻了天线安装、维护的难度。通过对模块化超大规模天线阵面的初步实践，以及对模块化天线的权值兼容性、天线拉远方向图的外场定点测试表明：模块化天线在常规状态与面阵大规模天线的波束方向图类似，可以满足广播赋形要求，原有面阵的权值可以复用。模块天线在拉远状态下，通过适当的权值优化，可使模块化天线广播波束满足或接近常规天线阵面广播波束要求。模块化天线与传统面阵大规模天线的速率相近，并且当使用水平折叠的模块化天线时，可以提升天线折叠方向的用户性能。因此可以根据用户分布，灵活的配置模块化天线的波束方向，从而提升热点覆盖，并且可以使得基站部署的选址更加灵活。虽然模块化天线较常规面阵天线存在其特有的优势，但在设备实现层面仍有大量的研究与验证工作需要完成，包括：模块化天线阵面结构设计，研究天线阵面空间位置灵活调整的方法及相应硬件实现方案；更进一步对模块化天面的功能以及性能进行实验室验证与外场验证等。7.2 智能超表面智能超表面 无线通信系统中，从发射端发射的信号，在经过具有衰落、反射、折射等特征的无线信道83 后到达接收端。一般而言，收发链路间的信道时变且不可控，为了获取理想的传输性能，发射端需要动态地获取信道的状态信息（CSI），以此来完成发射端的预编码、功率分配等，进而保证传输信号随信道的变化自适应的调整。上述过程的实质体现在对信道的准确建模。随着无线通信传输内容的多样化、通信形式的灵活性、收发设备的小型化、传输的低功耗低时延等要求的提高，适应信道传播特性愈发困难。当前，一项新颖的技术智能超表面技术，有望改变上述困窘。利用智能超表面技术，可人为地设计可控信道，并利用可控的信道完成信号的传输。超表面的引入，使无线通信系统设计更具有灵活性。通过合理地设计和布置超表面，人为地构造良好的传输信道，提升系统整体性能。7.2.3 智能超表面的作用智能超表面的作用 如图 7-1 所示，超表面在超大规模 MIMO 系统中的应用包括反射式和透射式两种结构。反射式结构中，入射电磁波发射源与超表面信号辐射区域位于超表面的同一侧，透射式结构中，入射电磁波发射源与超表面信号辐射区域位于超表面的两侧。反射式超表面的设计相对更为简单。图 7-1 超表面的两种结构 超表面在超大规模 MIMO 系统中的一些典型作用如下：1）作为信号传输的中继超表面作为信号传输的中继多使用反射型超表面。超表面可以反射电磁波，并且改变反射电磁波的相位和传播方向，因此可以借助超表面来协助信号传输38394041。超表面在无线信号传输当中充当可控的反射源，人为地增加可控的多径链路，将来自发送端的部分能量反射至接收端，增加接收端的接收功率。此外，超表面可以改变信号的相位，利用电磁波的相干相消，增强所需信号，抵消干扰信号，提高接收端 SINR。2）作为发射机天线阵列的扩展传统的超大规模天线阵列发射机需要通过大量的移相器和放大器来进行天线阵列幅度和相位的调整，形成波束赋形。超表面通过改变变容二极管、PIN 二极管等的电压即可实现波束赋形，无需移相器和大量的放大器。通过在传统的 MIMO 发射机前端放置反射型或透射型超表面来实现波束赋形，可以以较低的能耗有效地实现天线单元规模的扩展，提高发射机的性能。这是超大规模 MIMO 技术实现更大阵列规模的一种低成本、轻量化、低功耗实现方式。3）作为信号调制器84 超表面能够动态地改变信号的相位，将需要传输的信息表示为不同的相位，即可实现 PSK。超表面可用于高频混频37。当使用周期性的数字量控制超表面时，超表面的电磁特性会周期性地发生变化，此时利用超表面会产生不同频率成分的电磁波。不同的频率成分对应于不同的编码，由此实现 FSK。上述用途中均需收发两端已知载频信号。当然，也可以直接使用环境当中已有的任意电磁波来进行信号传输。如图 7-2 所示，基站向周围广播参考信号，如导频信号，超表面调制参考信号，并将信号反射给解调端。解调端根据参考信号解调被超表面调制的信号，得到超表面调制信号时所采用的数字序列，由此可将信息从调制端传输至解调端。发射电磁波需要较高的功耗，而超表面调制电磁波的信号为低频信号，且仅需改变超单元的反射系数即可，功耗较低。对于能耗要求较高的设备，如可穿戴设备，可借助超表面实现低功耗的信息传输。图 7-2 超表面调制环境中已有信号397.2.4 国内外研究现状国内外研究现状 近几年超表面的研究是天线技术领域的研究热点。国内外有很多团队进行相关研究，目前已取得很多成果。研究内容包括超表面的设计、信道建模、信道容量分析、自由度42、定位发射端的 CRLB43、基于超表面的通信系统的能耗、波束赋形、用户分配策略44等。在验证平台方面，欧盟 VISORSURF45项目致力于开发控制超表面的硬件和软件，目前已取得了一些成果。意大利的 Stefano Maci 团队对超表面天线进行了大量研究，实现了多波束、多极化和波束扫描特性46。美国麻省理工学院所研发的 RFous 可重构智能超表面集成了自主调控入射波反射与透射的能力47，它将波束赋形功能从无线电端点移至环境当用户与基站处于超表面的两侧时，使用透射模式对基站发出的信号进行聚焦，使接收端能够接收到较强的信号；当用户与基站处于超表面的同侧时，使用反射模式对基站发出的信号进行调制。国内的超表面研究也取得了很多成果。文献48于 2014 年提出了一种数字可编码超材料，并于 2018 年提出了“时空编码”超表面的概念，利用超表面同时实现了高阶调制和 MIMO 传输。文献49中设计了双频智能超表面，并搭建了智能超表面辅助的通信系统平台。将超表面用于通信系统，实现基于超表面的超大规模系统的应用仍面临着诸多挑战。这些挑战不仅仅包括实用化硬件设计，还包括信道建模、CSI 测量等技术层面的挑战。85 7.2.5 智能超表面智能超表面关键技术研究方向关键技术研究方向 目前，将超表面应用于无线通信场景以构建基于超表面的超大规模 MIMO 系统还存在诸多的挑战和待研究的问题。一些待研究的关键问题如下：1)适用于无线通信系统的硬件设计。由于实际的通信环境通常较为复杂，适用于无线通信系统的超表面硬件设计仍是一个重要研究方向。2)超表面调制技术。如何根据通信环境实现超表面的快速调制是基于超表面的超大规模MIMO 系统的一个待解决的问题。尤其当超单元数量增加时，超单元调整将会变得十分复杂。若接收端快速运动，超表面需及时地调整超单元以跟踪接收端。3)实用化应用场景和信道建模。超表面调控电磁波的原理与传统天线阵列不同，产生的影响也不同。构建基于超表面的超大规模 MIMO 系统的应用场景，并进行信道测量和建模，是一个重要的研究方向。4)信道状态信息获取。超表面作中继时，若优化超单元的反射系数，需要获知超表面辅助链路的 CSI。由于超表面目前只能够反射信号，即不能够通过导频估算 CSI，从而难以获取超表面辅助链路的 CSI，进而无法优化超单元的反射系数。因此，需要探寻其他合适的方法来进行优化。7.3 终端新型天线结构终端新型天线结构 超大规模 MIMO 的部署，对基站和终端都会带来深刻的影响。对于基站，其天线数目成百上千倍的增加，对基站的天线结构是一大挑战。对于终端，虽然单个终端的天线数目不会达到非常大的量级，但是由于终端在功耗、大小等方面严重受限，同样需要对天线结构做出较为深刻的变革。目前在终端侧主要考虑 AiP、AoC、AoD 等先进天线技术。7.3.1 AiP 封装天线（AiP,Antenna in Package），是把天线阵列封装到芯片内的一项技术，目前对 AiP技术在毫米波终端上的应用研究较多，且已有部分商用终端或天线模块采用这项技术。图 7-3 展示了一种可行的 AiP 结构剖面图，是当前终端毫米波天线阵列可行的实现方式，又常称为控制塌陷芯片连接 C4 封装。AiP 中 RFIC 放在基板底层，RFIC 呈现倒装形态通过焊盘植凸块后连接至有若干层金属的基板，基板底层植入焊球与 PCB 焊接。AiP 顶层没有其它器件完全由天线阵占据，便于直接向外发射接收电磁波信号。其中 RFIC 集成射频前端器件，包含混频器、功分/合路器、PA、LNA、移相器等。86 图 7-3 AiP结构剖面图 AiP 解决方案不占用主板面积，天线到 RFIC 之间差损小，天线辐射效率高，很好兼顾了天线性能、成本及体积，代表着近年来天线技术的重大成果。传统的 AiP 技术也存在一些缺陷，如对于使用金属边框和金属外壳的终端来说，直接使用AiP 会带来的较大的遮挡损耗，针对这个问题，业界也提出了一些新的增强方法来应对，如针对金属边框设计的将 AiA（Antenna in Antenna）与 AiP 相结合的 AiAiP 技术等。7.3.2 AoC 片上天线(AoC,Antenna on Chip)，是将天线和射频前端在晶片级别设计集成到同一芯片内的一种技术。目前 AoC 技术的较大缺陷在于损耗较大，电磁辐射效率较低，这也是目前业界研究 AoC技术增强的一个重要方向。在 6G 研究目前的讨论中，太赫兹频段被密切关注。相较于微波通信,太赫兹通信的容量有了极大的提升,它可以提供高达 10Gb/s 的通信速率。另外太赫兹波具有更好的方向性、更高的分辨率、保密性和抗干扰能力更高以及相对较短的波长所带来的天线尺寸更小和其他电路更加简单紧凑等优势。随着工艺的提升，AoC 在太赫兹方面可能是一个比较好的应用。7.3.3 AoD 屏上天线(AoD,Antenna on Display)，是一种将天线与显示屏集成在一起的一种较新的天线技术，目前 5G 毫米波终端已有部分厂家尝试引入。随着触摸屏取代物理键盘作为主要的手持终端输入方式，尤其是随着近年来全面屏手机的普及，留给传统天线的可用空间越来越小，而屏幕越来越大，此时，考虑将天线与屏幕集成在一起不失为一种好的解决方法。87 图 7-4 手持终端屏上天线概念图 图 7-4 是一种手持终端 AoD 的概念图。针对 AoD，最大的挑战和技术难点在于如何实现光学隐身技术，即肉眼不可见，这一点类似于传统的触摸屏传感器。7.3.4 系统设计影响系统设计影响 目前在系统设计中，对于终端的天线假设还是以全向天线或者简单的阵列天线，随着终端各种新型的天线结构引入，终端的天线规模也会实现数量级的增长，且部署方式也可以更加灵活。考虑终端的接收和发送的特殊性，在未来的系统设计中，需要把这种灵活部署考虑进去，如上行码本设计需要考虑终端天线的分布情况，设计出适合的码本，上行多波束（或多面板）的方案也与终端天线的结构和部署情况有关。此外，灵活且数量较大的终端天线部署方式，也为解决 MPE（最大辐射暴露）的问题提供了新的思路。7.4 平面透射表面相控阵平面透射表面相控阵 7.4.1 天线规模扩展瓶颈天线规模扩展瓶颈 无论是低频还是高频，子阵结构的大规模天线为了控制功耗在垂直方向都采用的是 1 驱 N的结构。鉴于典型基站天线 120的波束宽度，大规模天线在水平方向上的扫描覆盖范围约为60，在垂直方向上的扫描覆盖范围则约为15。垂直方向上的扫描覆盖范围受限于阵列垂直方向的架构。对于未来 6G 通信，为了获得更高的通信速率，天线阵列的规模势必会进一步增加。在现有架构的基础上有两种直接扩展阵列规模的方式。其中一种方式是增加子阵数目，子阵数目的增加既可以通过增加射频链路数实现，也可以通过增加子阵中移相器的数目实现。但是这种实现方式会使阵列的功耗成倍增加，不能获得较优的能量效率。第二种直接扩展阵列规模的方式是增加子阵所包含的天线数目。然而这种扩展方式会加剧波束在垂直方向扫描时的栅瓣问题。例如，当低频天线阵列在垂直方向上由 1 驱 3 的结构扩展成 1 驱 6 的结构的情况下，其辐射波束在垂直方向上扫描到 7时，会在-7的方向上出现一个栅瓣，如图 7-5 所示。栅瓣会在通信中引入干扰，还会使主瓣方向的天线增益下降；而子阵在垂直方向上包含的天线数目越多，88 出现栅瓣的垂直扫描角度越小。因此，增加子阵所包含天线数目的阵列扩展会使阵列在垂直方向上的扫描范围缩小，无法满足 6G 通信 3D 覆盖的需求。综上所示，未来 6G 超大规模天线阵列需要考虑新的天线架构。图 7-5 垂直1驱6结构当辐射波束在垂直方向上扫描到7时的辐射方向图 7.4.2 平面透射表面相控阵平面透射表面相控阵 平面透射表面相控阵是一种超大规模天线阵列结构的实现形式。图 7-6 给出了该结构的示意图，其主要包含了平面透射表面和全数字相控阵两个部分。其中，平面透射表面由若干个Nb比特可调相位的单元构成，该表面主要通过波束赋形，对基站发射能量进行区域优化分配；而与平面透射表面平行放置的全数字相控阵则用来对不同流的数字信号进行预编码，以减弱用户之间的干扰。图 7-6 平面透射表面相控阵的结构示意图 平面透射表面相控阵结构可以改善 7.4.1 节提及的基于现有架构直接扩展阵列规模方式出89 现的问题。针对通过增加子阵所包含天线数目的扩展方式所带来的垂直扫描范围缩小的问题，平面透射表面相控阵结构可以避免辐射波束在垂直方向上出现栅瓣，从而实现垂直方向上的大角度扫描。例如，当设置仿真参数如下：平面透射表面的尺寸大小为 21 单元21 单元，每个单元可调相位的比特数 Nb=3；全数字相控阵的尺寸大小为 4 单元4 单元，阵列单元间距为 0.5 波长；平面透射表面与全数字相控阵之间的间距为 10 波长。该结构所辐射的波束在垂直方向上扫描到40时，没有出现栅瓣，二维辐射方向图如图 7-7 所示。图 7-7 平面透射表面相控阵结构辐射波束二维辐射方向图(a)=40;(b)=-40 另外，平面透射表面是一种被动器件，可以通过电压控制开关器件的通断来实现单元透射相位的调节，然后通过调控平面透射表面的幅相分布实现远大于全数字馈源相控阵口径的波束成形，在不使用有源放大器的情况下提高辐射波束的增益。7.4.1 节提及的增加子阵数目的扩展方式包括增加射频链路数和增加移相器两种方式，从表 3-2 的毫米波射频部件功耗参考值中可以看出，开关的典型功耗仅为移相器典型功耗 1/6，射频链路功耗的 1/50。因此与通过增加子阵数目的扩展方式相比，通过平面透射表面构成超大规模天线阵列可以大幅度地降低功耗，提高超大规模天线阵列的能量效率。7.4.3 基于平面透射表面相控阵的超大规模基于平面透射表面相控阵的超大规模 MIMO 方案方案 本小节给出了将平面透射表面相控阵用于超大规模 MIMO 的一种实施方案。其基本步骤如图 7-8 所示。该方案是基于基站已经获知用户位置和系统工作在 TDD 频段这两个假设条件下设计的。90 图 7-8 基于平面透射表面相控阵MIMO方案的基本步骤 在基于平面透射表面相控阵的超大规模 MIMO 方案中，第一步是进行宽波束扫描，获知用户位置。在宽波束扫描过程中，全数字相控阵的天线端口等幅同相馈电，通过改变平面透射表面的相位分布实现宽波束扫描。图 7-9 表示了一种扫描方式，在一个时刻波束在某个垂直平面内覆盖一个扇区 120的区域范围，不同时刻扫描覆盖不同的垂直平面。图 7-9(a)至图 7-9(f)分别覆盖 07、713、1317、1723、2327、2733的垂直角度范围内的垂直平面。同样也可以覆盖负垂直角度范围内的垂直平面区域，这里不再赘述。图 7-9 一种平面透射表面相控阵宽波束扫描方式波束辐射方向图 91 该通信方案的第二步，再根据用户的位置分布确定波束辐射区域。图 7-10 表示了三种用户位置的分布情况，图 7-10(a)表示用户集中分布在垂直角度=-9、水平角度=0空间区域附近，图 7-10(b)表示用户集中分布在垂直角度=-9、水平角度=0和垂直角度=-9、水平角度=-55空间区域附近，图 7-10(c)则表示用户集中分布在垂直角度=-9、水平角度=0和垂直角度=20、水平角度=-50空间区域附近。上述空间分布所需的波束辐射区域分布如图 7-11 所示。图 7-10 三种用户位置分布情况 图 7-11 图 7-10所示的用户分布所需的波束辐射区域 第三步再根据所需的波束辐射区域，通过如下公式确定平面透射表面的相位分布 P（dx_TA,dy_TA），(_,_)=A(22 2 2 2sincos 2sincos)其中 dx_TA，dy_TA表示平面透射表面单元位置；D 表示平面透射表面和全数字相控阵之间的距离，i，i表示所需波束覆盖区域的空间位置，A 表示求角度运算。在前三步中，保持全数字相控阵的端口等幅同相辐射，确定平面透射表面的相位分布；并在后续步骤中保持该相位分布，通过用户的上行信道，在基站侧进行信道状态测量；最后根据由信道状态测量得到的信道状态矩阵，得到预编码矩阵，进行下行通信。7.4.4 平面透射表面相控阵性能分析平面透射表面相控阵性能分析 平面透射表面相控阵由包含少量有源天线的相控阵馈源和由大量无源调相单元构成的透射表面组成。假设无源调相单元是半波长单元，那么与相同口径的全数字相控阵相比，用透射表面代替大规模有源阵列获得较高波束增益，可以有效减少射频通道数，降低功耗。但是，另92 一方面，透射表面对相控阵馈源所产生的不同流信号不能实现完全独立的调控；因此在频谱效率性能上，能够实现不同流信号完全独立调控的全数字相控阵架构、全连接相控阵架构系统的频谱效率性能是平面透射表面相控阵架构频谱效率性能的上限。在超大规模 MIMO 系统中，系统能量效率是重要的性能指标，综合考虑了运营效率和运营成本，其定义已在 2.3 节中给出。这里我们考虑毫米波信道的稀疏性，建立 Saleh-Valenzuela 模型来分析平面透射表面相控阵系统的能量效率=1=1(,)H(,)其中 L 是信道有效路径数，hl是包含路损信息的系数，(,)、(,)分别是系统发射端的阵列响应矢量、接收端的阵列响应矢量。在系统频谱效率方面，通过信道矩阵 H 的 SVD 分解和注水算法能够得到系统发射端最优预编码矩阵 Fopt和系统频谱效率上限。对于平面透射表面相控阵，其发射端预编码矩阵 FTA由平面透射表面调控矩阵 D、馈源到平面透射表面传播矩阵 T 以及基带预编码矩阵 B 组成；FTA=DMMTMNBNN，其中传播矩阵 T 由馈源、透射表面位置以及馈源天线方向图确定，再通过平面透射表面调控矩阵 D 和基带预编码矩阵 B 的联合优化，使 FTA接近 Fopt，从而获得较优的系统频谱效率。在联合优化中，首先平面透射表面调控矩阵 D 通过信道信息选择 N 条最优径，并选择 n（nM）个透射单元将波束辐射到第 l（l=1,2,3，,N）径的路径方向；然后将信道从透射表面延伸到馈源端口，获得新信道矩阵 Hnew=HDT，进而确定基带预编码矩阵 B。根据发射端与编码矩阵，系统频谱效率为 maximize=log2(| 2HH|)Subject:2 1 在功耗方面，全数字相控阵主要包含基带功耗 Pbb、射频链路功耗 Prfc。当功放效率为时，包含 M 个发射天线的全数字相控阵的功耗为 FD=bb rfc tx/pa而在相同口径的平面透射表面相控阵功耗分析中，射频通道数远小于 M；另外还需要考虑与平面透射表面透射率、口径效率有关的辐射效率，以及可调单元的控制电路功耗。当馈源相控阵包含 N 个射频通道时，平面透射表面相控阵架构的功耗为 TA=bb rfc tx/(pa) c图 7-12、图 7-13 分别给出了在表 7-1 所示参数设置下，不同发射天线数目的平面透射表面相控阵的频谱效率、功耗以及能量效率，并与相同口径的全数字相控阵进行了比较。93 图 7-12 平面透射表面相控阵频谱效率和功耗性能分析 图 7-13 平面透射表面相控阵能量效率分析 表 7-1 平面透射表面性能分析计算参数6061 参数 L N Ptx W Pbb Prfc Pc pata值 8 4 0.5W 100MHz 200mW 120mW 5mW 0.3-6.5dB从计算分析结果中，我们可以看出在相同天线口径的情况下，由于平面透射表面单元对不同流信号的调控并非完全独立，因此其频谱效率低于全数字相控阵。而且信道越稀疏、联合优化算法优化效果越好，平面透射表面相控阵的频谱效率可以越接近全数字相控阵的频谱效率。而在功耗上，当阵列单元数达到 1000 或者更多时，平面透射表面相控阵的功耗明显低于全数字相控阵，从而有较优的能量效率性能。因此，对于具有信道稀疏性的通信系统以及上千规模的阵列，平面透射表面相控阵可以有效地提高系统能量效率。94 7.5 稀疏化阵列天线架构稀疏化阵列天线架构 超大规模 MIMO 系统期望将规模扩展到上千单元以便通过提升波束空间分辨能力和波束增益来进一步增强多用户 MIMO 能力、提高无线通信系统的频谱效率。但是，如果不改变天线架构，仅仅通过增加通道数来实现超大规模 MIMO 系统的话，上千射频通道对超大规模系统的成本和功耗提出了巨大的挑战。在功耗方面，基站的功耗主要由负责处理信号编解码的基带单元的计算功耗和负责执行基带信号与无线信号转换的射频有源天线单元的传输功耗组成。大规模 MIMO(例如 64T64R)的基站的功耗主要来源于射频有源天线单元，而其功耗大幅度增加的原因在于射频通道数的成倍增加。而在保证无栅瓣扫描性能不恶化的情况下，上千单元的超大规模阵列所需的射频通道数至少是 64T64R 的 10 倍，那么在功放效率没有提升的前提下其功耗将高达几万瓦。这个数量级的功耗是未来基站不能承受的。虽然也可以通过应用新工艺、新数字预失真算法来提升功放的效率，但是大幅度功放效率的提升需要长期的研究和突破。因此，对于超大规模 MIMO系统来说，堆叠射频通道的方案对其在功耗方面提出了巨大的挑战，需要应用新天线架构来减轻超大规模 MIMO 系统功耗压力。在成本方面，基站典型射频通道包含巴伦匹配结构、滤波器、低噪放、功放、开关、环形器等，每个器件具体成本分布如图 7-14 所示。若依然采用通道堆叠的方式，下一代超大规模MIMO 系统在通道堆叠到 1024 个时，成本就会高达上万美元，高成本问题也不容忽略。图 7-14 典型射频通道成本分布 由此看来，无论是从功耗还是从成本方面看，超大规模 MIMO 系统需要在尽量不增加甚至减少通道数的情况下，通过前端天线架构的优化来达到波束空间分辨能力以及增益提升的效果。7.5.1 稀疏阵列架构稀疏阵列架构 天线阵列的波束增益主要是由阵列口径尺寸决定。对于当前基站采用的均匀间隔阵列来说，只有满足相邻阵元间距不大于半波长，才能保证在可视区内不出现栅瓣。因此，超大规模MIMO 系统在均匀天线阵列的架构下，需要成倍增加天线及其相关的射频通道来同时保证波束增益和扫描性能，从而正如上节所述会给上千单元超大规模 MIMO 系统带来巨大的成本和功耗压力。稀疏阵列6263是在保证阵列口径的情况下，从均匀间隔满阵中通过优化算法选择稀疏掉部分阵元，其结构示意图如图 7-15 所示。和传统间隔不超过半波长的均匀阵列相比，稀疏阵列架构使用较少的天线阵元数和射频通道数，显而易见可以有效降低天馈系统成本和功耗。而95 接下来，我们将通过分析在上千单元超大规模 MIMO 中应用稀疏阵列方案对波束辐射扫描性能的影响来探讨其可行性。图 7-15 稀疏阵列的结构示意图 图 7-16 给出了在保证阵元间距不小于半波长以及阵列口径为 1616 的情况下，对以半波长单元间距均匀排布的 1024 单元阵列进行不同程度稀疏化后的稀疏阵列波束辐射图，波束主瓣指向(30，0)方向。有效辐射单元的位置选择以最小化旁瓣电平为目标，通过使用遗传算法(Genetic Algorithm,GA)64来实现。从图 7-16 的计算结果中可以看出，不同有效辐射单元数的稀疏阵列在阵列口径均为 1616 时，辐射主瓣的 3dB 波束宽度均为 3.2；从而说明只要保证口径尺寸，对阵列的稀疏化处理并不影响辐射波束的空间分辨率。另一方面，36 单元、64 单元、256 单元稀疏阵列辐射波束的旁瓣抑制比分别为-8.6dB、-11.8dB 和-16dB，如图 7-16所示；因此稀疏阵列所使用的有效辐射单元数越多，更有利于获得更小的旁瓣干扰。图 7-16 不同程度稀疏化后的稀疏阵列的法向波束辐射图 96 而以 256 有效辐射单元的稀疏阵列为例，在用稀疏阵列实现波束扫描时，仍可保持较好旁瓣抑制性能，如图 7-17 所示。(a)(b)图 7-17 256单元稀疏阵列(a)俯仰角扫描(方位角为0度)；(b)方位角扫描(俯仰角为60度)综上所述，在超大规模 MIMO 系统中，可以采用稀疏阵列的架构仅用不到 50%的有效辐射阵元来实现高增益、高空间分辨率的波束辐射和扫描。在稀疏阵列架构中，我们还可以利用缺省单元的位置进行相关降低风载荷的结构设计。另外，在稀疏阵架构的有效辐射阵元射频输入端还可以通过使用开关结构来控制对应射频通道的通断；在通信环境对波束旁瓣抑制性能要求较低时，还可以选择关闭部分有效辐射阵元的射频通道来进一步降低系统功耗。7.5.2 稀布阵列架构稀布阵列架构 和稀疏阵列相比，稀布阵不限阵元位置，更具灵活性。稀布阵技术在雷达与卫星通信系统、感知与成像、射电天文中已有广泛应用，包括 ESA 欧洲航空局研制的多波束通信卫星、美国研制的 Pave Paws 铺路爪长程预警雷达、Cobra Dane 眼镜蛇雷达、TechSat21 空基雷达、合成孔径雷达 SAR 等，以及 SKA 巨型平方千米阵射电望远镜等。天线方向图综合是稀布阵设计的核心关键。为了获得与原均匀阵相当的性能，稀布阵天线综合需要在给定阵列尺寸、最小阵元间距等诸多约束条件下，对天线阵元的位置、激励幅度等目标参数进行优化设计。由此可见，稀布阵天线综合是一个多变量的非线性优化问题。业界针对稀布阵天线综合算法的有效性开展了广泛的研究，目前应用于稀布阵天线综合的算法主要有：智能化优化算法，包括遗传算法 GA65、PSO 算法66、差分算法(Differential Evolution，DE)67等，该类算法可在较小天线规模阵列中应用，而对于大规模天线阵列，其算法的复杂度显著增加。FFT68、矩阵束(Matrix Pencil Method,MPM)69、前后向矩阵束(Forward-Backward MPM,FBMPM)70等算法有效提升了计算效率，使得大规模天线阵列的稀布综合成为可能，但这类算法大多需要目标优化天线数作为先验信息，无法获取最优天线数。压缩感知类算法，例如基于凸优化(Convex Optimization,CO)7172的算法等，可同时优97 化阵元分布和阵元激励幅度，同时灵活处理最小阵间距等约束条件，具有较高的自由度。考虑移动通信环境下用户分布不确定性和移动特性，文献73提出了一种联合凸优化(Joint Convex Optimization,JCO)的稀布综合理论模型，有效抑制天线阵列扫描产生的旁瓣/栅瓣引入的干扰。7.5.2.1 性能评估性能评估 大多数天线综合优化算法存在计算速度慢，实现较复杂等问题，且通常需要期望的稀布阵的天线数作为先验信息，无法实现天线阵元数最小化。CO 算法是一项可同时优化阵元位置和激励幅度的天线综合优化算法，通过最小化稀布阵方向图与均匀阵方向图的误差，该算法可获得最优的天线阵元数，具有计算效率高、易于实现的特点。但在移动通信环境中，用户分布不确定性和移动特性，稀布阵应用时无法避免扫描产生的旁瓣/栅瓣引入的干扰。因此，本节同时考虑了 CO、JCO 两种算法进行稀布阵优化设计，获得了不同规模的稀布阵，分别是 64-UPA、32-UPA、CO-based 32-SPA、JCO-based 32-SPA，并针对上述阵列开展了链路级、系统级性能评估。1)链路级性能评估稀布阵天线综合过程中，天线阵列的方向图构建是基础。仿真过程选取的目标参考方向图由均匀平面阵生成，其中各天线阵元的激励幅度均为 1，且该参考方向图的主波束指向阵轴方向。不同阵列的阵元位置分布如图 7-18 所示。（a）64-UPA（b）CO-based 32-SP（c）JCO-based 32-SPA图 7-18 均匀阵和稀布阵的阵元位置 可以看出，稀布阵中部分天线阵元的阵列间超过半波长，这有利于减轻阵列天线之间的互耦效应。此外，稀布阵整体的阵元位置分布呈现中心对称特性，因此在实际天线阵列设计中，可考虑参考部分方向图进行优化，简化阵列优化设计算法实现复杂度。64-UPA、32-UPA、CO-based 32-SPA、JCO-based 32-SPA 阵列在方向上不同扫描角度下（1=0,2=20,3=40）的归一化辐射方向图如图 7-19 所示。98（a）1=0（b）2=20（c）3=40图 7-19 不同扫描角度下，均匀阵、稀布阵归一化方向图特性 可以看出，当扫描角度为 0时，CO-based 32-SPA、JCO-based 32-SPA 与 64-UPA 归一化方向图几乎重合。随着扫描角度逐渐增大，稀布阵出现部分旁瓣电平抬升，CO-based 32-SPA甚至出现了栅瓣。与 7.5.1 节稀疏阵列的仿真具有相似的结论。表 7-2 进一步分析了不同扫描角度下上述阵列的 3dB 波束宽度、最大副瓣电平(Max Side Lobe Level,MSLL)。当扫描角度为 0时，CO-based 32-SPA、JCO-based 32-SPA 的 3dB 波束宽度、MSLL 与 64-UPA 近乎一致。而当扫描角度逐渐增大，相比于 64-UPA，CO-based 32-SPA的 3dB 波束宽度虽然无明显展宽，但存在部分副瓣电平升高。特别是3=40情况下，CO-based32-SPA 的 MSLL 高达-2.21dB。而对于 CO-based 32-SPA，由于考虑了多个参考方向图联合优化，具有较好的栅瓣抑制能力，JCO-based 32-SPA 的 MSLL 仅为-8.83 dB，与 64-UPA 接近。表 7-2 不同阵列的3dB波束宽度、最大副瓣电平 平面阵平面阵 3dB 波束宽度（）波束宽度（）最大副瓣电平（最大副瓣电平（dB）1=02=203=401=02=203=4064-UPA6.30 6.37 8.10-13.48-12.28-10.8332-UPA12.54 13.20 15.33-14.05-11.71-9.31CO-based 32-SPA 7.63 8.09 9.71-11.92-10.47-2.21JCO-based 32-SPA 6.16 6.22 7.85-12.19-10.97-8.83系统级仿真过程所涉及的基站将分别装配 64-UPA、32-UPA、CO-based 32-SPA、JCO-based 32-SPA 天线阵列进行性能对比分析。2)系统级性能评估系统级性能评估基于 TDD 移动通信系统以及宏蜂窝 UMa 应用场景展开，并根据 3GPP TR38.90174构建信道模型。系统带宽为 100 MHz，载频为 2.4 GHz。网络拓扑采用蜂窝六边形结构，每个蜂窝结构的中心为宏基站，分别覆盖当前蜂窝结构内的三个扇区。终端用户在每个扇区内随机分布且具有一定移动性。基站天线配置中，每个阵元连接一套射频收发链路。为保证99 功率公平，所有仿真中，对于配置不同天线阵列的基站，其发射总功率保持相同。图 7-20 给出 64-UPA、32-UPA、CO-based 32-SPA、JCO-based 32-SPA 四种阵列应用系统的 CDF 曲线图。可以观察到，相比于 64-UPA 应用系统，其他三种应用系统均存在一定性能损失，但 JCO-based 32-SPA 应用系统的性能与 64-UPA 应用系统最为相近。表 7-3 给出四种阵列应用系统的小区平均吞吐量和小区边缘用户吞吐量。当天线阵元数稀疏至 50%，JCO-based 32-SPA 系统的小区平均吞吐量与 64-UPA 系统性能非常接近，同时相比于 32-UPA 系统具有 5.12%的性能增益，相比于 CO-based 32-SPA 系统具有 8.68%的性能增益。值得注意的是，此时 JCO-based 32-SPA 的稀疏度高达 50%，大幅降低了天线数以及射频通道数。图 7-20 64-UPA/32-UPA/CO-based/JCO-based 32-SPA阵列系统性能 表 7-3 不同阵列应用系统的小区平均吞吐量、小区边缘用户吞吐量 平面阵平面阵 稀疏度稀疏度 小区平均小区平均 吞吐量吞吐量 小区边缘用户吞吐量小区边缘用户吞吐量 64-UPA-1291.48 Mbps71.09 Mbps 32-UPA-1167.09 Mbps53.06 Mbps CO-base 32-SPA 50.0028.79 Mbps48.87 Mbps JCO-based 32-SPA 50.0026.80 Mbps59.29 Mbps 7.5.2.2 稀布阵基于码本的传输方案设计稀布阵基于码本的传输方案设计 基于码本的下行传输是实际应用中常见的技术手段。现有标准仅支持特定天线数的均匀阵预编码码本，但对于阵列分布与阵列数量非规则性的稀布阵，对其 CSI 反馈码本进行单独设计和标准化难度大。针对该问题，需要 PMI 信息反馈方面进行设计。通过基站与终端对位图信息的处理，可实现不同规格稀布阵对现有标准定义的预编码码本的复用，推动其实现面向实际应用的基于码本的传输。根据位图信息的配置方式，可分为基站配置与终端配置两类。100 1）基站配置位图基站根据稀布阵的天线排布方式确定位图信息，包括位图信息长度和各比特位配置。位图中每个比特位与天线位置/码本信息形成映射，指示当前位置的天线是否被激活，以及码本中是否包含该天线位置对应的信息。基站将其配置信息发送给终端，终端获取位图信息后，对现有均匀阵码本预处理，获得适配稀布阵的码本。基于适配稀布阵的码本，终端根据一定准则（例如容量最大化）获取 PMI 信息，并进行上报。基站参考反馈的 PMI 信息，基于适配稀布阵的码本选取预编码向量，对 DMRS 和数据信息预编码后发送，实现稀布阵的基于码本的传输。2）终端配置位图基站通过稀布阵有限的天线数发送 CSI-RS 信息。终端根据 CSI-RS 信息，进行下行信道估计，计算下行信道矩阵观测量。终端根据信道矩阵观测量，构建若干个候选的位图。对于每一个位图，分别构建适配稀布阵的码本，并遍历计算每个位图对应的预编码向量。由此，终端可获得每个位图对应 PMI 信息。根据一定准则（例如容量最大化），终端选取最终上报的位图和 PMI 信息。基站参考反馈的位图信息和 PMI 信息，构建适配稀布阵的码本并选取预编码向量，对 DMRS 和数据信息进行预编码后发送。通过位图信息配置，使得稀布阵可复用现有标准定义的均匀阵的码本，在基于码本传输时可达到与均匀阵方向图相当的波束指向，有效提升超大规模 MIMO 应用稀布阵的系统性能。7.6 小结小结 超大规模 MIMO 系统期望将规模扩展到上千单元以便通过提升波束空间分辨能力和波束增益来进一步增强多用户 MIMO 能力、提高无线通信系统的频谱效率。仅仅通过增加通道数来实现超大规模 MIMO 系统的话，上千射频通道对超大规模系统的成本和功耗提出了巨大的挑战。本章从应用新型材料、新构造方式和阵列优化等几个方面展开研究。智能超表面和平面透射阵列相控阵可有效降低功耗，但同时也带来了波束管理和信道状态信息获取上的技术挑战。稀疏化阵列技术通过对阵列的优化设计，减少天线单元数的同时实现高增益、高空间分辨率的波束辐射和扫描。8 第八章第八章 低功耗超大规模低功耗超大规模 MIMO 8.1 超大规模超大规模 MIMOMIMO 的低功耗需求的低功耗需求 随着移动通信系统工作频段的持续攀升，路径损耗将逐步增大，单站覆盖面积将相应降低，这使得相同覆盖面积需要更多的基站来保证网络的覆盖与传输性能，从而导致网络整体的能耗增加，不利于我国实现“双碳”目标。目前网络环境中，基站的能耗约占总能耗的 70%。随着大规模天线的引入，有源天线部分（AAU,Active Antenna Unit）能耗在基站设备总能耗占比约 90%，因此，提高 AAU 能效是节约网络能耗最直接的手段。AAU 的功耗按照功能模块可以分为功放（PA,Power Amplifier）、小信号、数字中频和电源功耗75，如图 8-1 所示。101 图 8-1 AAU能耗示意图 数字中频和小信号的能耗主要受到天线通道数的影响，在网络负载较低时对总能耗的影响较大；而当网络负载较高时，来自功放的能耗占据了主导地位。由于影响 AAU 功耗的功放和收发机（TRX,Transceiver）芯片的数量与端口数呈线性关系，端口数和负载是影响总功耗的主要因素。一方面，端口数越多，所需 PA 和 TRX 芯片数越多，小信号以及中频相应的功耗也越大；另一方面，网络负载越高，AAU 的发射功率越大，就需要 PA 输出更大的功率，网络整体的功耗随之升高76。为了降低 6G 网络能耗，主要可以从如下几个角度考虑：（1）技术层面上，降低基站设备能耗。从多个维度上采用技术手段实现基站通道和端口的高效关断，降低功放能耗以及中频空载消耗，同时利用新技术对由此造成的性能损失做出弥补。（2）制作工艺上，提升基础器件能效。借助新的制作工艺和新的材料可以有效提升芯片、功放的基础能效。如通过采用 7 nm 新型芯片工艺，对通信芯片进行升；采用氮化镓材料等新材料代替原有的设备材料用于功放，在保证功放效率的同时，实现节能效果；采用高导热材料对 AAU 的涉及进行技术创新等。（3）网络管理上，优化网络资源分配。依托于分布式等新型网络架构，优化网络控制策略，借助 AI 等方式，采用最优的全局化资源分配策略，实现网络的高效管理和优化，从整体上降低网络能耗。在 6G 网络中，随着工作频段的进一步升高和天线规模的进一步扩大，由 AAU 带来的网络能耗还将进一步提高，给运营成本和自然环境带来巨大的负面影响。作为影响 AAU 功耗的重要因素，低功耗超大规模 MIMO 技术将对 6G 产业化发展和商用部署有着至关重要的作用。8.2 关键节能技术研究和应用分析关键节能技术研究和应用分析 为降低超大规模 MIMO 功耗，一方面，需要依赖于设备器件的升级演进，采用更加高效的新架构、新材料，探索高效率功放、高集成器件的设计与应用，实现整机功耗的降低；另一方面，需依赖于节能技术的研究与应用，包括空、时、频域的灵活关断技术，深度休眠技术等，并探索相关关断技术的性能与应用场景，同时考虑将节能技术与人工智能相结合，实现智能化的网络节能手段。58!%5%满载37%4%50%负载154%5%空载功放小信号中频电源102 本节主要探究空、时、频、功率域的节能技术方案，从多维度挖掘网络节能潜力。8.2.1 空域节能技术空域节能技术 超大规模 MIMO 技术可以显著提高小区容量和覆盖，但是当小区处于低负载状态时，往往并不需要全部天线处于工作状态，此时直接关闭部分通道或天线面板，是一种直接且有效的网络节能手段77。该方案又称为通道关断，通过关闭部分射频链路，以一定的传输性能为代价，降低基站侧功耗。如图 8-2 所示，当网络侧判断开启节能功能时，在垂直方向关闭一半的天线通道，以牺牲部分垂直自由度为代价，换取能耗的节省。通道关断可以有效降低 AAU 的收发信机、中频 FPGA 和 PA 的功耗，从而降低中低负载网络下的网络能耗。图 8-2 通道关断示意图 通道关断是降低超大规模 MIMO 网络能耗最有效最直接的技术手段，在现有网络中已有一定的应用。为了使该技术在 6G 时代进一步广泛应用，应从以下角度进行深入研究。（1）性能分析。根据部分网络的外场测试结果，通过关断一半水平通道的方式，在负载为 50%的情况下，能耗有较大幅度下降；随着负载强度的降低，这一节能效果逐渐减弱。关断通道的方式对于中低负载网络是十分有效的手段，尤其对于中负载情况，可以极大地降低系统能耗。（2）关断控制通道关断可采用静态或动态的方式实现。其中，静态方式主要依托于网管的静态配置，不能灵活适配当前网络的业务状态，在节能性能和网络性能上稍显不足，但是其优势在于实现简单，可作为通道关断方案的初期实现方式。动态方式指基于用户级的覆盖及容量需求，根据当前网络业务状态，实现动态的通道开/关调整。动态方式可作为通道关断的演进方向，也可考虑与人工智能结合，实现智能的关断控制，在保证网络覆盖、容量等性能的前提下，尽可能的降低网络能耗。（3）天线端口当对通道进行关断处理后，由于天线端口发生变化，对无线信道造成影响，因此需要及时反馈信道环境变化以及对网络性能的变化给基站，以便基站更快做出应答，采用更加合适天线关断方式，将对系统性能的影响降低到最小。同时也需要新的高效机制及时对上行参考信号等系统信息重新配置，以免对系统运行造成影响。（4）结构设计为了实现更加灵活的动态通道关断，也对超大规模 MIMO 的硬件设计有了更高的要求。103 现有的大规模天线往往只可以实现水平/垂直/某个极化方向上一半通道的关断，但是随着对灵活动态关断的需求增加，对超大规模 MIMO 的控制设计也有了新的要求，需要实现对每个天线振子的具体控制，以使得天线关断对性能的影响最小。同时，也应采用新的制作工艺，降低关断天线关断所需时间，将对终端接入和业务的影响降低到最小。（5）潜在问题对于中低负载情形，根据现网测试结果，通道关断也会导致小区吞吐量的降低，对小区的覆盖存在一定的负面影响。而对于高负载场景这一问题将更加突出，以至于并不适用。故需要同时采用其他相关技术，如波束赋形，更低颗粒度的天线阵子关断控制等，来弥补由于通道关断带来的性能损失。8.2.2 时域节能技术时域节能技术（1）符号关断技术以子帧/时隙/符号为时间单位，灵活关断天线端口，是降低网络能耗和实现复杂度的有效手段。目前所能达到的最低时域天线关断颗粒度为符号级，即在部分不用于传输的符号上关断功放，以达到节能的目的77。为了提高符号关断的节能效果，可以调整部分时延不敏感数据的传输资源，以最大限度的保证在连续若干符号上不需要进行数据传输。符号关断会影响基带单元（BBU，Baseband Unit）的媒体接入控制（MAC,Medium Access Control）层调度和 AAU的功放控制。（3）更灵活的基站唤醒机制对于部分热点小区，其业务量呈现明显的时间相关特性，即某些时段业务量密集，某些时段业务量稀疏。当小区业务量稀疏时，可考虑通过休眠，彻底关闭 AAU 功放、射频及数字模块，以降低基站功耗。对于功放的关断程度越高，其唤醒时间也就越长。为了更有效的执行关断、休眠技术，可能还需要用户提供一定的辅助信息以便基站进行业务量预测。此外，基站和基站间的信息交互及功率协调，也可以有效减少在执行关断、休眠后对网络性能的影响。当然，也可以考虑引入基站侧的非连续接收（DRX，Discontinuous Reception）机制，通过用户的上行传输触发基站的休眠和唤醒，进而实现高效的小区休眠机制，以期达到网络节能的目的78。另外，在 6G 网络中，分布式部署的超大规模 MIMO 将有更加广泛的应用，可考虑将唤醒机制与分布式超大规模 MIMO 部署结合，仅唤醒终端邻近的天线进行服务，降低网络整体能耗。8.2.3 功率域节能技术功率域节能技术 众所周知，基站侧 PA 功耗占比最大，当满载时，几乎达到 50w。提高超大规模 MIMO功率放大器的效率，减少功率损耗，是网络节能最直接最有效的手段。目前，常见的提高 PA效率的方法主要包括包络跟踪（ET,Envelop Tracking）和数字预失真（DPD,Digital Pre-distortion）两种。包络跟踪 ET 的原理如图 8-3 所示，实现了一种放大器跟踪和利用信号幅度包络的系统。包络跟踪系统将获取功率放大器输入处出现的包络，然后以此为基准来驱动电源，为射频功率放大器提供线路电压，使其尽可能工作在压缩区。ET 系统通过实时改变供电电压，以满足 PA供电电压的需求。当 PA 的静态工作点随输入信号的变化而调整时，可以有效地提高 PA 的工作效率。研究表明，采用 ET 技术可以使 PA 功率放大器的平均效率提高 50%以上，功率放大104 器损耗降低约 2/3。图 8-3 包络跟踪原理示意图 数字预失真 DPD 是当前比较成熟有效的功放线性化技术之一，如图 8-4 所示。该技术在基带上增加了一个扩展的非线性放大区，进而对基站侧的射频功率放大器的压缩特性做出补偿79。图 8-4 数字预失真原理示意图 此外，通过灵活的基站发射功率调整也可以有效降低超大规模 MIMO 的能耗。基于现有协议和设备实现，调整天线发射功率往往需要重新配置网络参数，操作不便。在超大规模 MIMO设计时，可优化天线设计架构和相关功率调整机制，以便网络能够快速地进行功率调整。此外，可以根据终端的实际情况，动态调整功率谱密度，从而达到节能的目的。8.2.4 频域节能技术频域节能技术 频域的节能技术可以大致分为两类，一类是针对单载波的情况，可以通过灵活的带宽调节实现网络节能；另一类是针对多载波的情况，可以通过多载波间协调，以减少部分公共信号传输，从而降低网络能耗。对于单载波情况，超大规模 MIMO 可能工作在更高的频段，适用更大的带宽，必然带来更高的网络能耗。在实际网络中，为用户分配的工作带宽（BWP，Bandwidth Part）往往高于用户实际所需的带宽。通过对 BWP 的高效调整，例如可以通过为用户同时分配多个备选 BWP资源，再根据实际业务需要选择合适的 BWP，从而有效降低网络能耗。对于多载波情况，多载波之间的协调对于网络节能有重要作用。多载波情况已经成为网络105 部署的典型案例，可有效提升整体的网络容量。在 6G 时代，频谱资源有限，载波间和载波内的频率聚合将更加普遍。以载波间聚合为例，可以通过引入参考载波的概念实现多载波协调。基站在参考载波上，传递用户用于随机接入的公共信号以及目标载波的相关信息，用户只需检测参考载波上的数据，即可实现灵活的工作载波随机接入过程。由此，多个用户可共用同一个参考载波，各自的工作载波上无需再发送用于随机接入的公共信号，从而实现网络节能。8.2.5 其它节能技术其它节能技术（1）低精度 ADC/DAC在大规模天线的研究中，已有低精度模数转换器（ADC,Analog-to-Digital Converter）/数模转换器（DAC，Digital-to-Analog Converter）的相关研究工作80。通过采用混合精度 ADC 架构系统调整高/低精度 ADC 的比例并选择合适的空间相关系数，系统可以获得更好的频谱效率和相对较高的能量效率：高精度 ADC 可以带来更高的频谱效率和系统性能并弥补一定的硬件损耗；低精度的 ADC 则可以显著提高能效性能。随着大规模天线向超大规模 MIMO 演进，如果射频通道数可进一步增加，则可考虑采用一定比例的低精度 ADC/DAC，有可能达到在性能和能耗之间的获得较好的折中。（2）利用辅助信息节能除了从物理层技术以及制作工艺上实现低功耗超大规模 MIMO 外，充分利用终端或其他小区的辅助信息实现灵活高效的功率调节也是超大规模 MIMO 节能的重要手段。这些辅助信息可以包括：更合适的 SSB 配置、半静态上行传输指示、网络负载相关信息、用户的位置和移动性信息等。（3）与 AI 技术结合随着 AI 技术的不断成熟，可以考虑将超大规模 MIMO 技术、节能技术与 AI 技术相结合，从而实现更有效的功率分配、资源调度、节能方案，根据网络实际业务状况，高效、合理的实现网络节能，并在系统性能和能耗方面取得良好的折衷。8.3 小结小结 超大规模 MIMO 技术作为潜在的 6G 关键技术之一，具有良好的技术优势、广阔的应用空间和发展前景。然而，超大规模 MIMO 技术在网络实际部署过程中也面临众多挑战，其关键挑战之一便是能耗及能效问题。面向 6G 网络，需要聚焦时、频、空等多个维度的节能方案，尽可能的降低超大规模 MIMO 系统的能耗，以助力超大规模 MIMO 系统的规模部署。此外，在研究节能方案的同时，也要关注相关方案对用户体验的影响，需要在用户体验和系统能耗之间找到合适、合理的平衡点，以期满足 6G 愿景。106 9 第九章第九章 超大规模超大规模 MIMO 移动性移动性管理管理 9.1 概述概述 在移动通信系统中，移动性管理为移动中的终端提供持续服务的机制，广义的移动性管理针对终端所处的状态:空闲态（IDLE/INACTIVE）或连接态（CONNECTED），而采取不同的管理机制。当终端处于连接态时，移动性管理需要保证当前业务的性能要求和用户体验。虽然 5G系统连接态移动性管理的基本原理与 3G/4G 相同，但 5G 的移动性管理机制更加复杂，这主要是由于引入了毫米波（mmWave）通信和多 RAT 双连接（MR-DC）功能。由于与 FR1 信道相比，毫米波信道有更大的路径损耗，因此通常用波束赋形技术来克服此问题。波束赋形在信道频率响应的变化上相对平坦，但对终端移动更敏感。此外，利用波束训练来对齐发射器和接收器对的发射和接收方向也会带来额外的延迟。MR-DC 的网络架构81允许每个终端同时连接到两个不同的基站：一个连接对应宏站以保证网络覆盖；而另一个连结对应小基站以保证数据速率。因此，MR-DC 在确保终端可以获得5G 高数据速率的同时，还能保证终端在移动场景中与网络持续不断的无线连接。然而，MR-DC 造成小区切换机制需考虑更多不同的移动场景，例如宏站之间，宏站与小基站之间，以及小基站之间互相切换的移动场景，上述这些都对移动性能产生负面影响。在向 6G 迈进之际，移动性管理机制需要从根本上考虑新功能的影响，并解决 5G 设计的不足。从超大规模 MIMO 的观点，考虑分布式天线部署下的可能性，我们设想从下面两个不同的角度来激发与传统移动性管理不同的设计逻辑：分布式超大规模 MIMO 和由于测量间隙（measurement gap）而导致的数据传输中断。9.2 分布式超大规模分布式超大规模 MIMOMIMO 对于同频移动对于同频移动性测量的影响的影响 9.2.1 挑战与机会挑战与机会 分布式超大规模 MIMO 概念通过消除特定传输/接收点（TRP）的服务边界来保证一致的用户体验。理想情况下，服务 TRP 以终端为中心提供服务，这实质上意味着以终端为中心的通信，这与基于小区为中心的通信不同，后者的服务提供是以基站为中心。原则上，传统系统也可以保证服务连续性。为此，终端必须进行定期的 RRM 测量和 CSI测量。在当前系统中，RRM/CSI 测量基于不同的下行参考信号集并行的执行量测。当以基于小区的方式提供服务时，这种设计可以正常工作，就像传统系统一样工作。另一方面，如果我们将分布式 MIMO 操作视为超大规模 MIMO 的集成部分，则启用分布式 MIMO 操作的新假设可能会影响移动性管理的设计。具体说来：CU/DU 分离网络架构：对于分布式的 MIMO 传输，例如以联合传输（jointtransmission）来说，TRP 覆盖范围是重叠的，终端同时由多个 TRP 提供服务。此外，服务 TRP 之间对物理资源的联合调度是可能的。CU/DU 分离是一种可能实现分布式MIMO 传输的网络体系结构。107 同步良好的 TRP 节点：对于分布式 MIMO 下的协调联合传输，服务 TRP 之间的时序误差非常小，从无线资源协调的角度来看是有益的。RRM 测量和 CSI 量测之间的界限更加模糊：无线资源不一定以基于小区的方式进行管理。相反，取决于终端的位置，终端在不同的位置服务的 TRP 各不相同，可能属于一个或多个小区。如表 9-1，传统系统的 RRM 测量是基于对许多可能对应于不同小区的特定参考信号的测量。相反，CSI 测量仅针对服务小区的特定参考信号进行。对于分布式 MIMO操作，CSI 测量可能是从其终端特定的 TRP 集群内所对应的参考信号进行的。从本质上讲，这种测量的方式和功能已经与 RRM 测量很相似了。表 9-1 RRM和CSI的测量/报告比较 密集部署：分布式 MIMO 系统通常被描述为网络侧天线端口总数超过终端端天线端口总数的系统。具体而言，分布式 MIMO 假设 TRP 节点密度高，尽管每个节点都配备了较少数量的天线。与当前系统相比，网络侧天线端口的总数显著增加。这意味着与基于上行的测量相比，基于下行（DL）的测量可能不再具有资源效率的优势。基于密集部署的系统假设，终端的测量活动将显着增加，以充分获得分布式 MIMO 传输的增益。如何简化 RRM 测量和 CSI 测量在 6G 系统设计中更显重要。9.2.2 基于基于终端终端的的 RRM 和和 CSI 的测量的测量/报告方式报告方式 当前的 RRM 测量/CSI 测量基于不同的下行参考信号集。RRM 测量和 CSI 测量需要不同的参考信号归因于许多因素。一个重要的考虑因素是它们之间的不同测量要求。对于 RRM 测量，在几个天线端口上进行 RSRP 测量就足够了。此外，用于 RSRP 测量的参考信号还允许终端用以区分不同小区。对于 CSI 测量，跨多个天线端口执行高分辨率的信道测量是必要的，但仅限于服务小区。由于 CSI 测量是由 DU 来进行以终端为中心的 TRP 集之间的协调，因此CSI 测量实际上是跨多个 TRP 的。稍微扩展协调范围将有助于在同一参考信号上进行 RRM 测量。此外，考虑到终端天线端口的数量通常很小，从终端的角度来看，使用相同的上行参考信号使基站端进行 RRM 和 CSI 测量可以提升资源使用效率。从分布式 MIMO 传输的角度来看，在数据传输发生之前，需要执行以下操作：RRM 测量，小区选择，TRP 信号强度测量，TRP 选择，CSI 测量和报告。另外，基于当前系统的流程，这些程序是依序执行的。前一步的配置和测量是为后续步骤提供了对应的配置，但配置内容取决于前面的步骤。例如，TRP 测量/选择目标通常基于小区选择结果。对于移动的终端，这意味着会定期执行上述流程。在密集部署假设下，测量活动远高于传统系统。对于同频测量，由于测量与报告 传统(基于小区)分布式超大规模 MIMO RRM 基于 终 端 已知 的 小 区 特定 参考信号进行量测 基于对来自服务 TRP 和相邻 TRP 的参考信号进行量测 CSI 基于服务小区参考信号进行量测 基于终端特定 TRP 集中的参考信号进行量测 108 TRP 覆盖范围重叠，RRM 和 CSI 管理之间的界线更模糊，因此可以对此流程进行简化。这也表示，基于相同上行参考信号 进行统一的 RRM 测量和 CSI 测量流程是有益的。需要注意的是，使用基于上行的 RRM 测量和 CSI 测量方法，相同的下行参考时序将应用于上行传输时间校准，这可能导致网络侧的用户间干扰。从本质上讲，这是终端最大接收时序差（MRTD）在上行端的相对效应。对于 MRTD 的普遍理解是，它应该限制在 CP 长以内，以便使分布式 MIMO 联合传输能有效运作。在相同的假设前提下，我们并不预期上行时间校准问题会造成实际上的用户间干扰，即使所使用的时间校准对某个上行接收端并非最佳设置，网络侧的相关节点仍然可以准确的测量到该信号。9.3 潜在研究方向潜在研究方向 9.3.1 基于上行的移动性管理的基于上行的移动性管理的流程 基于上行的移动性管理的流程，其要点是必须有一个共同的控制中心可以协调各个小区对于同一个终端的上行移动性参考信号传输资源，以使得当小区接收到终端传送的参考信号时能同时辨认出终端的身份。图 9-1 表示了一个最基础的用例。终端首先连接上某一服务小区，经由服务小区通知控制中心此终端已经移动到服务小区覆盖范围边界、需要及时进行移动性量测。第一阶段由控制中心对服务小区及其周边可能切换的候选目标小区安排针对此终端的、统一的上行移动性参考信号传输资源，并且经由服务小区将此资源通知终端。第二阶段终端开始按照控制中心给予的资源做上行移动性参考信号传输。第三阶段服务小区以及邻近的候选目标小区把从终端搜集到的上行移动性参考信号测量结果回传给控制中心。第四阶段控制中心通过比较各小区的回传结果来决定终端切换的目标小区并下切换指令给终端。图 9-1 基于上行的移动性管理的流程 109 在整个流程当中可以发现相较于基于下行的移动性管理的流程，基于上行 的移动性管理的流程不需要等待终端上报测量结果，而是由控制中心在收集到各小区上报数据之后就可以立刻做出切换判断。此流程虽然不能完全取代基于下行的移动性管理流程，但通过做上行传输简化了终端的测量行为。并且，在条件允许的情况下小区甚至可以也利用此上行移动性参考信号来估测定时提前，这相当于预先进行了部分的随机接入流程，对于改善切换流程的传输中断或者延迟有相当程度的帮助。由于终端的测量行为被简化，此基于上行的移动性管理的流程可以让极简的终端设备也能做好移动性管理，因为大部分的测量行为是由基站端去负责的。特别是，基于上行的移动性管理流程能大大减低基于下行的移动性管理流程的负担，因此也有可能通过降低下行移动性管理流程的参考信号传输需求、提高下行数据传输的吞吐量。另外要特别强调的是在上面的例子中，移动性管理(RRM)的量测与传输/接收点(TRP)选择的量测可以一起进行。在同频 RRM 量测的情况下，更可以进一步与 CSI 量测一起以简化整个流程。9.3.2 适用基于上行的移动性管理的基于上行的移动性管理的场景分析 基于上行的移动性管理的系统优势已在前面的小节中进行了初步分析。但是，在确认其可行性并继续进行系统设计之前，还有更多需要回答的问题。首先，应分析对终端的影响。通过将 RRM 测量从基于下行的方式转换为基于上行的方式，终端变成是发送移动性管理参考信号而不是进行移动性测量参考信号测量。应详细建模和分析对于终端功耗的利弊。其次，哪些类型的上行参考信号能作为上行移动性测量需要进一步研究。预计该解决方案将与所需的保护间隔和/或 CP 长度密切相关，也就是说与假设的场景相关。此外，即使具有适当的保护间隔/CP 长度，也可能需要正确选择用于传输的下行参考时序，以适应不同的用例。最后一点是，应分析基于上行的移动性测量对延迟要求的影响。在移交给目标小区进行服务之前，终端需要完成下行同步。使用基于上行的 RRM 移动性测量，启动下行同步的时间将会很自然地晚于使用基于下行的 RRM 移动性测量。如何加快速度或放松延迟要求是否可行，都需要妥善的解决方案。需要注意的是，基于上行的 RRM 的目的是补充基于下行的 RRM，而不是取代它。可以设想，虽然某些场景下可以从基于上行的 RRM 中受益，但其他场景下仍将偏好使用基于下行的 RRM。仔细研究其适用的场景至关重要。9.4 小结小结 本章研究分布式超大规模 MIMO 对移动性管理设计与实现的影响。在分布式超大规模MIMO 系统中，移动性管理的 RRM 测量与 CSI 测量之间的差异不再明显，从而可以简化移动性管理流程。基于上行的移动性管理的流程也能大大减低移动性管理流程的负担，可以让极简的终端设备也能做好移动性管理。10 第十章第十章 总结总结 超大规模 MIMO 在大规模天线基础上的进一步扩展。超大规模 MIMO 可以认为是大规模天线技术的进一步演进升级，提供更高的频谱效率、更高的能量效率、新型的应用等。超大规110 模 MIMO 不仅仅是天线规模的增加，同时也涉及到创新的天线阵列实现方式、创新的部署形式、创新的应用等。本文首先分析了超大规模 MIMO 技术的在未来 6G 网络中的应用方式和性能指标，在此基础上对超大规模 MIMO 技术的关键技术展开研究，包括信道建模、波束管理和发端处理技术等。本文也探讨了超大规模 MIMO 与新兴的人工智能的结合方式。超大规模MIMO 技术走向实用化的前提是低成本、可靠和易部署的天线技术。从部署方式角度，本文对分布式超大规模 MIMO 技术进行了研究，识别出待解决的关键技术问题，并对一些解决方案进行了探讨。本文对模块化天线、智能超表面、终端新型天线和稀疏化阵列结构做了初步的探索，对于增加部署灵活性和降低成本、功耗都有一定的增益。未来网络设计将更加关注功耗，本文对空域、时域和频域等降低超大规模 MIMO 功耗的技术方案进行了研究，从降低功耗的角度提出了对超大规模 MIMO 阵列设计的要求。11 参考文献参考文献 1 Latva-Aho M and Leppnen K.Key driver and research challenges for 6G ubiquitous wirelessintelligence,version 1.Univ.Oulu,Oulu,Finland,White Paper,Sep.2019.2 Mendez-Rial R,Rusu C,Gonzlez-Prelcic N,etal.Hybrid MIMO architectures for millimeterwave communications:Phase shifters or switches?J.IEEE Access,2016,4:247-267.3 Gao X,Dai L,Sayeed A M.Low RF-complexity technologies to enable millimeter-wave MIMOwith large antenna array for 5G wireless communicationsJ.IEEE Communications Magazine,2018,56(4):211-217.4 3GPP TR 38.913,Study on scenarios and requirements for Next Generation Access Technologies,June.2018.5 王增浩.5G NR 毫米波 HSR 上行多用户系统中多普勒频偏估计方法J.南京邮电大学学报:自然科学版,2019,39(6):28-34.6 艾渤，章嘉懿，何睿斯等.面向智能高铁业务和应用的 5G 基础理论与关键技术J.中国科学基金.2020.7 Song H,Fang,X,Fang Y.Millimeter-wave network architectures for future high-speed railwaycommunications:challenges and solutions M.IEEE Press,2016.8 Liu Y,Wang C X,Huang J,et al.Novel 3-D nonstationary mmWave massive MIMO channelmodels for 5G high-speed train wireless communicationsJ.IEEE Transactions on VehicularTechnology,2019,68(3):2077-2086.9 Cui Y,Fang X.Performance analysis of massive spatial modulation MIMO in high-speedrailwayJ.IEEE Transactions on Vehicular Technology,2016,65(11):8925-8932.10 Zhang J,Chen S,Lin Y,et al.Cell-free massive MIMO:A new next-generation paradigmJ.IEEE Access,2019,7:99878-99888.11 Si L,Jiang H,Lv X,Ding J.Broadband extremely close-spaced 5G MIMO antenna with mutualcoupling reduction using metamaterial-inspired superstrateJ,Optics Express,2019,27:3472-3482.12 Han C,Jornet J M,Akyildiz I.Ultra-Massive MIMO channel modeling for graphene-enabledTerahertz-band communicationsC.2018 IEEE 87th Vehicular Technology Conference(VTC111 Spring),2018.13 Payami S,Tufvesson F.Channel measurements and analysis for very large array systems at 2.6GHzC.Antennas and Propagation(EUCAP),2012 6th European Conference on.IEEE,2012.14 Tsang Y M,Poon A S Y.Detecting human blockage and device movement in mmWavecommunication systemC.Global Telecommunications Conference(GLOBECOM 2011),IEEE,2011:1-6.15Guan K.On Millimeterwave and THz mobile radio channel for smart rail mobilityJ.IEEETransaction on Vehicular Technology,2017,66(7):5658-5674.16 Bjrnson E,Sanguinetti L,Wymeersch H,Hoydis J,Marzetta T L.Massive MIMO is a realityWhat is next?:Five promising research directions for antenna arraysJ.Digital SignalProcessing,2019,94:3-20.17 Deng R,Di B,Zhang H,Song L.HDMA:Holographic-Pattern Division Multiple AccessJ.IEEE Journal on Selected Areas in Communications,2022,40(4):1317-1332.18 Sanguinetti L,DAmico A A,Debbah M.Wavenumber-division multiplexing in line-of-sightholographic MIMO communicationsJ.IEEE Trans.Wireless Commun.,2022.Online.Available:https:/arxiv.org/abs/2106.12531.19 Zhang Z,Dai L.Continuous-aperture MIMO for electromagnetic information theory.arx