《IMT-2030(6G)推進組：超大規模天線技術研究報告（121頁）.pdf》由會員分享，可在線閱讀，更多相關《IMT-2030(6G)推進組：超大規模天線技術研究報告（121頁）.pdf（121頁珍藏版）》請在三個皮匠報告上搜索。

1、2021 年年 9 月月 版權聲明版權聲明 Copyright Notification 未經書面許可 禁止打印、復制及通過任何媒體傳播 2021 IMT-2030（6G）推進組版權所有 I 目 錄 第一章第一章 背景背景.1 概述.1 部署場景.1 第二章第二章 性能指標性能指標.8 頻譜效率.8 移動速度.9 能量效率.10 小區級最大并發數據流數.11 第三章第三章 新型應用新型應用.12 立體覆蓋增強.12 高速以及超高速移動覆蓋.21 空間精確定位與感知.24 第四章第四章 關鍵技術關鍵技術.32 信道建模.32 波束管理.35 發射端處理技術.43 第五章第五章 新技術新技術.49

2、 深度學習與人工智能.49 第六章第六章 天線結構與部署方式天線結構與部署方式.61 分布式超大規模天線.61 模塊化天線.69 智能超表面.69 智能中繼.79 終端新型天線結構.90 平面透射表面相控陣.92 稀疏陣列天線架構.98 第七章第七章 總結總結.104 參考文獻參考文獻.105 縮略語縮略語.108 主要貢獻單位主要貢獻單位.113 II 圖目錄 圖 2-1 宏蜂窩覆蓋的典型網絡拓撲.3 圖 2-2 居民樓和會議室的示意圖.3 圖 2-3 火車站和體育館示意圖.4 圖 2-4 室外場景示意圖.4 圖 3-1 64 通道、192 天線振子的天線陣列結構示意圖.12 圖 3-2 基

3、站塔頂弱覆蓋區示意圖.14 圖 3-3 系留無人機實現高空基站.15 圖 3-4 28GHz 毫米波大規模陣列一條射頻通道的架構.16 圖 3-5 基于移相網絡的混合子陣架構一般化模型.16 圖 3-6 Nsub=2 時圖 3-5 所示陣列在垂直面上掃描的方向圖.17 圖 3-7 圖 3-5 所示陣列在垂直面上掃描時的垂直面方向圖(a)N=192,Nsub=1;(b)N=192,Nsub=3.17 圖 3-8(a)全數字架構;(b)基于移相網絡的混合全連接架構;(c)基于開關網絡的混合全連接架構.19 圖 3-9 不同架構功耗隨天線數目變化曲線.19 圖 3-10 垂直方向不同子陣劃分情況的功

4、耗和基于開關網絡的混合全連接架構功耗的比較.20 圖 3-11 (a)毫米波小型化天線；（b）天線性能.21 圖 3-12 不同相鄰小型化天線單元間距對陣列增益的影響.21 圖 3-13 HST 場景基站部署示意圖.22 圖 3-14 城市峽谷 GNSS 定位場景.25 圖 3-15 信號非視距傳播對 GNSS 定位性能的影響.25 圖 3-16 城市路口 GNSS 定位場景.26 圖 3-17(a)傳統多邊定位模型，(b)超大規模天線定位模型.27 圖 3-18 基于超大規模天線系統的航向/姿態測量.27 圖 3-19 基于超大規模天線系統的三維定位.28 圖 3-20 超大規模天線+GNS

5、S 系統位置服務覆蓋.29 圖 3-21 城市峽谷超大規模天線+GNSS 定位場景.30 圖 3-22 城市路口超大規模天線+GNSS 定位場景.30 圖 3-23 超大規模天線+GNSS 系統高精度三維定位.31 圖 4-1 3GPP 大規模天線信道參數生成過程12.33 圖 4-2 電磁波波前示意圖.34 圖 4-3 波束管理示意圖.35 圖 4-4 多用戶場景下的波束管理.37 III 圖 4-5 基于分級的波束掃描策略.37 圖 4-6 站點 STA 波束訓練與追蹤場景（陰影部分表示波束 a1的半功率衰減波瓣）39 圖 4-7 高速移動場景下的波束管理.40 圖 4-8 移動場景下的用

6、戶位置建模.40 圖 4-9 太赫茲信號到達角測量場景.41 圖 4-10 不同頻率進行試驗采集到的角度功率譜.42 圖 4-11 基于壓縮感知的波束訓練方法.42 圖 4-12 多用戶全數字預編碼系統模型圖.44 圖 4-13 基于透鏡的超大規模天線陣列系統.48 圖 5-2 信道訓練的多層神經網絡架構.51 圖 5-3 不等間隔信道狀態信息反饋的配置.52 圖 5-4 神經網絡用于 DMRS 估計的結構示意圖.53 圖 5-5 激活函數示意圖.54 圖 5-6 神經網絡的訓練效果.55 圖 5-7 基于神經網絡的 CSI 反饋示意圖.57 圖 5-8 不同基站天線數下單個樣本的稀疏性.60

7、 圖 6-1 熱點區域部署方式.62 圖 6-2 室內密集區域部署方式.62 圖 6-3 偏遠山區部署方式.62 圖 6-4 高速移動場景部署方式.63 圖 6-5 無線條帶系統21.63 圖 6-6 無線條帶系統潛在應用場景及部署方式.63 圖 6-7 下行數據傳輸處理過程.66 圖 6-8 基站間信息交互方式.67 圖 6-9 超單元組成的超表面，其中黑色方框為超單元.70 圖 6-10 超單元結構簡圖.71 圖 6-11 超單元反射系數與有源器件兩端電壓、入射電磁波頻率之間的關系26.71 圖 6-12 廣義反射定律示意圖28.71 圖 6-13 分界面為超表面時，入射電磁波與反射電磁波

8、的關系.72 圖 6-14 超表面的兩種結構.73 圖 6-15 超表面輔助的下行鏈路模型.73 圖 6-16 超表面輔助下行鏈路仿真模型.75 圖 6-17 用戶平均接收功率與超表面、超單元數量 N、超單元反射系數相位關系圖 75 圖 6-18 用戶平均接收功率與超表面、距中心線距離dx、超單元反射系數相位關系圖76 圖 6-19 超表面調制環境中已有信號30.77 圖 6-20 基于超大規模天線的智能中繼波束管理流程.80 圖 6-21 基于云架構的智能中繼波束預測與搜索優化架構圖.81 圖 6-22 系統模型.86 圖 6-23 訓練流程.89 IV 圖 6-24 AiP 結構剖面圖.9

9、0 圖 6-25 手持終端屏上天線概念圖.91 圖 6-26 現有 5G 大規模天線架構示意圖(a)5G 低頻 32TRx 結構;(b)5G 低頻 64TRx 結構;(c)5G 高頻子陣結構.92 圖 6-27 子陣數目增加方式(a)增加射頻鏈路;(b)增加移相器.93 圖 6-28 大規模天線垂直 1 驅 6 結構當輻射波束在垂直方向上掃描到 7時的輻射方向圖.93 圖 6-29 平面透射表面相控陣的結構示意圖.94 圖 6-30 平面透射表面相控陣結構輻射波束在垂直方向上掃描到 40 時的二維輻射方向圖.94 圖 6-31 基于平面透射表面相控陣 MIMO 方案的基本步驟.95 圖 6-3

10、2 一種平面透射表面相控陣寬波束掃描方式波束輻射方向圖.96 圖 6-33 三種用戶位置分布情況.96 圖 6-34 圖 6-33 所示的用戶分布所需的波束輻射區域.97 圖 6-35 圖 6-34 所示的所需波束輻射區域對應的平面透射表面的相位分布.97 V 表目錄 表 2-1 室內業務及需求.5 表 2-2 短距/近距通信典型要求.7 表 3-1 無人機高度覆蓋需求匯總1.13 表 3-2 毫米波射頻部件功耗參考值.18 表 4-1 手持設備的旋轉測量.38 表 5-1 典型的復雜神經網絡的復雜度列表.50 表 5-2 20RB 時，神經網絡與傳統算法的結果比較.54 表 5-3 50RB

11、 時，神經網絡與傳統算法的結果比較.55 表 5-4 考慮時間相關后，神經網絡與傳統算法的結果比較.56 表 5-5 不同信道環境下，神經網絡與 Type I 碼本的結果.58 表 5-6 不同 PMI 譯碼側隱藏層大小的結果.58 表 5-7 不同 PMI 編碼側隱藏層的結果.59 表 5-8 不同信道環境下，網絡側 32 發時，神經網絡與 Type I 碼本的結果.59 表 6-1 理想回程鏈路典型參數22.66 表 6-2 非理想回程鏈路參數22.66 1 第一章第一章 背景背景 概述概述 超大規模天線是在大規模天線（Massive MIMO）基礎上的進一步演進，通過部署超大規模的天線陣

12、列，應用新材料，引入新的工具，超大規模天線技術可以獲得更高的頻譜效率、更廣更靈活的網絡覆蓋、更高的定位精度、更高的能量效率等。隨著天線和芯片集成度的不斷提升，在尺寸、重量和功耗可控的條件下天線陣列的規模將持續增大。天線規模的進一步擴展將提供具有極高空間分辨率和處理增益的空間波束，提高網絡的多用戶復用能力和干擾抑制能力，從而提高頻譜效率。超大規模天線具備在三維空間內進行波束調整的能力，從而在提供地面覆蓋之外，還可以提供非地面覆蓋，如覆蓋無人機、民航客機甚至低軌衛星等。隨著新材料技術的發展（如智能超表面），超大規模天線將與環境更好的融合，網絡的覆蓋、多用戶容量和信號強度等都可以大幅度提高。分布式超

13、大規模天線技術將 MIMO 技術和分布式系統有機結合起來，利于構造超大規模的天線陣列，有望提供更高的空間分辨率和頻譜效率。分布式超大規模天線網絡架構趨近于無定形網絡，傳輸方式也將由以網絡為中心轉變為以用戶為中心，實現均勻一致的用戶體驗。此外，分布式超大規模天線可以拉近網絡節點和用戶間的距離，有效降低系統的能耗。實現分布式超大規模天線首先要解決部署問題，即如何低成本、可實用的部署。其次要解決節點間信息實時交互和時頻同步的問題。超大規模天線技術中引入人工智能技術將有助于充分發揮超大規模天線技術的潛力。在未來的通信系統中，超大規模天線有可能在多個環節實現智能化，如信道探測、波束管理、預處理、多用戶檢

14、測與調度、信號處理與信道狀態信息反饋等，從而使超大規模天線系統更加高效和智能。如何滿足實時性要求以及獲取訓練數據是人工智能與超大規模天線結合需要解決的問題。超大規模天線陣列具有極高的空間分辨能力，不僅可以在復雜的無線通信環境中提高定位精度，實現精準的三維定位，還可以獲得目標的空間姿態信息，在依賴于高精度位置信息的應用中至關重要。6G 系統向超高頻段擴展所面臨的一個關鍵挑戰是超高頻段的路徑損耗。超大規模天線技術超高的處理增益能夠在不增加發射功率的條件下增加超高載頻通信的通信距離和覆蓋范圍，成為保障超高頻段的通信性能的關鍵技術。超大規模天線也面臨諸多挑戰，包括成本高、信道測量與建模難度大、信號處理

15、運算量大、參考信號開銷大、前傳容量壓力大等。部署場景部署場景 在 4G 時代，多天線技術被引入，有效地提高了小區峰值速率和改善了小區邊緣覆蓋性能。到了 5G 時代，隨著部署頻段的升高，天線規模進一步擴大，以提供更好的小區覆蓋性能。超大規模天線技術將繼續在未來的 6G 移動通信中作為物理層關鍵技術之 2 一。與 4G 和 5G 相比，6G 將支持更多的新型應用，這也給超大規模天線部署提供了新的應用和部署場景。超大規模天線在 6G 應用和部署場景可以從以下幾個方面考慮。一方面，現有的 4G 和 5G 大規模天線的應用場景以及未來 3-5 年中 5G 應用部署的優化將繼續延續在 6G 業務部署中，但

16、是在部署和性能方面會有進一步優化，并針對 5G中存在的問題和限制，做進一步改進：宏站部署場景：高樓覆蓋、熱點覆蓋（6GHz 以下頻段及毫米波）、補盲等，仍將繼續存在于未來的 6G 通信系統中。對于 5G 室內覆蓋、一體化接入與回傳（IAB，Integrated Access and Backhaul）、工業廠區應用場景以及其他毫米波應用也將繼續繼承在 6G 通信系統中。分布式天線始于 4G，在 5G 系統中可能開始實際部署，而在 6G 通信系統中進一步改進、成熟。另外，在未來 6G 時代，算力的提升為采用更先進的超大規模天線算法提供了可能性。雖然 6G 和 4G、5G 系統有一些相同的應用場景

17、，但是在部署方面將會更加靈活，且隨著人工智能和機器學習的引入，整個系統將向著網絡智能化（支持自動配置、自動部署、自動優化）的方向演進。另一方面，潛在的一些新的應用場景將出現在未來的 6G 系統中。更大的帶寬、更高的速率將是 6G 通信系統的主要系統性能要求之一。通過使用超大規模天線可為熱點區域提供超高的吞吐量和覆蓋性能。6G 網絡部署密度可能會更高，以期為新的應用提供更好的覆蓋和連接性能。在6G 時代，集中式和分布式大規模天線的靈活部署將進一步發展滿足新型應用需求。高空平臺（HAPS，High Altitude Platform Station）等應用場景。在未來 6G 通信系統中，HAPS

18、等可能成為應用場景之一。亦或在 5G 時代，超大規模天線在HAPS 的應用以及和 IAB 技術的結合將提供更加靈活的覆蓋、部署，尤其是在應急通信場景中。超大規模天線在空地一體化場景中的應用。6G 和衛星通信結合，衛星和地面業務的通信中使用超大規模天線技術為用戶提供無處不在的連接。在 5G 時代，大規模天線的部署場景主要包括宏蜂窩覆蓋以及室內外熱點覆蓋場景等。在 6G 時代，除了上述典型場景外，超大規模天線系統可能會在以下幾類場景中大放異彩：室內深度覆蓋場景；廣域覆蓋場景；立體覆蓋場景；4短距/近距覆蓋場景，本節主要對上述幾種部署場景進行介紹。宏蜂窩覆蓋宏蜂窩覆蓋 典型宏蜂窩覆蓋場景是具有密集用

19、戶和慢速車輛的城市密集蜂窩環境，其關鍵特性是密集蜂窩小區、室外到室內廣覆蓋、高用戶密度和城市人口稠密地區的高傳輸負載。因此，該場景假設是連續的蜂窩布局和存在蜂窩間干擾。一個典型的宏蜂窩覆蓋場景的網絡拓撲如圖 1-1 所示。無線接入點被部署在有規律的六角形蜂窩網格中。同一站址可部署 3 個接入點，且相互間方向角度為 120，箭頭 3 指向方向為無線接入點面對朝向。超大規模天線不僅可以在城市宏蜂窩場景中有效解決覆蓋和提升區域容量，而且對遠距離覆蓋性能也有提升。在市郊及偏遠地區部署密集基站實現覆蓋其經濟上并不現實，那么就要求基站能在滿足一定速率下能夠實現更遠距離覆蓋，其覆蓋距離能達到公里級別以上。站

20、間距 圖 1-1 宏蜂窩覆蓋的典型網絡拓撲 熱點覆蓋熱點覆蓋 1.2.2.1 室內熱點覆蓋室內熱點覆蓋 目前的移動網絡中大部分的業務是發生在室內場景中，隨著 6G 時代的到來，將會有更多的業務發生在室內的場景中。通常的情況下，室內的環境會比較簡單，無線通信的距離也比較短。根據部署環境的特點，室內的場景可以進一步分為：寫字樓/居民區 該類場景如圖 1-2 所示，空間分布和用戶的密度都比較適中，用戶的移動性不高，該場景下典型的網絡需求包含視頻會議，網頁瀏覽，數據下載等等。該類場景的另一個特點是用戶在空間上呈現的是立體的分布，用戶分布比較分散。圖 1-2 居民樓和會議室的示意圖 4 在這類的場景中，

21、由于墻體的損耗，網絡的覆蓋相對比較差，無法滿足高質量的數據傳輸需求。未來通信系統中可以通過超大規模天線技術，利用波束賦形的能力以及較高的空間復用增益，滿足這些區域高容量高速率的數據傳輸需求。此外，針對用戶在垂直空間上分布的特點，還可以結合超大規模天線技術，在垂直面采用大量的天線陣列，增加垂直面的覆蓋，這樣可以滿足垂直維度用戶的高密集分布帶來的通信容量的需求。體育場/火車站 該類場景如圖 1-3 所示，包括火車站候車室，體育場館等等，主要的特點是空間相對會比較大，人員也會更加密集。在這類場景中主要需要提供的是高密度、高速率的網絡連接。圖 1-3 火車站和體育館示意圖 室外信號在穿透磚墻、水泥等障

22、礙物后路損比較大，只能提供淺層的室內覆蓋，無法保證室內高密度用戶的良好體驗。結合該場景的特點，室外采用低頻的宏基站保證覆蓋，考慮在室內部署微基站。在高網絡負載的室內，結合超大規模天線技術，使用更窄的波束實現精細對準，可以提升用戶接收到的信號質量。1.2.2.2 室外熱點覆蓋室外熱點覆蓋 在室外也存在人流密集的場景，典型的室外的場景，如某個景區如圖 1-4，交通樞紐等等。該場景的特點是可能在某一個地點會有成百上千的人同時駐留，集中地在某一個區域產生巨大的數據量。圖 1-4 室外場景示意圖 5 在這類的場景中，無線環境比較復雜，人的流動性比較大，可以通過超密集組網技術，通過更加“密集化”的網絡設施

23、的部署方式，實現網絡容量的巨大提升。隨著基站密度的增加，用戶受到的干擾也會增加，結合超大規模天線技術，靈活的按需進行波束的寬度和方向的調整，可以有效的降低用戶之間的干擾。高頻段較窄的波束也可以服務更多的用戶，滿足在某個集中區域較大數據量的需求?？偟膩碚f，針對熱點區域，6G 的系統中對數據的傳輸質量和容量都提出了新的要求。超大規模天線技術，可以考慮部署在高頻段，通過高低頻段組網，充分利用高低頻段的優勢，低頻段提供覆蓋，高頻段作為熱點增容。此外超大規模天線技術，利用波束賦形增益，可以彌補傳輸過程中的損耗，還可以通過靈活的調整波束，實現精確對準，減小干擾。針對高層覆蓋場景，還可以在垂直維度部署更多的

24、射頻通道，滿足高層的熱點區域通信需求。室內深度覆蓋場景室內深度覆蓋場景 據統計表明，在 4G 時代，超過 80%的移動業務發生于室內場景。據預測，在 5G 時代，這一數字將超過 85%。展望 6G 時代，可能將會有 90%甚至更多的業務發生于室內。表 1-1 總結了部分可能在室內發生的業務類型及相應的時延速率要求?？梢?，自 4G 以來，室內場景對于各個通信時代都至關重要，室內移動網絡通信能力也是各通信時代的網絡核心競爭力之一。表 1-1 室內業務及需求 業務描述業務描述 業務要求業務要求 典型能力需求典型能力需求 速率要求速率要求（Mbps）時延要求時延要求（ms）視頻會話 1080P 支持上

25、行 1080P 傳輸 5（UL&DL）100 視頻分享 4K 高清 支持上行 4K 傳輸 20（UL）100 高清視頻流 4K 高清 4K 視頻傳輸 20（DL）100 8K 高清 8K 視頻傳輸 80（DL）100 VR 入門體驗 全視角 8K 2D 視頻，畫面質量接近于在 PC上觀看 480P 視頻的效果 61.5（DL）30 進階體驗 全視角 12K 2D 視頻，畫面質量接近于在 PC上觀看 2K 視頻的效果 265.5（DL）20 終極體驗 全視角 24K 3D 視頻，畫面質量接近于在 PC上觀看 4K 3D 視頻的效果 1390（DL）10 AR 1080P 1080P 圖像傳輸 3

26、.05（UL&DL）10 6 目前來看，主要可以通過以下幾種方式解決室內覆蓋問題：室外站覆蓋室內：將宏基貼近目標區域布站（比如用戶密集的樓宇群），采用室外覆蓋室內的方式為室內用戶提供服務。但是由于穿透損耗較高，該方案難以滿足室內深度覆蓋的需求。數字新型室分系統：通過使用數字新型室分系統可實現可視化運維，并能有效的解決室內深度覆蓋問題。但一方面，由于需要在樓宇內部施工，存在一定的施工難度；另一方面，綜合考慮成本與收益，并不是所有室內場景都適合于依托數字新型室分系統完成室內覆蓋，比如居民樓等。結合上述分析可以看出，5G 系統在室內深度覆蓋上仍有不足。因此，在 6G 時代仍需關注室內深度覆蓋問題，包

27、括樓宇內部，地下停車場，地下超市等室內場景的深度覆蓋。超大規模天線技術通過超高的波束賦形增益、靈活的波束方向調整，有望切實的提升 6G 系統的室內深度覆蓋性能。廣廣域覆蓋場景域覆蓋場景 廣域覆蓋場景的典型特點為：區域范圍廣，用戶密度稀疏，業務量低，包括沙漠、近海海域、林區等場景。這些看似無人的區域可能蘊藏著非常重要的資源，比如油田、珍稀動植物、屬于我國領土的海島等，這就意味著需要有專門的從業人員在附近工作、生活。為了保證這些從業人員的通信需求，上述場景的覆蓋是必要且重要的。針對廣域場景，在保證覆蓋的同時，需盡可能的降低布站數，以降低布站成本和運營維護成本。因此，需要利用超大規模天線技術以及新型

28、天線結構盡可能的擴展單站的覆蓋距離，從而可以有效的解決廣域場景的覆蓋問題。立體覆蓋立體覆蓋場景場景 立體覆蓋場景更強調對垂直方向的空域覆蓋，可能的應用場景包括覆蓋高層建筑，無人機，民航客機等。5G 基站設備雖然在空間維度上有一定的自由度，但其在垂直維度的波束精度較低。5G 目前的主流基站產品最多支持 64 TXRU（收發單元），在垂直方向僅有 4 個 TXRU，因此垂直波束方向的調整能力有限。在 6G 時代，立體覆蓋可能成為一個重要的應用場景，因此需要增加基站在垂直方向的自由度，使其垂直波束具備更高的精度、更廣的覆蓋范圍。超大規模天線可以通過采用新的天線結構、或增加垂直方向射頻通道數目，保證

29、6G 時代的立體覆蓋需求。終端之間短距終端之間短距/近距通信近距通信 太赫茲尤其275 GHz以上頻段處于光電轉換階段，它同時具有微波和光波通信特性。首先，隨著通信的快速發展，傳統的微波通信難以滿足高速、寬帶無線通信的需求，而憑借其高數據傳輸速率和寬廣的頻譜帶寬，這一頻段具有支持未來無線通信的潛力。另一方面，光波在灰塵、墻體、塑料、布匹和其它非金屬或非極化物質中的傳輸衰減嚴重。7 275 GHz以上頻段可以較低的衰耗穿透這些物質，使它具備了在惡劣環境中的良好穿透能力。但這一頻段也有自身弱點，最致命的弱點是它易于被大氣中的極性分子所吸收，因此它的大氣衰減較為嚴重，雨天尤其如此。這一特性決定了它未

30、來主要用于地面短距寬帶移動通信。太赫茲通信可以通過近場通信實現短距離通信，例如用于實現內容與云同步化的使用案例。由于頻段和終端設備小型化，可以通過超大規模天線去保證其傳播質量和避免潛在的多徑影響。表 1-2 短距/近距通信典型要求 通信距離 厘米級 數據速率 最高可達到幾十 Gbps 傳播環境 裝置間鄰近模型（LoS）8 第二章第二章 性能指標性能指標 頻譜效率頻譜效率 基本描述基本描述 對于 5G 系統，ITU 制定的性能指標中頻譜效率包括三種定義，適用于多種應用場景，這三種頻譜效率對 6G 系統將仍然適用。這三種頻譜效率分別是峰值頻譜效率、平均頻譜效率和 5%用戶頻譜效率。定義如下：-峰值

31、頻譜效率為理想條件下信道帶寬歸一化的最大數據速率。這里的最大數據速率是指無差錯條件下單用戶的接收數據速率。峰值頻譜效率的單位為 bit/s/Hz。-5%用戶頻譜效率為歸一化用戶吞吐量 CDF 曲線 5%點位所對應的用戶吞吐量。其中，用戶吞吐量是指用戶在單位時間內正確接收的比特數。歸一化吞吐量為用戶吞吐量與信道帶寬的比值。這里的信道帶寬為有效帶寬與頻率復用因子的乘積，有效帶寬為考慮了上下行鏈路配比的歸一化帶寬。5%用戶頻譜效率的單位為 bit/s/Hz/用戶。-平均頻譜效率為傳輸接收點（TRP）的平均頻譜效率，即所有用戶的吞吐量之和與信道帶寬及 TRP 數目的比值。這里的信道帶寬為有效帶寬與頻率

32、復用因子的乘積，有效帶寬為考慮了上下行鏈路配比的歸一化帶寬。平均頻譜效率的單位為 bit/s/Hz/NTRP，其中 NTRP為 TRP 的數目。根據上述各頻譜效率的定義可以看出，頻譜效率主要用作移動寬帶覆蓋的指標。其中，峰值頻譜效率為用戶在理想條件下可達到的最優性能，可用作熱點覆蓋等場景的性能指標；平均頻譜效率為單站點的平均性能，可用作熱點覆蓋、廣域覆蓋等場景的性能指標；5%用戶頻譜效率為邊緣用戶的性能，可用作深度覆蓋等場景的性能指標。超大規模天線系統頻譜效率分析超大規模天線系統頻譜效率分析 超高清視頻等大流量多媒體、VR/AR、全息通信等應用必將帶來 6G 系統對峰值速率需求的十倍乃至百倍的

33、提高。提高峰值速率的主要手段包括增加帶寬和提高頻譜效率。增加帶寬意味著頻點的進一步提升。雖然高頻的頻段資源非常豐富，但頻點越高，路徑損耗越大，覆蓋范圍越受限，這對網絡部署成本帶來很大壓力。因此，未來的通信系統仍將對頻譜效率具有更高的需求。多天線技術是提高頻譜效率的一種有效手段，其對頻譜效率的提高主要來自于以下三種數據通道的利用方式：空間復用、發射分集和波束賦形?？臻g復用技術利用多個天線構成并行信道傳輸不同的數據流，從而直接提升數據傳輸速率；發射分集技術利用并行通道傳輸有一定冗余度的數據，從而更好地對抗衰落，提升傳輸的可靠性；波束賦形技術根據發射機掌握的信道狀態信息，通過將能量集中到某個特定方向

34、來提高接收信號 9 的信噪比。在不考慮導頻開銷等非理想因素的情況下，頻譜效率可以通過系統容量來表征。假設系統中有 L 個小區，每個小區有 K 個單天線用戶，每個小區的基站配備 M 根天線，且系統的頻率復用因子為 1。通過理論推導，可以得到，當基站天線趨于無窮時，系統的容量下界可表示為，其中，,l l k為第 l 個小區第 k 個用戶到第 l 個小區基站的信道協方差矩陣的特征值，UL為噪聲功率。從上式可以看出，若接收端已知理想的信道信息，當天線個數趨于無窮時，多用戶干擾和多小區間干擾趨于消失，整個系統是一個無干擾系統，系統容量隨增大，并趨于無窮大。這意味著，在最為理想的情況下，若 6G 系統的天

35、線規模提高一到兩個數量級，系統容量可以成倍提高。然而，在實際應用中，受到各種非理想因素的影響，接收端和發射端通常不能獲得完美的信道狀態信息。信道狀態信息通常通過導頻獲得。天線規模的增加通常會導致導頻開銷的增加，這將降低傳輸數據的可用資源，從而影響系統容量和頻譜效率。此外，隨著天線數目和小區中用戶數的增多，不同小區的用戶可能采用相同的導頻模式和相同的導頻序列，從而產生導頻污染。在不考慮小區間用戶的干擾協調時，在導頻污染的情況下，系統容量受限于導頻污染。有研究表明，在導頻污染的影響下，當天線規模增加到一定數目時，系統容量不再隨天線規模的增加而增加。然而，通過用戶間的干擾協調技術等，可以降低或消除導

36、頻污染。因此，超大規模天線系統對系統容量和頻譜效率的提升雖然無法達到指數級線性增長，但仍然能夠隨著天線規模的增大而增長。此外，當超大規模天線系統應用于高頻段時，天線規模的增大意味著波束賦形可以做到更窄，從而獲得更為精準的信道指向性，用戶間的信道向量也更趨于正交。這不僅使得用戶的接收信號可以更強，還使得用戶間的干擾一定程度上受到了抑制，從而使得超大規模天線系統可以進一步提高頻譜效率。綜合以上分析，預計超大規模天線系統將幫助 6G 系統在頻譜效率方面相對于 5G 系統實現成倍的提升。移動速度移動速度 6G 系統對超大規模天線的移動性要求是指 6G 系統能夠滿足某特定的 QoS 要求下所支持終端最大

37、的移動速度（單位：km/h），例如支持飛機的飛行速度。QoS 定義為歸一化的業務信道數據速率。超大規模天線相關解決方案可嘗試降低高速移動下多普勒頻移對系統的影響。infLB,1ULlog 1Kl l kkMClogM 10 能量效率能量效率 根據 ITU 對于網絡能量效率的定義：網絡能量效率是與所提供的業務量相關的最小化無線接入網能量消耗的空口技術能力。由 ITU 對于 IMT-2020 能量效率需求可知，在高業務量時，5G 網絡的能量效率通過系統的平均頻譜效率來衡量；而在低業務量時，5G網絡能量效率通過無線數據傳輸時基站睡眠比例和睡眠時間來衡量。由于 5G 網絡需要周期性發送同步信號塊（SS

38、B）、剩余最小系統信息（RSMI）和尋呼信令（Paging），以使得終端可以檢測和接入無線網絡，所以根據不同的 SSB、RSMI 和 Paging 配置周期，基站可以達到不同的睡眠比例。終端則可以通過 DRX 和節能技術來降低終端功耗，間接提高終端能效。目前移動業務量的增長與網絡運營成本和運營效率的增長之間差距正在逐漸擴大。因此未來 6G 系統設計時，不僅要考慮系統頻譜效率的進一步優化，系統能量效率，網絡設備和終端設備的功耗也需要同步考慮和優化。除了上述 ITU 對能量效率的定義，學術研究中則將能量效率嚴格定義為單位能耗下所能傳輸的數據量，單位為比特/焦耳。而頻譜效率則定義為單位帶寬內的數據傳

39、輸速率，單位為比特/秒/赫茲。進一步的，系統能量效率（EE，Energy Efficiency）EE和頻譜效率(SE，Spectrum Efficiency)SE有以下關系 EESEsumbit/JouleWP 其中，W 為系統帶寬，Psum為系統發射功率?？偘l送功率 Psum可以建模為：sumtcsPPMPP 其中，為 PA 效率，定義為 PA 輸出信號與輸入信號功率之比。Pt為基帶信號發送功率，與信號帶寬有關；M 為天線數；Pc為每個獨立天線射頻鏈路的功耗，因此天線數增加，射頻鏈路功耗也會相應增加；Ps為電路靜態功耗。對于頻譜效率的提升，可以通過優化空口傳輸技術的方式來實現，例如提高數據傳

40、輸層數和提高信號調制階數。而對于網絡能量效率的提升，從上述公式看，則可以考慮降低硬件電路功耗或改進空口傳輸技術。這兩種途徑是相互制約的，例如，增加天線數可以提升系統頻譜效率，但同樣會導致電路功耗的增加，即 MPc隨著 M 線性增加。1.基站側 在高業務負載時，W/Psum固定（各自達到峰值）。此時，頻譜效率越高，系統能量效率也越高。以太赫茲頻段為例，可以提供不低于 10GHz 的可用帶寬，基站側天線數不低于 512，同時考慮設備芯片升級帶來的性能提升，與 5G 系統相比較，W/Psum預計會有 1倍左右的提升。因此在高業務負載條件下，6G 系統的能量效率隨著系統頻譜效率的提高也會成倍提升。而在

41、低業務負載時，設備功耗以及電路功耗直接影響系統能效，此時系統可以通過關閉載波和加大同步信號周期提高系統休眠比例來提高系統能量效率。11 2.終端側 3GPP 在 4G 和 5G 中定義了不同功率等級的 UE，對應于不同的 UE 最大發射功率。例如，Power Class 3 UE 的最大發射功率為 23dBm。因此，在不增加 UE 最大發送功率的條件下，能量效率隨著數據傳輸速率提高而提高，若保持系統帶寬不變，上行并發數據流數提高一倍（例如最大 8 層 UL SU-MIMO 傳輸），同時引入 1024QAM 調制，與 5G NR 相比，能量效率將會增加 2*10/8=2.5 倍。同時考慮到電路芯

42、片的更新換代，與 5G 終端相比，6G 終端的能量效率預計會有 3 倍以上的提升。小區級最大并發數據流數小區級最大并發數據流數 小區級最大并發流數，即進行多用戶 MIMO（MU-MIMO，Multi-user MIMO）傳輸時可支持的最大并發數據流數目，從 4G 系統時開始成為被運營商關注的性能指標，是5G 大規模天線的一個重要性能指標。在未來的 6G 系統，為評價超大規模天線在實現小區級多流數據并發傳輸（即 MU-MIMO 傳輸）上的實際性能，可以考慮引入小區級最大并發數據流數指標。在 6G 超大規模天線系統中，以基站配置 256TRX 和下行鏈路 MU-MIMO 為例，理論上，下行鏈路小區

43、級最大并發數據流數目可以為 256 流。按照工業界實現時取理論最大值的 1/2 或 1/4 來考慮，也可以考慮支持 128 流或 64 流。但是，合理數值的設定應該要綜合考慮部署場景、天線陣列形態、性能提升、成本、能耗等因素。12 第三章第三章 新型應用新型應用 立體覆蓋增強立體覆蓋增強 目前，主流商用基站產品的射頻通道數目為 16、32 或 64，總天線振子數為 128 或192。以 64 通道、192 天線振子的天線陣列為例，它在水平方向包含了 16 個射頻通道，在垂直方向僅包含了 4 個射頻通道，每通道連接 3 天線振子，具體的天線陣列結構如圖 3-1 所示。每列的3個同極化天線構成1個

44、傳輸單元，與1個射頻通道相連接123456789 10 11 12 13 14 15 161234 圖 3-1 64通道、192天線振子的天線陣列結構示意圖 5G 基站天線架構，其主要重心還是放在地面移動通信網絡的覆蓋需求，以水平方向的覆蓋為主。雖然 5G 對于垂直覆蓋進行了一定增強，但由于垂直方向的射頻通道數較少，使得垂直方向空間自由度遠低于水平方向。因此，相關天線算法，包括波束賦形算法等，在垂直維度的性能要差于水平維度，相應的垂直維度的精度也要低于水平維度的精度。著眼于未來的 6G 通信系統，其無線網絡覆蓋將是將會向陸、海、空、天泛在融合的物理空間拓展，覆蓋將延伸到所有人類可能涉及的活動空

45、間，將人類的“數字鴻溝”縮小到極致。因此，立體覆蓋增強勢必成為 6G 系統需要重點考量的問題。13 覆蓋場景覆蓋場景 立體覆蓋增強主要包含三方面應用場景，一方面是近地面場景，高度范圍從地面算起到空中數百米的距離，涉及的新型業務包括無人機物流等；另一方面是高空場景，高度范圍在數百米到數十公里，涉及的新型業務包括空中客機的網絡服務等。此外，高空基站也是立體覆蓋增強的一個重要應用場景。接下來本節將對這三種場景進行介紹。（1）近地面立體覆蓋增強 隨著無人駕駛航空器（UAV,Unmanned Aerial Vechicle，簡稱無人機）相關產業的快速發展，其應用領域也逐漸向各個行業擴展，除軍事用途外，還

46、包括農業植保、應急通信、氣象監測、森林防火等多種用途。在民用領域中，無人機的用途主要包括兩個方面：一是用于監測（涉及高清視頻回傳，比如森林防火、警用執法等），二是用于物流（涉及載貨/卸貨，比如農業植保等）。一些典型應用中的無人機飛行高度如表 3-1 所示。上述兩方面用途中，尤其是實時監測用途，需要大容量無線網絡的支撐。表 3-1 無人機高度覆蓋需求匯總1 等級 覆蓋高度 典型應用 1 10m 農業植保類應用（如農藥噴灑）2 50-100m 電力/基站勘探、指揮/救援、航拍娛樂、空中監控、物流運輸 3 200-300m 農田信息測繪 4 300-3000m 高空巡檢（輸油管道等）5G 系統雖然能

47、夠提供 Gbps 級的傳輸速率，以及毫秒級的時延，但其網絡部署主要還是針對地面移動網絡。雖然大規模天線技術為 5G 系統在垂直空間增加了一定的自由度，可以解決高樓場景的覆蓋問題，但由于垂直維度的射頻通道數目一般較少，垂直維度的空間自由度要小于水平維度。相應的，垂直維度的空間分辨率要低于水平維度。另外，5G 基站在施工部署的時候一般會對天線面板進行一定的機械下傾，以更好的控制基站的覆蓋范圍，避免跨區干擾，如圖 3-2 所示。此時，在基站正上方的一定空間內，由于無法產生相應的波束覆蓋，這些區域的信號強度會比較弱。因此，當飛行高度較高的無人機飛過這些區域的時候，可能會產生連接中斷或是視頻回傳的中斷，

48、從而導致性能下降或產生一些安全隱患。因此，對于超大規模天線系統，需要對立體空間的覆蓋進行進一步增強，考慮在不同飛行高度下的飛行器的覆蓋需求以及上行速率需求。為滿足無人機的覆蓋要求，最主要的是增強垂直維度的覆蓋效果。一種方案是直接增加指向空中的天線，另一種是增加超大規模天線在垂直維度的數量，即通過多個窄波束取代原有的寬波束，增加整體的垂直覆蓋能力。14 基站塔頂弱覆蓋區 圖 3-2 基站塔頂弱覆蓋區示意圖（2）高空立體覆蓋增強 空中互聯網（IFC,In-Flight Connectivity）蘊含著巨大的商業價值，它不僅能為客機上的旅客帶來上網的便利，幫助航空公司改善運營服務水平，還有利于增強飛

49、機的安全性、便利性。據英國的 Valour Consultancy 預測，未來 10 年，IFC 設備制造商和服務供應商將獲得數十億美元的額外收入。目前，主要有兩種方式可以實現客機的空中互聯，一種是通過衛星通信技術，以衛星作為中繼，進行相應信息的接收和轉發。其優勢主要在于覆蓋區域廣，可實現全球覆蓋；劣勢在于配套設備及飛機改造成本較高、單機帶寬窄。另一種是通過空地通信技術（ATG,Air To Ground），利用地面基站為空中客機提供網絡服務。其優勢主要在于成本低、單機享有的帶寬較大；劣勢在于需要地面布網，無法實現跨洋覆蓋。綜上來看，空中互聯網的組網很可能是結合衛星通信和空地通信兩種技術方案，

50、取長補短，共同實現整體空域的覆蓋。超大規模天線技術可以作為空地通信的一種技術實現手段，作為陸地上空客機的網絡容量補充。（3）高空基站對水平維度的覆蓋增強 高空基站對于應急通信等特殊場景意義重大，如高空無人機基站飛行到 200 米高空時即可覆蓋 6.5 千米的地面區域，可以為抗震救災等工作提供更加優質的應急通信方案，在地面通信設備遭到嚴重破壞的情況下，可以發揮重大作用。目前業界對于高空基站的研究也已經從多個維度展開。如在頻譜方面，WRC-19 大會通過了一項 WRC-23 新議題 1.4，考慮在全球或區域范圍內，在已為 IMT 確定的 2.7 GHz 以下的某些頻段內的移動業務中，將 HAPS

51、用作高空基站，并開展高空基站與其他主要業務之間的兼容性研究。15 目前大多高空基站是通過系留無人機實現，如圖 3-3 所示。此外也有集成太陽能電池模塊的無人機基站，以無線的方式實現自我供電?？傮w來說，相比于普通地面基站，高空基站由于需要長時間浮空，在功率、重量方面都比較受限。圖 3-3 系留無人機實現高空基站 由于高空基站覆蓋范圍廣，服務用戶多，小區級的吞吐量較大，引入大規?；虺笠幠Ｌ炀€可以很好的滿足通信需求，但是由于高空基站功率和重量的限制，引入任何增強技術時，都需要重點考慮系統復雜度和功耗的問題。對于針對高空基站引入超大規模天線技術，如何降低系統的復雜度和功耗是未來的研究重點方向。立體覆

52、蓋天線陣列結構立體覆蓋天線陣列結構 大規模天線陣列、超大規模天線陣列在考慮天線總體尺寸受限、帶寬需求增加的情況下，其工作頻段可能會主要在毫米波、太赫茲頻段。28GHz 毫米波大規模天線陣列的一個實現中，整個陣面包含 768 個雙線極化單元，并劃分為 4 個子陣。每個子陣對應一條射頻通道，由水平 16 個 1 驅 1 單元和垂直 6 個 1 驅 2 單元組成。圖 3-4 給出了一條射頻通道的架構。該陣列系統在垂直面上的覆蓋范圍為15。5G 系統在城區場景中的站間距(ISD，Inter-Site Distance)平均為 300m，那么在垂直面上的覆蓋范圍在百米以內，基本上可以滿足高樓覆蓋場景的要

53、求。但是，在前述的 6G 通信系統的應用場景中，基站波束還需要連接無人機等高空飛行物體。無人機的飛行高度在幾十到幾百米量級上，因此現有的毫米波大規模陣列在垂直維度上的覆蓋能力不足。另外，在更高的頻段上，考慮到路徑上更強的物體遮擋損耗和吸收損耗，未來的站間距會進一步減小到 100m 左右，這時超大規模天線陣列需要在垂直維度上具有更高的掃描能力，即輻射波束需要在垂直面上具有更大的掃描范圍。例如，若要在垂直高度上覆蓋距離達到 200m，陣列的垂直面掃描范圍需要超過40。前面的例子中毫米波大規模天線陣列系統采用的是基于移相網絡的混合子陣架構，16 子陣在垂直維度上劃分，每個子陣所包含的單元數為 2?；?/p>

54、于移相網絡的混合子陣架構的一般化模型如圖 3-5 所示。圖 3-4 28GHz毫米波大規模陣列一條射頻通道的架構 圖 3-5 基于移相網絡的混合子陣架構一般化模型 圖 3-6 給出了 28GHz 毫米波大規模陣列輻射波束在垂直面上掃描時的垂直面方向圖。從掃描方向圖結果中，我們可以發現在當掃描到 15 時，在非主瓣方向出現了功率較高的副瓣，旁瓣抑制比大于-10dB。在這種情況下，該旁瓣會成為干擾瓣，增加波束之間的干擾，降低通信容量。同時，當掃描角度越大，干擾瓣的功率越大。移相器放大器移相器放大器移相器放大器移相器放大器移相器放大器移相器放大器TRxn基帶處理單元數據流NRF射頻鏈路射頻鏈路功放功

55、放功放NN/Nsub 17 圖 3-6 Nsub=2時圖 3-5所示陣列在垂直面上掃描的方向圖 當改變垂直子陣劃分方法時，從圖 3-7 的結果中可以得出兩個結論。結論一為只有在垂直方向上也采用 1 驅 1 的非子陣架構，才能使得陣列在垂直面上掃描角大于 40 時仍然不出現干擾瓣。結論二為陣列在垂直方向上劃分子陣時，子陣所包含的天線單元數越多，出現干擾瓣對應的垂直方向掃描角越小。例如當 Nsub=3 時，不出現干擾瓣的垂直方向掃描范圍僅為10。另外，如圖 3-7(b)所示，在子陣在垂直方向上包含 3 個單元的情況下，當陣列在垂直方向上的掃描角大于 20 時，在非目標方向的干擾瓣的功率不小于主瓣功

56、率。圖 3-7 圖 3-5所示陣列在垂直面上掃描時的垂直面方向圖(a)N=192,Nsub=1;(b)N=192,Nsub=3 綜上所示，現有架構無法滿足 6G 垂直覆蓋需求的原因是陣列在垂直方向上采用了(a)(b)18 子陣架構，使得垂直方向上相鄰子陣之間的間隔遠大于半波長，在垂直維度上不可避免地出現了功率較高的干擾瓣。本節給出幾種垂直干擾瓣問題的潛在解決方案。3.1.2.1 低功耗非子陣超大規模天線陣列架構低功耗非子陣超大規模天線陣列架構 6G 系統的速率預計會是 5G 系統的 10100 倍。根據香農定理，在流數和帶寬不變的情況下，通過擴大天線規模一方面可以提高陣列增益獲得更高的系統 E

57、IRP，另一方面還可以減少波束寬度來降低干擾，從而增加通信速率。若天線規模增大到現有的 16 倍，輻射波束的 3dB 寬度約為 1.5，是現有陣列波束寬度的 1/4。因此，在下面的分析中超大規模天線陣列的大小我們選擇為 N=3072，NRF=4。圖 3-8 所示的三種架構均是非子陣架構，在垂直、水平大范圍掃描的過程中均不會出現干擾瓣問題。但是隨著天線陣列規模的進一步增大，不同架構的功耗問題也是需要考慮在內的因素。文獻23分別給出了毫米波射頻部件功耗參考值和不同架構的簡單功耗模型。毫米波射頻部件功耗參考值如表 3-2 所示。表 3-2 毫米波射頻部件功耗參考值 名稱 符號 典型值(:mW)功放

58、PA 20 射頻鏈路 PRF 250 功分器 PSP 10 合路器 PCO 10 移相器 PPS 30 開關 PCO 5 19 圖 3-8(a)全數字架構;(b)基于移相網絡的混合全連接架構;(c)基于開關網絡的混合全連接架構 圖 3-8(a)、圖 3-8(b)、圖 3-8(c)所示架構的簡單功耗模型分別如下式所示。Pd=NPA+NPRF PP=NPA+NRFNPPS+NRFPSP+NPCO+NRFPRF Ps=NPA+NRFNPSW+NRFPSP+NPCO+NRFPRF 其中 Pd表示全數字架構功耗、PP表示基于移相網絡混合全連接架構功耗、Ps表示基于開關網絡混合全連接架構功耗。圖 3-9

59、不同架構功耗隨天線數目變化曲線(b)基帶處理單元數據流NRF射頻鏈路射頻鏈路功放功放功放N透透鏡鏡基帶處理單元數據流NRF射頻鏈路射頻鏈路射頻鏈路功放功放功放N基帶處理單元數據流NRF射頻鏈路射頻鏈路功放功放功放N(a)(c)20 基于上述功耗模型，圖 3-9 給出了不同架構功耗隨天線數目增加的變化情況。從圖中可以看出，基于開關網絡混合全連接架構的功耗是三種架構中最低的。當天線數目增加到 3072 時，全數字架構的功耗為 829.4W，基于移相網絡的混合全連接架構的功耗為461.8W，而基于開關網絡的混合全連接架構的功耗僅為 154.6W。另外，基于移相網絡的混合子陣架構的功耗模型為 PP=N

60、PA+NRFN/NsubPPS+NRFPSP+N/NsubPCO+NRFPRF，垂直方向不同子陣劃分情況的功耗和基于開關網絡的混合全連接架構功耗的比較如圖 3-10 所示。圖 3-10 的結果顯示，當子陣所包含的天線單元數目小于 3 時，基于開關網絡的混合全連接架構的功耗小于基于移相網絡的混合子陣架構的功耗；當子陣包含 3 個天線單元時，兩者的功耗可比擬；當子陣包含天線單元數目大于 3 時，基于移相網絡的混合子陣架構的功耗小于基于開關網絡的混合全連接架構。圖 3-10 垂直方向不同子陣劃分情況的功耗和基于開關網絡的混合全連接架構功耗的比較 因此，在考慮功耗的情況下，為滿足 6G 垂直覆蓋的需求

61、，基于開關網絡的混合全連接架構是 6G 毫米波超大規模陣列候選架構之一。3.1.2.2 小型化天線單元去耦陣列小型化天線單元去耦陣列 正如前文所提及，子陣架構在垂直方向上掃描到較大角度時會出現柵瓣的原因在于相鄰子陣之間的間距遠大于半波長。因此減小單元天線的電尺寸也是解決柵瓣問題的一種潛在途徑。如圖 3-11 所示的 20GHz 毫米波天線單元在疊加用超材料構成的電抗性阻抗表面的情況下，天線總體尺寸可以降低到 L=0.31。這種天線單元可以在子陣單元數不超過 2 的情況下使得對應的超大規模天線陣列輻射波束在垂直維度上掃描范圍擴大到30。進一步縮小天線的尺寸，可以進一步擴大對應陣列在垂直維度上的掃

62、描范圍。21 圖 3-11 (a)毫米波小型化天線；（b）天線性能 但是小尺寸天線在組陣的情況下會存在單元間耦合嚴重、增益損耗、波束賦形能力急劇下降的問題，如圖 3-12 所示。圖 3-12 不同相鄰小型化天線單元間距對陣列增益的影響 因此用天線小型化方案來解決毫米波超大規模陣列子陣架構垂直方向掃描范圍受限的問題，未來還需要研究緊耦合陣列去耦技術。高速以及超高速移動覆蓋高速以及超高速移動覆蓋 伴隨全球經濟發展，高鐵將進入新一輪基建浪潮。高速鐵路不僅對于地區經濟能起到重要的拉動作用，同時還能促進地區之間的交往和平衡發展，具有重要的實際意義與巨大的市場價值。因此，高速鐵路的通信保障也越發的重要起來

63、，高速鐵路（HST,High Speed Train）也逐漸成為重要的移動通信應用場景。輻射貼片層電抗性阻抗表面LL(a)(b)D=0.31D=0.66 22 在 HST 場景下，基站通常沿鐵路連續部署，典型的基站部署架構如圖 3-13 所示。不同于傳統的宏蜂窩覆蓋場景，高速及超高速移動場景，有著以下通信特點：用戶分布密集、業務多樣：HST 場景下，用戶均勻分布在列車內部，且用戶密度較大。用戶的業務需求多樣化，包括語音、高清視頻、游戲娛樂等多種業務，不同業務對網絡速率、時延的要求也不盡相同。穿透損耗較高：高速列車密閉性較好，無線信號的收發都需要穿透車體，從而產生一定程度的能量損失，這為 HST

64、 的無線覆蓋帶來了一定的挑戰。多普勒效應顯著：HST 的時速一般可達數百公里，因此在通信中會產生顯著的多普勒頻偏，引起更為嚴重的載波間干擾以及用戶間干擾，同時會導致信道發生快速變化，從而使得 HST 通信系統的性能嚴重下降。移動軌跡固定，視距環境為主：HST 場景的一個典型特點就是具有固定的移動軌跡，列車只能在鋪設的鐵軌上行駛。一般來說，HST 場景周邊較為開闊，基站一般沿鐵路連續部署。因此，用戶與基站之間以視距（LoS，Line of Sight）通信為主。小區切換頻繁、快速：由于 HST 的速度非?？?，以面向 NR 的 HST 場景為例，列車時速大于 500km/h，即每秒可行駛 140m

65、 左右，在每個基站的駐留時間非常短。小區間頻繁、快速的切換為 HST 場景的連續覆蓋以及無線鏈路的穩定性帶來了挑戰。圖 3-13 HST場景基站部署示意圖 從上述通信特點可以看出，HST 場景與傳統的蜂窩場景有較大的差異，因此 HST 場景下的通信系統架構也有所不同。結合國際發展情況來看，全球移動通信鐵路系統(GSM-R，Global System for Mobile Communication Rail-Way)是目前使用比較廣泛的高速鐵路通信系統。但是從系統運行效果來看，GSM-R 主要用于低速率列車通信和控制，比如列車調度與監控管理等，僅能承載流量要求較小的專用列控數據，難以滿足旅客的

66、通信需求。為了更好的改善鐵路通信條件，迎合高鐵旅客日益增長的個人通信速率需求，長期演進鐵路系統(LTE-R，Long-Term Evolution Railway)逐漸發展起來，旨在為旅客提供大帶寬 23 的通信服務。然而，隨著新興數據業務的發展，LTE-R 也難以為高速列車上的每個用戶提供滿意的寬帶無線接入。目前，移動通信已步入 5G 時代，HST 被列為 5G 通信網絡的重要使用場景之一，該場景面向 500km/h 的列車時速，以及 10Gbps 級的大帶寬連接，致力于為用戶提供連續、穩定、大容量的通信保證。為了實現面向 5G HST 場景的性能指標，國內外學者以及 3GPP 國際標準化組

67、織提出將 NR 毫米波頻段應用于 HST 場景4-9。一方面，可以充分利用毫米波頻段豐富的頻譜資源，提升系統容量；另一方面，由于毫米波的波長很短，天線尺寸可以做到毫米級，非常適合超大規模天線的部署，從而可以形成高增益與高指向性的窄波束以追蹤高速移動列車，改善信號質量并進一步提升系統容量。另外，高速列車的路線已知、位置可測等特點也有利于 HST 場景的動態波束追蹤。盡管毫米波加超大規模天線的技術組合可能可以實現 HST 場景的性能設計指標，但是結合 HST 場景的通信特點來看，仍存在著一系列的挑戰，主要表現在以下幾個方面：路損、穿透損耗更加突出：由于毫米波的路損、穿透損耗比低頻段更加顯著，毫米波

68、頻段下尤其需要其他的補充技術手段來彌補這部分損耗。另一方面，如果毫米波基站直接與列車內的用戶通信，電磁波必須穿透列車外殼，造成額外的鏈路開銷。因此，HST 場景下的傳輸鏈路可能需要依賴于中繼通信。多普勒頻移更加顯著：考慮 500km/h 的列車時速以及 30GHz 的系統頻段，HST 場景下的多普勒頻移可達到數十千赫茲，是 LTE-R 系統的 20 多倍10，顯著加劇了載波間干擾以及用戶間干擾。因此，多普勒頻偏估計及補償技術對于毫米波 HST 場景尤為重要。切換問題更加嚴重：對于毫米波系統，在相同功率約束下的有效覆蓋距離通常要小于低頻。如果沿鐵路布設毫米波基站，平均站間距可能僅有百米，這將造成

69、更頻繁的小區切換。為了克服上述挑戰，國內外學者就 HST 場景下的超大規模天線技術、毫米波技術展開了廣泛的研究。針對路損、穿透損耗問題，文獻7研究了毫米波 HST 場景下的高速率傳輸的多路接入技術、幀結構以及列車軌旁網絡體系結構。在該文獻提出的網絡架構中，通過密集部署分布式地面遠程無線射頻單元(GRRH，Ground Remote Radio Head)以保證鐵路沿線的覆蓋，每個 GRRH 都可以是一個天線陣列，負責射頻信號的傳輸。地面基帶單元(GBBU，Ground Baseband Unit)池通過前傳網絡與 GRRH 進行連接，負責集中的信號處理和網絡優化。另一方面，為了獲得空間分集增益

70、，需要在列車頂部部署分布式的中繼站，作為基站與用戶之間的中繼設備。通過這種網絡架構，可以避免列車外殼穿透損耗影響，有效的提升信號覆蓋性能與系統容量。針對多普勒頻移問題，文獻5基于高速鐵路環境中列車位置與移動路線可預測的特點，提出了一種聯合環境地圖與導頻分段的多普勒頻偏估計方法。通過將環境地圖與分段導頻方法進行聯合，并利用最大后驗概率方法獲得多普勒頻偏，滿足了毫米波 HSR 場景下多普勒頻偏估計范圍與精度要求。針對小區頻繁切換問題，文獻11提出了一種去蜂窩的大規模天線技術，在去蜂窩網絡架 24 構下，“小區”的概念不復存在，因此，小區頻繁切換的問題有望得到解決。另外，相關研究表明，去蜂窩超大規模

71、天線技術可以有效對抗移動性帶來的性能損失。對于高速及超高速移動場景，為實現用戶的高品質移動互聯網接入，超大規模天線技術將發揮重要的作用。通過集中式部署的超大規模天線陣列，結合波束賦形技術，可以顯著提升信號質量與系統容量。通過分布式的超大規模天線部署，可以有效的提升覆蓋性能，提高信息傳輸速率?？臻g精確定位與感知空間精確定位與感知 近年來，隨著行人導航、智能交通等一系列基于位置的服務蓬勃發展，用戶位置信息的獲取與感知變得愈發重要。對于正逐步投入使用的 5G 網絡和未來的 6G 網絡而言，高精度定位將是一項不可或缺的使能技術。在城市復雜環境中，GNSS 定位系統的信號易受建筑物的遮擋，定位性能無法滿

72、足實際應用需求。超大規模天線技術具備較強的空間感知能力，其在 5G/6G 網絡中的應用，將為城市環境中定位技術的研究帶來新的機遇。1.城市復雜環境城市復雜環境 城市環境中，建筑物的高度相對較高且排列緊密，對 GNSS 衛星信號與地面蜂窩信號都有很強的遮擋作用，能夠被地面或低空的用戶設備用于定位的衛星、基站的數目較少。其次，無線信號易在建筑物表面發生反射和衍射，從而造成信號的非視距（NLoS）傳播和多徑傳播，嚴重影響信號到達時間(ToA，Time of Arrival)和角度（AoA,Angle of Arrival）的測量精度。此外，由于人體、車輛等環境物體所具有的動態性，密集城市中無線信號的

73、傳播環境很不穩定。已有研究指出，在城市復雜環境中，任意單一定位技術在精度、可用性和連續性等方面無法有效滿足實際應用的需求。因此，綜合利用多種系統的定位能力為用戶提供位置服務的融合定位技術將是未來城市環境定位技術的主流發展趨勢。2.GNSS 系統在城市復雜環境中的性能缺陷系統在城市復雜環境中的性能缺陷 如前所述，城市環境中的建筑物對 GNSS 衛星信號有較強的遮擋與反射作用，使得用戶可用的衛星數目較少且接收信號中多徑、非視距傳播現象顯著，嚴重影響 GNSS 系統的定位性能。下文以城市峽谷、城市路口這兩個典型場景為例，詳細介紹 GNSS 系統在城市復雜環境中的性能缺陷與面臨的挑戰。1)城市峽谷場景

74、 如圖 3-14 所示，在城市峽谷場景中，用戶（行人、車輛）位于道路中，高層建筑物沿道路兩側分布。由于受到建筑物的遮擋，用戶無法正常接收和使用跨街方向上的衛星發射的導航信號（紅色虛線），僅能使用沿街方向上的衛星（綠色實線）對自身進行定位。如此一來，定位衛星的幾何分布非常惡劣，導致定位結果中跨街方向上的定位精度極低，完全無法區分街道兩側，甚至會出現定位到其它道路上的極端情況。25 定位誤差范圍衛星用戶 圖 3-14 城市峽谷GNSS定位場景 此外，在較為空曠的環境中，導航信號的多徑、非視距傳播可以利用冗余測量通過一致性檢測等方法進行識別與排除。然而在城市峽谷場景中，由于 GNSS 衛星的可見性有

75、限，用戶設備無法獲取數量足夠多的衛星進行完好性評估與監測，因此信號的多徑、非視距傳播會嚴重影響 GNSS 系統的定位精度。LoS信號用戶真實位置用戶估計位置NLoS信號 圖 3-15 信號非視距傳播對GNSS定位性能的影響 2)城市路口場景 如圖 3-16 所示，相比于城市峽谷場景，城市路口場景中 GNSS 衛星的可見性相對較好。然而，此場景中定位衛星的幾何分布仍不容樂觀，且信號多徑、非視距傳播現象依舊非常常見。26 定位誤差范圍正確車道誤判車道 圖 3-16 城市路口GNSS定位場景 值得注意的一點是，車輛等動態用戶設備在城市路口處可能會出現運動方向的快速變化（車輛轉向）。因此，與城市峽谷相

76、比，城市路口場景對于位置服務的精度和連續性有著更高的要求。然而，受到不良幾何分布和信號非視距傳播的影響，GNSS 系統在路口處的定位誤差仍然很大，有較大概率誤判用戶所在的道路以及運動方向。綜上，GNSS 定位技術的性能在城市復雜環境中受到衛星可見性、信號非視距傳播等多種因素的影響，無法獨立地為用戶提供滿足其應用需求的位置服務。3.超大規模天線的空間定位與感知能力超大規模天線的空間定位與感知能力 超大規模天線是 6G 系統的核心技術，與大規模天線系統相比，其所使用的天線數目可增加 12 個數量級。在通信服務方面，超大規模天線技術能夠有效利用空間資源，提高系統的頻譜效率與用戶容量。值得注意的是，在

77、位置服務方面，超大規模天線系統也具有較強的空間定位與感知能力，且與已有無線定位系統相比，在某些方面存在明顯的技術優勢。超大規模天線系統在位置服務方面的技術特點具體如下：1)更高的角度/時間分辨率 超大規模天線系統利用波束賦形技術能夠產生很窄的信號波束，不僅具備角度信息的獲取能力，且與傳統 MIMO 系統相比在角度分辨率方面有顯著提升。此外，在 6G 網絡中，超大規模天線技術還可以與毫米波/太赫茲通信等技術結合使用，利用毫米波/太赫茲信道的大帶寬特點，進一步提升系統的時間分辨率。超大規模天線技術帶來的角度/時間分辨率提高不僅能夠有效改善位置服務的精度，還有助于信號多徑/非視距傳播的識別與抑制，從

78、而有助于提升城市復雜環境中位置服務的穩健性。2)單基站定位服務能力 27 GNSS多邊定位LTE多邊定位(a a)(b b)圖 3-17(a)傳統多邊定位模型，(b)超大規模天線定位模型 如圖 3-17(a)所示，已有的 GNSS 系統和信號到達時間差定位（OTDoA，Observed Time Difference of Arrival）技術采用多邊定位的方式為用戶提供位置服務，即利用多個衛星/基站與用戶設備進行距離（偽距）測量，并且僅依據距離測量結果對用戶位置進行解算。與傳統多邊定位技術只能進行距離測量相比，超大規模天線系統能夠獲得信號到達時間(ToA，Time of Arrival)、信

79、號離去角（AoD，Angle of Departure）、信號到達角（AoA，Angle of Arrival）等更為豐富的觀測量，且測量精度相對較高。如圖 3-17(b)所示，在下行鏈路中，單個配備超大規模天線的 6G 基站利用兩個波束對信號 AoD 和 ToA 參數進行測量，即可實現定位功能。超大規模天線系統的單基站定位功能極大地減輕了位置服務對于可用衛星/基站數目的依賴，有利于在城市峽谷等衛星/基站可見性受限的環境中實現高精度定位。此外，由于只需使用一個基站，位置解算所需的觀測量受到信號多徑/非視距傳播的影響較小。因此，基于超大規模天線的單基站定位技術在城市復雜環境中有更好的環境適應性。

80、3)航向/姿態測量能力 超大規模MIMOxy用戶天線陣列AoDAoA方向角 圖 3-18 基于超大規模天線系統的航向/姿態測量 28 如圖 3-18 所示，對于一些配備小型天線陣列的用戶設備（車輛等）而言，超大規模天線系統在為用戶提供位置服務的同時，還能夠對用戶設備的航向/姿態進行實時測量。超大規模天線系統的姿態測量功能對自動駕駛、車輛避撞等基于位置的服務而言至關重要。4)高精度三維定位能力 用戶天線陣列方向角 圖 3-19 基于超大規模天線系統的三維定位 對于傳統 GNSS 系統而言，導航衛星所處高度遠高于用戶設備，即定位錨節點的高度層分布過于單一，導致定位結果中垂直方向上的定位誤差較大。對

81、于行人、車輛等地面用戶而言，可以使用數字高程模型（DEM）來確定用戶的三維位置。然而，對于以無人機（UAV）為代表的低空用戶設備，GNSS 系統較低的垂直定位精度將直接影響它們的正常運行。值得注意的是，超大規模天線系統能夠精確測量用戶設備相對于基站的方位角與高度角，即具備較強的單基站三維定位能力。利用波束成形等技術，超大規模天線系統能夠對低空用戶設備的位置和飛行軌跡進行實時估計與跟蹤。4.超大規模天線基站超大規模天線基站與與 GNSS 系統的融合系統的融合 如前文所述，超大規模天線系統具備較強的空間定位與感知能力，且與 GNSS 系統等已有無線定位系統相比，在某些方面存在明顯的技術優勢。然而，

82、GNSS 系統在技術成熟度、系統可靠性等方面仍遠優于超大規模天線系統，以車聯網（C-V2X）、5G 無人機為代表的一批新型應用也將 GNSS 定位技術視為位置服務的一項關鍵使能技術?？傮w而言，上述兩類系統在不同場景中的定位性能各有優劣，存在優勢互補的潛力。因此，綜合利用 GNSS 系統與超大規模天線系統的定位能力的融合定位技術，是在城市復雜環境中實現高精度、高可靠位置服務的首要選擇。本文對以下幾個具體研究內容進行深入研究與探討。1)城市復雜環境中的位置服務覆蓋 29 圖 3-20 超大規模天線+GNSS系統位置服務覆蓋 在高架橋下方、隧道內部等城市空間中，GNSS 系統由于衛星信號易受到遮擋，

83、無法實現位置服務的全面覆蓋。以車輛為代表的高動態用戶設備在運行過程中會頻繁地經過這些 GNSS 信號無法覆蓋的空間，衛星信號的頻繁中斷會嚴重影響位置服務的連續性與可靠性。針對上述情況，超大規模天線系統可以作為 GNSS 系統的替代，為 GNSS 信號中斷環境下的用戶提供高可靠的位置服務。因此，需要研究如何利用超大規模天線系統和GNSS 系統的協作實現城市室外環境中位置服務的全面、無縫覆蓋。2)超大規模天線+GNSS 系統融合定位 超大規模天線系統所具有的高角度分辨率和單基站定位等特點,有助于解決傳統GNSS 系統在城市環境中面臨的衛星可見性受限、錨節點幾何分布不理想等問題。因此，上述兩類系統的

84、定位能力進行融合，利用不同系統的特點實現技術間的優勢互補，可以提升城市復雜環境中位置服務的精度。如圖 3-21 所示，在城市峽谷場景中，用戶設備可見的 GNSS 衛星（綠色實線）幾乎完全分布于沿街方向上，這一較差的錨節點幾何分布導致 GNSS 系統在跨街方向上的定位誤差（黃色橢圓）極大。為了解決上述問題，可在道路一側的建筑頂部設置一個配備超大規模天線的基站，該基站利用波束成形技術產生寬度較窄的信號波束，所發射的信號能夠覆蓋一段道路。30 GNSS誤差范圍大規模天線+GNSS誤差范圍 圖 3-21 城市峽谷超大規模天線+GNSS定位場景 首先，由于波束寬度較窄，利用自身所處波束的標識（ID）信息

85、，用戶設備就能夠有效減少定位誤差范圍（綠色橢圓），且在一些區域內能夠直接提升跨街方向上的定位精度。此外，超大規模天線基站還能夠通過多個波束對用戶的方位角進行精確測量。利用卡爾曼濾波、粒子濾波等算法對 GNSS 系統獲得的偽距測量結果和超大規模天線系統獲得的角度測量結果進行融合、解算，可進一步提升位置估計的精度。如圖 3-22 所示，在城市路口場景中，用戶所處波束的標識信息同樣能夠降低定位誤差范圍，并有助于確定用戶在路口處選擇的行駛方向。此外，超大規模天線系統具有航向/姿態測量能力，能夠對車輛等用戶設備的航向/姿態信息進行實時測量。根據 GNSS 系統獲得的偽距、速度測量結果以及超大規模天線系統

86、獲得的角度、航向測量結果，利用粒子濾波等算法可對用戶設備的運行軌跡進行精確預測，提升城市路口場景中位置服務的精度與連續性。GNSS誤差范圍大規模天線+GNSS誤差范圍 圖 3-22 城市路口超大規模天線+GNSS定位場景 3)針對城市低空用戶的高精度三維定位 在未來城市環境中，以無人機為代表的低空設備在物流運輸、通信服務以及公共安全等方面有著廣闊的應用前景。由于城市中高層建筑眾多且排列緊密，高精度三維位置 31 服務對于低空用戶設備的飛行安全而言至關重要。此外，政府部門對于民用無人航空器的監管需要也對低空用戶的定位性能提出了較高的要求?，F階段主要利用 GNSS 定位技術對低空用戶設備進行定位，

87、其三維定位精度尤其是垂直精度尚無法滿足低空用戶安全飛行的需求。垂直定位誤差 圖 3-23 超大規模天線+GNSS系統高精度三維定位 超大規模天線系統的部署與應用，給上述問題的解決帶來了新的機遇。如圖 3-23 所示，超大規模天線基站通常部署于地面或建筑物頂部，其所處高度遠低于 GNSS 衛星，甚至會略低于低空用戶。因此，將超大規模天線系統用于定位能夠有效改善定位錨節點的高度分布，有助于 GNSS 系統三維定位精度的提升。此外，超大規模天線系統本身具備較強的三維定位能力，能夠對低空用戶設備的方位角、高度角等參數進行精確測量。一方面，可以將超大規模天線三維定位視作 GNSS定位的替代技術，在一些

88、GNSS 信號無法覆蓋的城市空間中為用戶設備提供三維位置服務。另一方面，可以利用卡爾曼濾波、粒子濾波等融合算法對超大規模天線系統和 GNSS系統獲得的多種參數測量結果進行融合，綜合兩種系統的定位能力，進一步提升三維位置服務的精度。32 第四章第四章 關鍵技術關鍵技術 信道建模信道建模 信道建模是無線通信系統仿真和性能研究的基礎。在 5G通信系統的建模與評估中，終端與基站間的信道建?；诮K端天線與基站天線處于互相間的遠場的假設進行，接收到的電磁波建模成平面波，且假設處于平穩狀態。在超大規模天線系統中，基站天線有可能分布在一個較大的區域，從而形成超大孔徑天線陣列。在超大孔徑天線陣列下，終端處于天線

89、陣列的近場，此時接收到的電磁波不能近似為平面波，而且具有非平穩特性，現有系統的遠場建模方式不再適用。本節將概述多天線系統的經典信道建模方式和 3GPP的大規模天線信道模型，給出超大規模天線系統信道建模的研究建議。信道建模方式概述信道建模方式概述 多天線系統的信道建模方式主要包括：基于幾何散射體的統計隨機模型、基于幾何散射體的確定性模型和基于相關性的統計隨機模型。（1）基于幾何散射體的統計隨機模型 基于幾何散射體的統計隨機模型是基于空間幾何體（散射體）的分布來建模無線信道，通常用于多天線衰落信道的建模。由于散射體的存在，信號在傳輸過程中會經歷多個不同的傳播路徑，這些傳播路徑（多徑分量）的疊加形成

90、無線信道。散射體的分布決定了多徑分量的時延、功率和角度。通過對散射體簇、散射體數目、大小、幾何分布等的統計擬合可以獲取信道的特征參數，從而實現信道建模。由于在不同環境下散射體的分布不同，基于幾何散射體的統計隨機建模在不同部署場景下使用不同的統計參數。（2）基于幾何散射體的確定性模型 在基于幾何散射體的確定性模型中，真實的物理信道是基于準確的信道環境信息進行重建，而非統計信息確定信道參數。在該模型下，無線信道的物理傳播參數，如多徑分量的幅度、相位、時延等都是完全確定的，通過射線跟蹤、信道測量等方式獲得。（3）基于相關性的統計隨機模型 基于相關性的統計隨機模型是通過建模信道矩陣中各元素之間的相關性

91、來建模MIMO 信道。這種信道建模方式精確性較低，復雜度也較低。常用的基于相關性的統計隨機模型有獨立同分布模型、Kronecker 模型等。不同的應用場景可以考慮不同的信道建模方式。在可以進行精確的信道測量時，使用基于幾何散射體的確定性模型可以最為準確地建模信道。在進行多天線系統的理論分析時，可以使用復雜度較低的基于相關性的統計隨機模型。在通信系統的標準化中，綜合考慮信道建模的準確性和普適性，通常采用基于幾何散射體的統計隨機模型，如 3GPP的 3D MIMO 信道模型，WINNER II 模型、COST2100 模型等。3GPP 大規模天線的信道建模方法大規模天線的信道建模方法 3GPP 大

92、規模天線的信道建模是一個 3D 信道模型，以 WINNER 模型和 ITU 的 2D 33 信道模型為基礎，綜合考慮了水平和垂直兩個維度的空間信道特性。無線通信系統的信道建模通常包括大尺度衰落和小尺度衰落的建模。在不同的部署場景下，基站和終端的地理位置、天線高度、建筑物的分布、終端的分布等都有所不同，這些因素直接影響信道的大尺度參數。因此，3GPP 針對 Uma、UMi、Indoor office 和 RMa場景分別進行了信道建模。信道的大尺度衰落包括路徑損耗、穿透損耗和陰影衰落。在自由空間傳播中，路徑損耗僅與傳輸信號的載波頻率、傳輸距離以及收發天線的增益有關。在實際的無線信道環境中，散射體對

93、無線信號的反射、繞射及散射影響著路徑損耗、直射徑的概率等。因此，不同部署場景下有著不同的路徑損耗、直射徑概率等的建模方式。小尺度衰落是指無線電信號在短時間或短距離傳播后其幅度、相位或多徑時延的快速變化。通常是由于多徑分量的疊加引起的。小尺度信道建模主要考慮時間色散參數、頻率色散參數及空間色散參數的建模。這些參數的建模與天線的極化方向、收發天線的相對位置等有關。色散參數相關的統計特性多通過實測獲得。在 3GPP 的信道模型中，均假設電磁波為平面波，并且針對所有的收發天線使用相同的散射體分布和相同的路徑角度進行信道建模。針對大規模天線陣列，僅僅考慮了對散射體數量、散射體角度范圍和時延范圍進行擴展。

94、3GPP 大規模天線信道建模的下行信道參數生成過程如圖 4-1 所示。Set scenario,network layout and antenna parametersGenerate XPRsPerform random coupling of raysGenerate arrival&departure anglesGenerate cluster powersGenerate delaysAssign propagation condition(NLOS/LOS)Calculate pathlossGenerate correlated large scale parameters(D

95、S,AS,SF,K)Draw random initial phasesGenerate channel coefficientApply pathloss and shadowingGeneral parameters:Small scale parameters:Coefficient generation:圖 4-1 3GPP 大規模天線信道參數生成過程12 34 超大規模天線系統信道建模超大規模天線系統信道建模 相對于傳統的大規模天線系統，超大規模天線系統的天線陣列規模更大。在未來的網絡部署中，超大規模天線陣列有可能出現以下形態：（1）天線規模很大，但天線陣列的尺寸與現有系統的陣列相當

96、甚至更??；（2）天線規模很大，天線陣列的尺寸也很大；（3）分布式天線陣列?？紤]到天線收發效率，傳統的金屬天線的尺寸通常與波長成正比（一般為 1/2 波長或 1/4）。因此只有在超高頻段，超大規模天線陣列的天線尺寸才有可能很小。以 1THz 頻段為例，由于波長只有 0.3 毫米，理論上在幾十厘米的距離內可以放置上百根天線。隨著天線技術的發展，使用新型材料，相對于金屬天線，可以在更小的尺寸內放置更多的天線。文獻13給出了一種超材料新型天線，4.9GHz 頻段時兩根天線在間距 1mm(0.017 波長)時仍能保證良好的天線隔離度和天線性能。文獻14給出了一種用于太赫茲頻段的石墨烯等離子天線陣列，理論

97、上 1 平方毫米的尺寸上可以放置上千根天線。信道建模需要考慮新型天線設計的影響。傳統 MIMO 通信系統中，由于天線數量較少，天線陣列的近場區域范圍很小，終端到基站之間的空間距離往往遠超過瑞利距離(22/,其中，L 表示天線孔徑，表示波長)，滿足遠場傳播條件。此時可認為所有收發天線對間的信道經歷相同的散射體和路徑角度（AOA、AOD、ZOA、ZOD），同一個散射路徑到達天線陣列的各天線陣元近似平行，球面波前近似為平面波前。圖 4-2（a）給出了一個二維平面信道的平面波前的示意圖，從該圖可以看出，發射天線與第 k 個接收天線陣元的距離可近似表示為=1+(1)cos,其中，表示發射天線距離第 k

98、個接收天線陣元的距離，表示發射天線距離第 k 個接收天線陣元與第 1 個接收天線陣元的距離差，表示路徑與天線陣列的夾角。1k.（a）平面波前示意圖 （b）球面波前示意圖 圖 4-2 電磁波波前示意圖 隨著天線陣列尺寸的增加，天線陣列的瑞利距離也會增大，終端與基站之間的距離可能不再滿足遠場條件。此時，到達天線陣列不同陣元的電磁波會呈現出球面波特性。在這種情況下，無法用單一的角度來建模所有天線的路徑，即不能使用平面波來近似球面波。圖 4-2（b）給出了一個位于近場的終端球面波示意圖?？梢钥闯?，在進行球面波信道建模時，應當為各個天線陣元獨立地建?？臻g距離、AOA、AOD、ZOA、ZOD 和多普勒頻移

99、等。35 對于超大孔徑天線陣列來說，多個天線陣元經歷的信道將呈現出非平穩特性。文獻15針對工作在 2.6GHz，發送端包含 128 個天線單元的虛擬線陣進行了信道的測量。其測量結果顯示，以包含 10 個天線陣元的滑動窗內進行窗滑動時，滑動窗在不同位置時測量到的信道增益、快衰系數、角度功率譜等都會產生較大差異。這表明，對于大孔徑天線陣列，平穩信道建模將不再合適，應考慮非平穩的信道建模方式。雖然當采用球面波對超大規模天線系統進行信道建模時，通過對不同的天線收發對分別建模路損、角度參數、多普勒頻移等可以更精確地進行信道建模，但由于天線規模巨大，信道的建模也將變得非常復雜。超大規模天線系統的信道建模需

100、要考慮一些簡化的方式，例如，基于終端與基站的相對位置簡化部分天線的信道建模等。綜合以上分析，超大規模天線系統的信道建模研究可考慮如下方向：（1）針對遠場場景和近場場景考慮不同的信道建模方法。（2）對于新型天線，基于新型天線的電磁波傳播特性、天線形態對信道進行建模。（3）對于近場信道建模，使用更為精確的信道建模方式代替平面波信道建模。例如，進行球面波建模。如果進行球面波信道建模，需要考慮復雜度與精確性的折中。（4）對于近場信道建模，可以考慮針對不同的天線陣元差異化建模散射體，以建模信道的非平穩特性。例如，信道環境中的一些散射體只對部分天線陣元可見、在建模終端在系統中的移動時增加散射體的生滅過程（

101、即隨著終端的移動，部分原本不可見的散射體變得可見，部分原本可見的散射體不再可見）等。波束管理波束管理 背景介紹背景介紹 高增益天線是實現高頻通信的必要技術之一，通過高增益天線彌補高頻信道帶來的大傳輸損耗，這不僅要求基站采用高增益天線，終端也可能需要定向天線/波束。如何保持基站與終端之間的波束是對準的，特別是在用戶移動或者周圍環境發生變化的情況下快速對準波束是技術上的難點。gNB1234UL/DL beam#TRP panel 1 4UE(1 active panel for UL/DL transmission)UL/DL beam#UE panel-1 圖 4-3 波束管理示意圖 36 高頻

102、信道的特征對波束跟蹤策略有著重要的影響:1)信道在空域上表現為反射損耗大，關鍵路徑有限，信道在空間上呈現稀疏性。因此如何利用空間稀疏性來加速波束跟蹤是重要研究方向；2）高頻帶寬大，信道在時間上的分辨率可以達到納秒級；3）角度域在時間上呈現連續變化，部分呈現角度跳躍。這對應于終端移動、翻轉等情況。如何設計波束來有效跟蹤角度變化是關鍵。目前波束成形主要分為兩類：1）基于預編碼技術的波束，這是比較實用的方法，特別是在超大規模模擬陣列天線下，能夠快速有效地成形波束；2）自適應波束成形技術。前者是預先定義好要發送的波束或者預編碼，后者是根據信道自適應生成波束，或者聯合信道估計與波束成形技術。利用信道在空

103、域上的稀疏特征，采用感知壓縮技術，能夠有效降低波束的個數(遠小于天線單元數)，使得波束訓練開銷大大降低。例如 256 根天線陣列下，可以在損失 2-3dB 的條件下，把訓練開銷降低 75%，只有傳統波束訓練過程開銷的 1/4。另外采用類似兩層或者多層的波束成形和跟蹤方法，也能有效提升高頻性能?；陬A編碼（固定多波束）的方法在實現方面更具備優勢?？紤]未來的高低頻組網，也有單位提出先利用低頻段初步搜索波束方向，達到粗對準，高頻基站終端再利用粗對準信息優化波束和跟蹤。在高速移動場景下，基站和用戶之間需要實現快速的波束管理操作，涉及高效的波束報告、低延遲的波束指示等。以高速列車為例，需要研究新型的通信

104、架構，例如以高速列車為中繼節點的傳輸模式，將傳統意義上的基站與用戶之間的波束管理，轉變成基站與高速列車節點和高速列車節點與 UE 之間的波束管理?？紤]移動軌跡的可預測的特性，可以運用 AI 技術到波束管理中，對于一段時間內的波束切換圖譜進行預測和事先配置。波束波束訓練訓練和和波束追蹤策略波束追蹤策略 在給定波束碼本的情況下，波束成形（也稱為波束訓練）的目標就是要為隨后數據傳輸分辨出最優的收發波束組合；而波束追蹤的目標就是在設備角度旋轉或位置移動下確保所選波束的半功率衰減波瓣覆蓋最優發送和接收方向，即維護波束對準。最優波束組合的判定準則主要包括最大化信道容量和最大化接收端 SNR 兩種，而這兩種

105、判定準則都需要獲得備選波束組合的信道估計結果。波束訓練的直觀策略就是窮舉搜索，即測量所有備選波束組合下的信道質量并且找到最優波束組合。然而，窮舉搜索策略需要高昂的訓練花銷，因此有很多文獻研究低訓練花 銷的 波 束訓 練方 案，例如 5G-NR/IEEE 802.15.3c 多 層反 饋波 束訓 練方 案、IEEE802.11ad 單層反饋波束訓練方案等。需要說明，在訓練的過程中，相對于最優方向的備選波束的偏離角的變化范圍可能會從 0 度變化到 180 度，因而系統可能會多次經歷波束對準和未對準這兩類情況?；颈仨毷褂枚鄠€不同指向的波束才能完全覆蓋小區。如圖 4-4 所示，基站使用了8 個波束覆

106、蓋其服務的小區。在下行過程中，基站依次使用不同指向的波束發射無線信號，該過程被稱作波束掃描(Beam sweeping)；與此同時，用戶測量不同波束發射出的無 37 線信號(Beam measurement)，并向基站報告相關信息(Beam reporting)；基站根據用戶報告確定對準該用戶的最佳發射波束(Beam determination)。更為復雜的是，用戶也有天線陣列。這意味著，我們在波束對準的過程中既要考慮發射波束，也要考慮接收波束。為此，5G 標準允許用戶對發射波束變換不同的接收波束，并從中選擇最佳接收波束，由此產生一對最佳發射接收波束。在圖 4-4 中，用戶 1 和 2 所對應

107、的最佳波束對分別為（t4，r3）和（t6，r2）。圖 4-4 多用戶場景下的波束管理 在實際情況下，為了保證最終得到足夠的信號增益，超大規模天線陣列所產生的波束通常需要變得很窄。付出的代價是，基站需要使用大量的窄波束才能保證小區內任意方向上的用戶都能得到有效覆蓋。在此情況下，遍歷掃描全部窄波束來尋找最佳發射波束的策略顯得費時費力，與所期望的用戶體驗不符。為快速對準波束，一般采用分級掃描的策略，即由寬到窄掃描。圖 4-5 基于分級的波束掃描策略 第一階段為粗掃描，基站使用少量的寬波束覆蓋整個小區，并依次掃描各寬波束對準的方向。如圖 4-5 所示，基站在此階段使用了寬波束 tA 和 tB，且只為用

108、戶對準寬波束，對準方向精度不高，所建立的無線通信連接質量亦比較有限，一般只用于連接的建立，傳輸必要的控制信息，和完成一些基本的測量。第二階段為細掃描，基站利用多個窄波束逐一掃描已在第一階段中被寬波束覆蓋的方向。對單個用戶而言，盡管此時的掃描波束變窄，但所需掃描的范圍卻已縮小，掃描 38 次數便相應減少。如圖 4-5 所示，在第一階段寬波束對準的基礎上，基站只需繼續細化掃描與各用戶有關的 4 個窄波束，比如為用戶 1 掃描波束 t1-t4,為用戶 2 掃描波束 t5-t8。此時，基站改善了對準每個用戶的波束方向的精度，所建立的無線通信連接質量得到提高。因此，在圖示的兩級波束管理過程中，基站只需為

109、每位用戶掃描 6 次，而無需對全部 8 個窄波束都進行掃描。獲得窄波束后可以用于高速的數據傳輸。相應地，波束追蹤的常用策略就是對于相鄰波束組合的掃描搜索。例如，在 16 天線單元的高頻通信系統中，定向波束的半功率衰減波瓣寬度（HPBW，Half-Power Beam Width）3dB大約為 22.5 度，而由人體肘關節和手腕驅動下的設備旋轉可以導致高頻段收發機在很短的時間內發生波束未對準。一旦接收信號功率低于預先設定的門限后，系統需要通過相鄰波束掃描的方法來追蹤新的最優波束組合。在這種情況下，波束追蹤的備選波束的偏離角可能會大于3dB/2，即出現波束未對準。手持設備的移動特性，是區別于一般固

110、定設備的主要特征。具體而言，手持設備的移動是由設備位移和設備旋轉兩種運動形式構成。如果目的設備距離源設備 1m，2m/s 的步行速度所帶來的設備位移在最惡劣的情況下每 196.3ms 就會發生 22.5 度旋轉。與設備位移相比，設備旋轉帶來的天線角度的旋轉會更為明顯。通過智能手機中內嵌的加速度傳感器和陀螺儀傳感器的測試，文獻16給出了各種常見場景下手持設備的旋轉速度，如表 4-1 所示。在極限情況下，手持設備在28.1ms 內就會發生 22.5 度旋轉。而在常見的閱讀和瀏覽網頁時，每 62.5 至 375ms 的時間內就會發生一次 22.5 角度旋轉。表 4-1 手持設備的旋轉測量 活動活動

111、旋轉速度旋轉速度（revolutions per minute，rpm）每每 100ms 內角度內角度旋轉旋轉 閱讀，瀏覽網頁（屏幕方向未旋轉）10-18 6-11 閱讀，瀏覽網頁（屏幕方向旋轉，從水平顯示切換到豎直顯示，或相反）50-68 30-36 玩游戲 120-133 72-80 由此可見，當設備位移和旋轉同時發生時，僅需要百毫秒左右的時間，高頻段接收信號就會發生 3dB 功率衰減，數據傳輸定向波束不再對準。若不進行定向鏈路維護，高頻段系統需要不斷執行波束訓練。為了便于理解，本節描述了一次波束訓練與追蹤的執行過程。圖 4-6 顯示了一對互聯站點（即 STA-a 和 STA-b，其 HP

112、BW 分別為3dB和3dB）之間數據定向傳輸的場景。假定，在 0 時刻下，站點 STA-a 和 STA-b 之間發起定向鏈路傳輸，(0)和(0)分別 39 表示最小路徑損耗的物理路徑方向。此時，站點 STA-a 和 STA-b 需要進行波束訓練。如果使用窮舉搜索的訓練策略，兩站點需要掃描所有可控的波束組合，測量相應的信道質量，最后選擇出最優波束組合用于隨后的數據傳輸。假設通過波束訓練，系統成功的從所有可控波束組合中選擇 STA-a 的波束 a2和 STA-b 的波束 b2來形成一條定向鏈路。但是，由于不可預期的旋轉或者位移，在 n 時刻最優收發方向分別旋轉到了()和()，并且超出了波束 a2和

113、 b2的有效覆蓋范圍。若接收信號衰減超過預設門限，系統將啟動波束追蹤。根據高頻段信道的空時一致性和上一時刻的先驗信息，上一時刻的數據傳輸波束 a2和 b2以及他們的相鄰波束，即波束 a1、a3、b1和 b3構成新的備選波束集合。系統通過掃描這些波束組合和測量相應的信道質量，進而選擇出新的最優的波束組合(a3,b3)用于執行后續的數據傳輸。3a1a3a2aSTA-aa(0)fa()f n2a1a3b1b3b2bSTA-bb(0)fb()f n2b1b最優方向角度旋轉 可選波束b-3dBqa-3dBq有效路徑 圖 4-6 站點STA波束訓練與追蹤場景（陰影部分表示波束a1的半功率衰減波瓣）為了獲得

114、顯著的天線增益以對抗路徑損耗，高頻段無線信號采用波束賦形技術來實現高度方向性傳輸，物理多徑的分集效應被大幅度限制。當終端或其它物體發生移動時，一旦物理傳播鏈路被遮擋，通信鏈路將會直接面臨中斷。為了解決這種問題，系統通過維護多個獨立的波束可以實現吞吐量或鏈路魯棒性的提升。高速移動場景下波束管理高速移動場景下波束管理 本節考慮毫米波/太赫茲通信基站與高速運行的高鐵進行通信的場景，如圖 4-7 所示。通過提前獲知高鐵運行的軌跡和時段，路邊基站的波束提前照射在列車可能出現的位置，由此進行快速的波束賦形，而列車車廂間的固定天線的波束賦形則采用傳統的遍歷式波束賦形。因為收發天線均是固定的，在收發天線完成了

115、一次波束賦形后，可在此基礎上進行持續的進行數據傳輸，無須進行波束搜索，只有當信道質量變差時再進行新的波束搜索。40 圖 4-7 高速移動場景下的波束管理 此外，在高速移動場景下，波束管理需要有效的解決快速波束上報和波束指示的問題。在高鐵等場景下，用戶的移動軌跡相對穩定，因此可以考慮波束管理結合 AI 的框架來進行移動軌跡的預測和時域波束變化圖譜的事先指示等。信道預測的思想，可以減小反饋開銷，應對高速移動的場景。其關鍵思想是通過一階馬爾可夫過程對相鄰時隙中的時變信道進行建模，然后可以利用經典卡爾曼濾波器來跟蹤時變信道。但這類方案不能直接擴展到太赫茲頻段超大規模天線系統，因為具有特殊稀疏結構的太赫

116、茲波束空間信道不能用一階馬爾可夫過程建模?；谝恍┘僭O可以對移動性建模，比如短時間內為線性的移動，可以根據前幾個時刻的位置信息來預測下一個時刻的位置，如圖 4-8 所述。由于高速移動場景下，例如高鐵與基站之間，物理信道通常以 LOS 信道為主，位置可以采用分布式的基站加多個站點波束的訓練結果來確定。該方法可以一定程度減小波束管理的開銷，同時提升在數據傳輸階段對于波束的實時調整速度。圖 4-8 移動場景下的用戶位置建模 41 波束管理與太赫茲通信波束管理與太赫茲通信 太赫茲(THz，Terahertz)波是指頻率在 0.1THz-10THz（波長在 0.03 mm-3mm）之間的電磁波。太赫茲波

117、正好位于電磁輻射的毫米波波段的高頻邊緣和低頻率的遠紅外光譜帶邊緣之間的過渡頻帶，它的長波段與亞毫米波重合，短波段與紅外線光波重合，因此該波段兼顧電子學和光學的特點，可有效彌補微波通信和光波通信的不足。近年來的一系列研究表明，太赫茲頻率存在著巨大的開發潛力和應用價值。它可以廣泛地應用于爆炸物檢測、藥品檢測、成像、雷達和無線寬帶通信。在典型的太赫茲應用系統中，主要包括 3 個部分：太赫茲波源、太赫茲傳輸以及輻射、太赫茲探測。隨著太赫茲技術的不斷發展，太赫茲天線技術也會進一步得到發展。文獻17提出了利用角度功率譜的相關性對太赫茲信號到達角進行測量的測量算法，該文獻提供的方法是在首先利用超寬帶（5GH

118、z-13GHz）對信號源的位置進行初判，然后再利用該位置信息，讓天線對準該方向進行監聽，以此來快速確定信號到達角。測試平臺系統如圖 4-9 所示。將信號發射設備和接收設備放置在兩個可控制的旋轉單元上，使收發設備在水平面上旋轉，并讓天線主瓣方向掃描的入射角和發射角的盡可能的進行組合，記錄傳播路徑的空間分布。圖 4-9 太赫茲信號到達角測量場景 圖 4-10 表示了對不同頻率進行試驗采集到的角度功率譜，角度功率譜的局部最大值是可能的傳播路徑，也就是圖中黃色部分。從圖中可以看出采用了超寬帶（5GHz-13GHz）角度功率譜局部最大值的角度范圍是包含了 300GHz 的角度功率譜的局部最大值的。也就是

119、說，先通過超寬帶對到達角的初步判斷，然后在該基礎上進行 300GHz 的到達角判斷是完全可行的。對比圖 4-10（a）及 4-10（b），我們可以看出太赫茲和 60GHz 的傳播路徑的區別。42 之所以 60GHz 的傳播路徑要比太赫茲的傳播路徑多，是因為 60GHz 的波束是存在信號強度較強的旁瓣的，旁瓣也能形成傳播路徑，然而由于太赫茲的高頻特性，旁瓣會小很多，無法形成有效的傳輸路徑。這也說明太赫茲的波束訓練不能采用 60GHz 分階段訓練的原因：波束窄，要形成有效的傳播路徑只能進行波束的對準。圖 4-10 不同頻率進行試驗采集到的角度功率譜 考慮空域稀疏特性，可以在太赫茲通信中考慮基于壓縮

120、感知方式進行波束訓練的方案。簡單而言，基站端需要發送多個導頻，這些導頻并不是 DFT 波束，也不是定向波束，而可能是一些隨機的波束，比如采用+1 和-1 的隨機伯努利序列生成的波束，如圖 4-11所示。導頻-0導頻-1導頻-TX AWV:0tu1tutuRX AWV:0ru1ruru -15 dB -10 dB -5 dB 0 dB5 dB3021060240902701203001503301800 -15 dB -10 dB -5 dB 0 dB5 dB3021060240902701203001503301800 -15 dB -10 dB -5 dB 0 dB 5 dB30210602

121、40902701203001503301800 -10 dB 0 dB 10 dB3021060240902701203001503301800 -15 dB -10 dB -5 dB 0 dB 5 dB3021060240902701203001503301800 -10 dB 0 dB 10 dB3021060240902701203001503301800 圖 4-11 基于壓縮感知的波束訓練方法 接收端接收也可以采用類似的方法，采用非定向波束。在信噪比足夠的情況下，在波束訓練階段使用非定向波束，可以比較快從信道響應中檢測所期待的數據傳輸階段使用的定向波束組合，可以避免了訓練中間階段的波

122、束對準信息的反饋，從而實現基站和多個 UE 之間的波束組合同步搜索，大幅度降低波束訓練花銷。43 發射端處理技術發射端處理技術 超大規模天線技術是現有 4G 和 5G 網絡中大規模天線技術的擴展和延伸。在超大規模天線陣列系統中，基站側配置超大規模天線陣列（從幾十至上千），利用有效的預編碼/波束成形技術，可在同一時頻資源上服務多個用戶，帶來巨大陣列增益和干擾抑制增益。然而，采用全數字鏈路的基站方案意味著每一個天線陣元都需要一條對應的射頻鏈路（包括數/模轉換器，功放，混頻器等），從而極大地增加基站的硬件成本和功耗。因此，基于硬件受限條件下的高頻段超大規模天線系統設計就成為一個亟待解決的問題。為了降

123、低超大規模天線系統的硬件成本和功耗，很多的技術和設計應運而生：模擬波束成形（ABF，Analog Beamforming）技術只采用一條射頻鏈路與所有天線陣元連接，并且在射頻前端加入移相器來實現模擬波束成形，但是這項技術由于移相器的引入會帶來額外的恒模約束，增加問題的復雜度，并且由于只有一條射頻鏈路，無法獲得陣列的復用增益。天線選擇（AS，Antenna Selection）技術用開關網絡結構來替代移相器，一定程度上降低了系統的硬件成本，針對不同的用戶，采用不同的天線陣元組進行波束聚焦，但是由于降低了有效陣元數目，會帶來性能上的損失?；旌项A編碼技術（HP，Hybrid Precoding）將預

124、編碼的實現分為兩個模塊，在基帶采用數字預編碼方案，而在射頻端采用移相器來實現模擬波束賦形方案，從而降低射頻鏈路的數目和能耗。這項技術目前面臨的主要問題是移相器帶來的額外的硬件成本。近年來有研究提出了基于透鏡天線陣列的系統設計，利用透鏡天線陣列具有基于信號發射角/到達角的能量聚焦特性，通過在系統設計中使用開關陣列網絡來替代移相器，有效地降低系統的硬件成本和能耗。接下來，我們將對預編碼算法的基本原理和常見的幾種線性全數字預編碼算法進行描述，并介紹最新的基于透鏡陣列的預編碼和波束選擇算法，探討他們在超大規模天線陣列中應用的可能性。全數字預編碼基本原理及算法全數字預編碼基本原理及算法 在多用戶 MIM

125、O 通信場景下，一個配置有多個發射天線的發射端，同時和下行多個用戶進行數據的交互，不同用戶的數據流之間會相互干擾。在上行鏈路中，用戶之間數據流的干擾可在接收端通過聯合檢測的方法消除。而在下行鏈路中，一方面各個用戶之間難以協作，單個用戶很難預知其他用戶的信道狀態。另一方面用戶終端受體積、功耗和設備成本等因素的限制，終端的處理算法復雜度不能太高?；谶@兩點，多用戶 MIMO系統下行鏈路數據流間干擾的消除需要在發射端進行，預編碼技術則是解決這一問題的重要方法。按照反饋鏈路是否受限，預編碼技術可以分為無限反饋時的預編碼技術和有限反饋時的預編碼技術。在無限反饋的預編碼技術中根據處理方式的線性與否又可以進

126、一步劃分為線性預編碼與非線性預編碼。線性預編碼包括基于迫零準則（ZF，Zero Forcing）的預編碼，基于最小均方誤差準則（MMSE，Minimum Mean Square Error）的預編碼，基于最大比發射（MRT，Maximum Ratio Transmitting）的預編碼等?；?ZF 的預編碼和基于 MMSE 的預編碼相當于將接收端的檢測工作轉移至了發射端進行，所以又稱為線性 44 預均衡?；?MRT 的預編碼是一種簡單的根據信道信息對不同數據流分配不同權重的預編碼算法，它的好處是可以獲得最大的系統信噪比。圖 4-12 多用戶全數字預編碼系統模型圖 圖 4-12 給出了一個多

127、用戶全數字預編碼系統的模型框圖。其中基站作為發射機，配備了tM個天線陣元，服務于 K 個單天線用戶，每個用戶在下行鏈路中都收到基站所發送的數據流。對于全數字的 MIMO 系統而言，基站端最多可以同時支持tM個數據流的發送。假設基站發送的數據流為1KCs，對應的數字預編碼矩陣為tMKCW，基站與所有用戶之間的信道定義為tK MCH。那么，從基站所發出的信號為：x Ws 而所有用戶的接收信號1KCy為：yHxnHWsn 其中1KCn表示接收機處的加性高斯白噪聲（AWGN），服從期望為 0，方差為2KI的高斯分布，即2(0,)KCNIn。對于不同的預編碼方式，預編碼矩陣 W 是不同的。在本小節中，我

128、們將分別介紹前述幾種線性預編碼算法的推導和特點。ZF 預編碼算法原理預編碼算法原理 ZF 預編碼的處理方式是發射端在信號發射之前對其乘以信道的逆矩陣（如果信道矩陣為方陣）或者偽逆矩陣（如果信道矩陣非方陣），并通過一個功率控制因子對發射信號的總功率進行控制。在經過這樣的處理之后，當信號經過傳輸信道到達接收端時，數據流之間的干擾已經得到了消除。接收端首先通過自動增益控制對信號的功率進行補償，之后即可進行信號的判決、解調等工作。下面將具體介紹這種預編碼方式的處理過程。ZF 預編碼矩陣的形式為：1()HHWHHH 45 其中為預編碼矩陣的增益控制因子，1()HHHHH為信道矩陣 H 的偽逆。之所以需要

129、一個增益控制因子，是因為 ZF 預編碼矩陣不一定是正交矩陣，所以有可能會改變信號的發射功率，而發射端在發射信號時通常對發射功率都是有限制的。所以為了使信號的發射功率保持恒定，滿足發射端的功率約束條件，需要增加這樣的一個功率控制因子，其值為：信號到達接收端后，接收端通過自動增益控制對該值進行補償，此時接收信號的表達式為：由上式可以看出，這種預編碼方式中，由于信號的檢測工作已經等效地在發射端完成了，所以接收端接收到的各路信號之間理論上是沒有干擾的。不過由于增益控制因子的存在，預編碼矩陣可能會對噪聲有放大作用，系統性能也會因此受到一定的影響。也就是說，如果信道矩陣接近病態的話，它的條件數很大，即矩陣

130、最大特征值與最小特征值的比值很大，此時歸一化系數就會很小，有用信號的功率也會被削弱，使得接收信噪比減小。MMSE 預編碼算法原理預編碼算法原理 與 MIMO 檢測過程類似，基于 MMSE 的預編碼矩陣在設計時考慮了對噪聲分量的抑制，因而相對于 ZF 預編碼而言，可以進一步提升系統的性能。在設計 MMSE 預編碼矩陣時，接收信號的表達式為：如前所述為增益控制因子，該接收信號與原始信號的均方誤差可以表示為：為了使均方誤差最小，需要求解如下關于預編碼矩陣和功率控制因子的優化問題：其中tP為總的發送功率，求解上述優化問題可得 21=()HHKWPHHHI 212111=()()HHHTrTrWWH W

131、W 11()yHWsnsn 1()yHWsn 22221=EEysHWss 2,2221min.tEsst EPWHWsWs 46 其中增益控制因子為 MMSE 預編碼很好地處理了用戶間干擾，且相對于 ZF 預編碼，它能夠控制干擾和噪聲的影響。該算法的缺點在于計算復雜度較大。對抗多用戶間干擾比較有效的預編碼算法，比如 ZF 算法和 MMSE 算法，需要進行高復雜度的矩陣運算（收發端天線陣列規模越大，計算復雜度越高）。針對采用超大規模天線的 6G 系統，在可預見的未來，商用硬件承擔這類預編碼算法所產生的計算負荷將會是一個巨大的挑戰。針對 TDD 系統，可以考慮采用基于信道狀態信息使用有效期（后續

132、簡稱為“有效期”）來實現這類預編碼算法，從而獲得算法復雜度與性能增益的良好折中。這種方法的關鍵特點簡述如下：1）一個有效期可包含多個連續的信道狀態信息更新周期，從而可以把計算負荷分攤在多個更新周期里。2）有效期的長度可以進行自適應的調整。3）由于用戶移動性或業務量變化，在某個有效期內，下行 MU-MIMO 的配對用戶集發生變化時，基于調度器的評估，如果將新用戶添加至配對用戶集可提升吞吐量，則用該新用戶來補充移出的用戶所產生的空位，并且該補充用戶可以使用移出用戶先前所使用的基于預編碼矩陣，避免重新計算預編碼矩陣。MRT 預編碼算法原理預編碼算法原理 在本小節中，我們將介紹一種基于 MRT 的次優

133、預編碼算法。根據前面的描述，MMSE 預編碼算法中的矩陣求逆會帶來較高的計算復雜度，而在 MRT 算法中，只根據信道來確定預編碼矩陣，沒有 MMSE 預編碼算法中的矩陣求逆操作。下行鏈路中 MRT 預編碼矩陣其實也就是通信系統中常常提及的匹配濾波器，而超大規模天線系統中的 MRT 算法處理性能很大程度上取決于信道傳輸環境。理想的環境就是從基站到不同用戶終端的信道要盡可能的相互獨立。MRT 預編碼的表達式為：HWH 這種算法的本質就是最大化用戶的信噪比，也就是最大化用戶的可達速率。MRT 預編碼不會考慮對其它用戶造成的干擾。但是在超大規模天線系統中，理想情況下，隨著天線規模增加，用戶間的干擾將趨

134、于消失，MRT 預編碼將逼近最優的預編碼性能?；谕哥R陣列的預編碼與波束選擇算法基于透鏡陣列的預編碼與波束選擇算法 透鏡天線陣列的工作原理是對到達透鏡上不同位置的電磁信號進行不同的相移，從而達到使波束聚焦在焦點上的目的。透鏡陣列能夠產生的空間波束數目與陣列天線的陣元數相同，且相互正交，能夠覆蓋整個空域。在實際系統中，部署了超大規模陣列的基站在相同時頻域上服務的用戶數往往遠小于陣元數（也即透鏡陣列產生的波束數目），所以用少量的波束就能夠滿足這些用戶的服務需求。由于一個波束對應著一條射頻鏈路，在用開關網絡代替移相器網絡以后，基站側只需要提供跟用戶數量相同的射頻鏈路即可 2211=()HHTrPPP

135、P 47 滿足用戶的需求，從而大大減少了系統所需要的射頻鏈路數目，極大降低了系統的硬件成本和功耗。由于透鏡陣列的基于角度的能量聚焦特性，它能夠將傳統的空域 MIMO 信道等效地轉化為波束域的信道，因此，混合預編碼結構中的波束賦形向量設計問題可以轉化為一個波束選擇問題。如圖 4-13 所示，以一個下行毫米波超大規模天線系統為例，包含一個基站和若干單天線用戶，其中基站側在射頻前端配置一個透鏡天線陣列，包含RFN條射頻鏈路和sM個天線陣元，同時服務 K 個單天線用戶。為了服務到每個用戶，射頻鏈路的數目需要滿足RFNK。不失一般性，我們此處假設=RFNK。在下行鏈路中，基站產生 K 個獨立的數據流，數

136、據流首先在基帶進行數字預編碼然后向所有用戶同時發送，經過預編碼后的發送信號為：1KkkkxssPp 其中，ks是第 k 個用戶的復基帶信號，其均值為 0，方差為 1，即21kE s。12=,RFNKKCPp pp表示基帶預編碼矩陣，而kp則是第 k 個用戶對應的預編碼向量。數據信號在經過基帶數字預編碼后被送入射頻鏈路，然后通過模擬開關陣列與不同的天線陣元連接。我們假設信道是平坦衰落的，那么所有K個用戶收到的1K維信號向量y可以表示為：=HyH FPsn 其中 sMKCH表示波束域信道矩陣，sRFMNCF表示波束選擇矩陣，它的元素服從 0-1 約束，對應著模擬開關陣列中開關的打開和關閉。我們用

137、20,KCNnI表示1K維的加性高斯噪聲，其均值為 0，方差滿足2HKEnnI。透鏡天線陣列可以將傳統的空域信道通過一個離散傅里葉變換轉化為波束域信道 H：1212=,KKHh hhUg UgUg 其中ssMMUC是透鏡陣列所等效的 DFT 矩陣。1sMkCg表示基站和第 k 個用戶的之間的空域信道向量，由于透鏡陣列往往應用于毫米波/太赫茲等超高頻段，這里我們可以采用比較經典的 Saleh-Valenzuela 信道模型：001Lllkkkkklgaa 其中 00kka和 llkka分別表示基站與第 k 個用戶間的視距信道和第 l 個非視距 48 信道矢量，相應地，0k和 lk分別表示視距信道

138、和非視距信道的復增益，0k和 lk表示對應的空域方向。圖 4-13 基于透鏡的超大規模天線陣列系統 透鏡天線陣列作為一種新型的超大規模天線陣列架構，目前主要處于原型機驗證階段。在基于透鏡天線的超大規模天線陣列系統設計和波束成形算法這些方面，學術界進行了廣泛和深度的研究，目前已經具備比較完備的理論基礎，因此在未來的產業化層面很有實現前景。然而基于透鏡天線的超大規模天線陣列通信系統尚需要進行專利技術積累、原型機設計、測試、生產、推廣等漫長的產業化道路，目前而言，國內外學者已經做出了工作在 550GHz 頻段的原型通信系統18，實現了25 度的波束掃描，為未來原型機的進一步迭代打好了基礎。49 第五

139、章第五章 新技術新技術 深度學習與人工智能深度學習與人工智能 背景背景 預計 2030 年前后，通信技術將進入 6G 時代。6G 將與人工智能、機器學習、深度學習等技術融合，充分利用和高效處理萬物互聯產生的海量數據信息。與 5G 相比，6G的整體性能將會有十倍到百倍提升19。深度學習是機器學習領域中一個新的研究方向，通過訓練大型的多層神經網絡，學習大量采樣數據的內在規律和特征，從而準確識別文字、圖像或語音等數據。近幾年來，由于軟、硬件技術的快速發展，推動了深度學習模型在實時通信，特別是超大規模天線技術中的快速運用。將深度學習用在通信中，即利用深度學習來代替通信中的部分模塊，相比人為設計的算法，

140、可以更加靈活地擬合真實環境。因為人為設計的算法往往基于一些特定的假設，比如高斯分布等等，但實際環境是非常復雜和極其多變的，這些人為設計的算法一般都不是最優的，適用性有限。而深度學習可以模擬任意模型，從而能夠有效適應實際環境，獲得更好的性能。深度學習在通信的主要應用場景可大致劃分如下：各類編碼算法，如信源編碼、信道編碼、信道狀態信息反饋；各類信號處理算法，如信號估計、檢測與解調；各類網絡優化問題，如用戶調度、網規網優等。目前深度學習技術已經應用在超大規模天線的多個研究領域中，來實現波束的跟蹤、預測和管理，信道的估計、預測、壓縮和反饋，功率控制，鏈路自適應，用戶配對和調度等等。通過神經網絡模型的訓

141、練和學習，有助于進一步提升超大規模天線的使用效率和系統容量，降低系統開銷、延時和實現復雜度。目前手機終端的嵌入式神經網絡處理器（NPU,Neural-network processor unit）的處理能力與日俱增，具體數據如圖 5-1 所示。在 2018 年以前，手機終端尚無專門的 NPU模塊，從 2018 年開始，手機終端的 NPU 處理能力每年都提升數倍。按照這個速度，2030年手機終端的 NPU 處理能力將持續高速提升。50 圖 5-1 手機終端NPU能力增長圖 表 5-1 列出了一些典型的復雜神經網絡的復雜度，以及這些神經網絡占據目前典型芯片的 NPU 1 秒計算能力的比例。通過將現

142、有手機 NPU 的處理能力與經典的神經網絡的復雜度進行比較，可發現目前手機 NPU 處理能力已經非常強大。神經網絡的復雜度一般以 OP 為單位計算，即一次實數乘法或一次實數加法為一個 OP。以 GoogleNet 為例，它的復雜度為 2G OPs，但它只占據目前典型芯片的 NPU 1 秒計算能力的 1.3e-4（即 1 秒可以計算 7500 次，或執行一次網絡只需 0.13 毫秒）。表 5-1 典型的復雜神經網絡的復雜度列表 神經網絡復雜度(OPs)神經 網絡 占據 目 前典 型 芯片的NPU 1 秒計算能力的比例 Inception V2 4.1G 2.7e-4 Inception V3 1

143、2G 8.0e-4 CaffeNet 724M 4.8e-5 GoogleNet 2G 1.3e-4 MobileNet 1.15G 7.7e-5 無線通信中深度學習使用的神經網絡一般是輕量級神經網絡，復雜度不高。因此，在手機終端上執行基于神經網絡的運算已成為現實。隨著手機終端 NPU 處理能力的快速增長，在手機上支持更復雜的深度學習成為可能。深度學習對于無線通信的標準化和產業化可能存在如下影響：1）無線通信深度學習中的數據獲取和 AI 模型參數更新，可能需要通信標準定義相應的流程，或者部分功能基于終端和網絡設備的實現，并且要從法律法規和隱私保護方面進行慎重探討。2）由于無線通信深度學習可以實

144、現相關通信模塊的聯合優化，傳統通信標準中所涉及的內部接口將被簡化，相關的信令過程也會有一定的改變，信令、參考信號的開銷也051015202017Q42018Q42019Q42020Q4NPU 能力(TOPs)時間手機終端NPU能力增長圖 51 將會降低。3）不同階段的無線通信深度學習對標準化和產業化的影響不同。在初始階段，將會以輔助工具或優化方案來提升現有無線通信系統的性能，其標準化影響相對較小。隨著無線通信深度學習技術的成熟和無線通信系統對深度學習的開放性和支持度的提高，多個功能模塊會逐漸被性能更好的深度學習模塊所替代，其標準化影響將會更大?；谏疃葘W習的超大規模天線信道反饋技術基于深度學習

145、的超大規模天線信道反饋技術 要充分發揮超大規模天線技術的優勢，需要及時準確地測量和反饋超高維的信道狀態信息，不可避免地會增加系統上行和下行的信令開銷和用戶的實現復雜度。為此，我們可以采用深度學習的模型，揭示并利用大量信道數據元素之間的相關性，從而改善超大規模天線的信道反饋性能。深度學習技術，通常采用端到端的多層神經網絡訓練，實現信道狀態信息的壓縮、反饋和重構20。如圖 5-2 所示，訓練的神經網絡包括兩個部分，第一個部分稱為編碼器，第二個部分稱為解碼器。神經網絡的編碼器，通常位于用戶側，它將用戶測量的下行信道數據，進行轉換、壓縮和量化，并通過上行反饋信道，上報給基站設備。當基站接收到反饋的信道

146、狀態信息，它在解碼器中恢復重構出原始的下行信道數據。大量的訓練數據樣本，輸入到神經網絡模型中進行端到端的訓練，最終獲得優化的神經網絡結構和大量含有加權系數的參數集。訓練出來的參數集，分別在用戶側構造神經網絡的編碼器，以及在基站側構造解碼器。神經網絡的兩個部分，由于在端到端的神經網絡中訓練，實際系統中通常成對使用，以保證優異的信道重構性能。神經網絡的編碼器神經網絡的編碼器神經網絡的解碼器神經網絡的解碼器上行反饋信道上行反饋信道測量的信道數據測量的信道數據重構的信道數據重構的信道數據 圖 5-2 信道訓練的多層神經網絡架構 由于基站具備強大的神經網絡處理的能力，因此通常在基站側進行神經網絡的訓練。

147、實際系統當中，有兩個問題需要解決：第一、基站如何獲得大量的來自多個用戶的信道樣本信息，來執行端到端的神經網絡訓練？第二、基站訓練出來多個神經網絡的參數集，如何通知給每個用戶來使用？1)基站如何獲得多個用戶的信道樣本信息？在 TDD 系統中，基站可以檢測上行探測信號，利用上下行信道的互易性，從而獲取多個用戶的下行信道信息的數據，為神經網絡的訓練提供了比較準確可靠的信道數據樣本。但 FDD 系統由于不具備上下行信道的互易性特征，只能靠用戶的反饋獲得訓練數 52 據樣本。為提高 FDD 系統中樣本的精度，可以考慮不等間隔的反饋機制設計。如圖 5-3 所示，FDD 系統配置了兩種不同間隔的信道狀態信息

148、反饋類型。例如，紅色方塊代表高精度信道狀態信息反饋的時刻，有較長的反饋間隔時間；藍色方塊代表低精度信道狀態信息反饋的時刻，有較短的反饋間隔時間。低精度反饋間隔高精度反饋間隔 圖 5-3 不等間隔信道狀態信息反饋的配置 當該參數配置為“高精度”，用戶反饋高精度的信道狀態信息，當基站收集到足夠多的高精度反饋的信道數據，準備做神經網絡的訓練和學習。為了保證信道訓練和重構的準確性，基站可以針對不同的信道類型，例如 UMi,UMa,Indoor 或者它們之間的混合類型，分別訓練出來不同的神經網絡模型和參數集。為此，用戶首先需要識別出當前信道場景的類型，并將信道類型編號的指示，連同高精度信道信息一起，上報

149、給基站側?；緦⑹盏降膩碜圆煌脩舻男诺佬畔⑦M行分類，針對不同信道類型，訓練不同的神經網絡，訓練出來的參數集將按信道類型進行分類。當該參數配置為“低精度”，用戶仍然需要識別出當前信道場景的類型，根據信道類型選用相應的經過訓練的神經網絡的參數集，配置神經網絡的編碼器，然后將用戶測量的信道數據壓縮并量化成低精度的信道狀態信息，反饋給基站，信道類型編號的指示也將一并反饋?；靖鶕答伒男诺李愋途幪?，配置同一個神經網絡的解碼器，將接收的低精度信道信息恢復成原始的信道數據。用戶側和基站側進行協調，確保成對地使用經過訓練的神經網絡的編碼器和解碼器，從而有效地重構信道信息。2)用戶如何獲得訓練的神經網絡參數

150、集？如上所述，基站利用用戶的高精度信道反饋數據，訓練出來多個適用于不同信道場景的神經網絡參數集，但是用戶如何獲取這些參數集來優化自己的信道信息反饋呢？基站可以將訓練出來的多套神經網絡參數集，存儲服務器上，用戶將根據當前的信道場景，從服務器中下載相應的神經網絡的參數集，因此用戶與基站之間將通過同一個神經網絡，協同處理信道數據的反饋和重構?；谏窠浘W絡的解調參考信號估計基于神經網絡的解調參考信號估計 解調參考信號（DMRS，Demodulation Reference Signal）估計，是通信系統中非常重 53 要的一個環節。接收端基于 DMRS 估計出信道，用于有用信號的解調。如果 DMRS

151、估計的精度不夠，接收端獲取的信道信息不夠準確，會大大降低有用信號解調的準確度，從而降低系統的吞吐量、可靠性等關鍵指標。傳統的算法，一般基于卡爾曼濾波等經典濾波算法，估計出時域和頻域的信道特征，然后基于部分資源上的 DMRS，估計出有用信號占據的資源上的信道信息。這樣做的缺點在于，實際環境非常復雜，這些濾波算法能夠提取的時域和頻域的信道特征有限，從而使恢復的信道信息與實際信道信息存在較大誤差。深度學習，采用合適的網絡結構后，理論上可以獲得時域和頻域的所有可獲得的信道特征，從而大幅度提升 DMRS 估計的精度，進而改善系統性能。圖 5-4 即為神經網絡用于 DMRS 估計的一個結構示意圖，采用一個

152、經典的全連接網絡。圖 5-4 神經網絡用于DMRS估計的結構示意圖 這里為了保證網絡的穩定性，采用了輸入歸一化的操作，即為神經網絡輸入的所有數據求最大值 max_in，然后將神經網絡輸入除以 max_in 進行歸一化，作為輸入層的輸入。這些數據經過神經網絡后，對輸出層的所有數據進行逆歸一化，即乘以 max_in，作為最終的神經網絡輸出。圖 5-5 為常用激活函數示意圖，其中 Leaky ReLU 函數是近年來發現的非常優秀的激活函數，具有復雜度低、性能好的優點，并且從生物學上符合生物神經元對生理信號的反應，因此這里采用 Leaky ReLU 函數作為隱藏層的激活函數。Leaky ReLU 采用

153、一個常用的配置，即 Alpha=0.3。而在輸出層，由于輸出的+1 和-1 是等概率出現的，因此采用符合此特征的 Tanh 函數。54 圖 5-5 激活函數示意圖 以下為一個 DMRS 估計的示例?？紤]一個下行通信系統，基站配置單根發送天線，用戶配置單根接收天線，頻域有一共 20 個資源塊（RB，Resource Block），每個 RB 有 12個子載波，時域考慮基站按時隙發送，每個時隙有 14 個符號。DMRS 每個 RB 占據 6 個子載波，每個時隙占據 1 個符號。此時，輸入層為 240 個神經元，即 1 基站天線*1 用戶接收天線*20 個 RB*每個 RB的 6 個子載波*一個時隙

154、的 1 個符號*2（一個實部和一個虛部）；輸出層為 6720 個神經元，即 1 基站天線*1 用戶接收天線*20 個 RB*每個 RB 的 12 個子載波*一個時隙的 14 個符號*2（一個實部和一個虛部）。接下來，采用 3GPP 協議中定義的 TDL-C 信道模型，時延為 300 納秒，載頻為 3.5G赫茲，信噪比設置為 10dB，移動速度設置為 3 公里每小時。訓練集和驗證集數目分別為12 萬和 4 萬。損失函數為最終網絡輸出與真實值之間的均方誤差（MSE，Mean Square Error）。訓練方法為神經網絡常用的 Adam 算法。試驗不同的網絡結構后，發現兩層隱藏層的效果最好，相比傳

155、統算法，MSE 大幅度降低，性能良好。表 5-2 20RB時，神經網絡與傳統算法的結果比較 算法細節 MSE AI 網絡 4.9e-3 傳統算法（基于維納濾波的 MMSE 算法）7.9e-3 圖 5-6 為神經網絡的訓練效果，其中橫坐標為訓練的輪數，縱坐標為 MSE?？梢钥闯錾窠浘W絡均收斂，MSE 隨著訓練次數的增加而不斷降低，而且基本沒有過擬合現象，可能的原因是網絡結構較為簡單。一般來說，神經網絡結構越復雜、層數越多，神經網絡能夠模擬更加復雜的模型，但過擬合的情況會增加，泛化能力下降；若神經網絡構越簡單、層數越少，神經網絡的泛化能力會越強，過擬合的概率會降低，但模擬復雜模型的能力會下降。Si

156、gmoid ReLU Leaky ReLU 55 圖 5-6 神經網絡的訓練效果 然后，考慮更大的帶寬和更多的符號對神經網絡的影響，即帶寬為 50 個 RB、DMRS每個時隙占 2 個符號。仿真結果如下表所示。表 5-3 50RB時，神經網絡與傳統算法的結果比較 配置 算法細節 MSE 帶寬為 20 個 RB、DMRS 每個 slot 占 1 個符號 傳統算法 7.9e-3 AI 4.9e-3 帶寬為 50 個 RB、DMRS 每個 slot 占 2 個符號 傳統算法 5.4e-3 AI 8.5e-4 可以上表看出，兩種配置情況下，AI 都獲得了明顯的性能增益。另外，當帶寬更大、DMRS 占據

157、更多的資源時，AI 獲得了更大的增益，MSE 從 4.9e-3 降低到了 8.5e-4，即降低了 82.7%，而傳統算法僅降低了 31.6%。接下來，考慮利用多個時隙的時域相關性，來進一步提升神經網絡的性能?？紤]一個周期包含 10 個時隙。第一個時隙為正常開銷，DMRS 在每個 RB 占據 6 個子載波，即240=1 基站天線*1 用戶接收天線*20 個 RB*每個 RB 的 6 個子載波*一個時隙的 1 個符號*2。第二個時隙至第十個時隙為低開銷，DMRS 在每個 RB 占據 1 個子載波，即其開銷 為 第 一 個 時 隙 的 1/6。一 個 周 期 內，DMRS 開 銷 降 低 為 之 前

158、 的25%，即(240+40*9)/(240*10)=0.25。仿真結果如 表 5-4 所示。隱藏層神經元數目為 960，3840 隱藏層神經元數目為 2400,12000 56 表 5-4 考慮時間相關后，神經網絡與傳統算法的結果比較 算法細節 MSE AI 網絡 1：正常 DMRS 開銷，未利用時間相關性 4.9e-3 AI 網絡 2：25%的 DMRS 開銷，利用時間相關性 5.7e-3 傳統算法（基于維納濾波的 MMSE 算法）7.9e-3 可以看出利用時間相關性后，DMRS 的開銷極大降低，并且相比傳統的基于維納濾波的 MMSE 算法，性能也得到了提升?；谏窠浘W絡的碼本反饋技術基于

159、神經網絡的碼本反饋技術 由信息論可知，準確的信道狀態信息（CSI，Channel State Information）對信道容量的至關重要。尤其是對于多天線系統來講，發送端可以根據 CSI 優化信號的發送，使其更加匹配信道的狀態。如：信道質量指示（CQI，Channel Quality Indicator）可以用來選擇合適的調制編碼方案（MCS，Modulation and Coding Scheme）實現鏈路自適應；預編碼矩陣指示（PMI，Precoding Matrix Indicator）可以用來實現特征波束成形（Eigen beamforming）從而最大化接收信號的強度，或者用來抑制

160、干擾（如小區間干擾、多用戶之間干擾等）。因此，自從多天線技術被提出以來，CSI 獲取一直都是研究熱點。如果存在信道互易性，如 TDD 系統，終端向網絡發送探測參考信號（SRS，Sounding Reference Signal），然后網絡根據 SRS 做信道估計，從而獲得上行信道的信息。如果不存在信道互易性，如 FDD 系統，從 SRS 獲取的上行信道，無法準確獲知下行信道的信息，此時就需要網絡發送信道狀態信息參考信號（CSI-RS，CSI Reference Singal），終端根據 CSI-RS 做信道估計，獲得下行信道的信息，然后用協議規定的碼本，反饋 PMI 給網絡，網絡基于碼本和 P

161、MI 可以恢復出下行信道的信息。5G NR 的碼本分為 Type I 碼本和 Type II 碼本，它們的核心思想都是基于過采樣的2 維離散傅里葉變換向量，通過一定規則人為構造出碼字，通過 PMI 的比特信息，可以檢索到相對應的信道向量或矩陣。Type I的單面板 CSI 碼本中的預編碼矩陣 W 可以表示為兩個矩陣 W1和 W2的乘積，W1和 W2的信息會分別上報。其中 W1代表長期的且和頻率無關的信道特性，終端對整個上報帶寬只匯報一個 W1；而 W2則試圖捕捉短期的且和頻率相關的信道特性，終端對每個子帶都會上報一個 W2，或者不報 W2。W1和 W2由過采樣的 2 維離散傅里葉變換向量組成。

162、Type II 與 Type I 不同的地方在于，Type I 最終只上報一個向量，而 Type II 則上報最多 4 個正交的向量。對每一個向量，以及該向量的兩個極化方向，上報的 PMI 都會提供一個與之對應的幅度值（寬帶和子帶）和一個相位值（子帶）。這樣 Type II 就捕捉了主要的傳播路徑和相應的幅度與相位，從而提供了更詳細的信道信息。當然，Type II 的開銷一般也大于 Type I。57 但是，目前協議的 Type I 和 Type II 碼本有如下缺陷及待改進點：1.只利用了信道的部分特征信息；2.碼本構造存在一定的冗余信息，例如 PMI 涵蓋整個向量空間，向量空間等分劃分，而

163、不等分劃分可以提高 PMI 的壓縮率。神經網絡，能夠克服上述碼本的這些缺點。通過合理的神經網絡結構和信道數據，能夠充分學習信道的所有特征信息，并且最大程度地消除碼本的冗余信息，使每一個比特表征的信息最大化。圖 5-7 為基于神經網絡的 CSI 反饋示意圖。網絡和終端使用相匹配的神經網絡，網絡發送 CSI-RS 后，終端對 CSI-RS 進行信道估計，然后將估計后的結果作為終端側神經網絡的輸入，經過隱藏層和量化層后，神經網絡的輸出即為 PMI。網絡接收到 PMI 后，將 PMI 作為網絡側神經網絡的輸入，經過隱藏層和輸出層，神經網絡的輸出即為恢復的信道信息。其中量化層將浮點數量化為二進制比特，量

164、化層有幾個節點，即 PMI 包含幾個比特?？紤]一個下行通信系統，基站配置 8 根發送天線，用戶配置 2 根接收天線，頻域上考慮 1 個資源塊，基站恢復的信道為 1 層的信道。采用 3GPP 協議中的 CDL-C 和 CDL-D 模型，時延配置為 30/100/300 納秒，載頻配置為 4G 赫茲，移動速度為 3 公里每小時。此時，采用經典的全連接神經網絡。其輸入層為 32 個神經元，即 8 基站天線*2 用戶接收天線*1 RB*2（實部+虛部）。PMI 發送端和接收端的隱藏層都采用單層的結構?；謴蛯訛?16 個神經元，8 基站天線*1 層*1 RB*2（實部+虛部）。每種信道模型的訓練集和驗證

165、集數目分別為 6 萬和 1 萬，若采用更大的樣本，則神經網絡的性能能夠進一步提升。損失函數為最終網絡輸出與真實值之間的均方誤差（MSE，Mean Square Error）。訓練方法為神經網絡常用的 Adam 算法。試驗不同的網絡結構后，發現兩層隱藏層的效果最好，相比傳統算法，MSE 大幅度降低，性能良好。圖 5-7 基于神經網絡的CSI反饋示意圖 58 表 5-5 為不同信道環境下，神經網絡與 Type I 碼本的結果比較，其中神經網絡的 PMI發送端的隱藏層神經元為 800，PMI 接收端的隱藏層神經元為 400。神經網絡 N 比特表示神經網絡的量化層的神經元數目為 N，即 PMI 采用

166、N 個比特。第一個情況采用 CDL-D 信道模型，時延 100 納秒，模擬一個直射徑較強的信道環境；第二個情況采用 CDL-C信道模型，時延 300 納秒，模擬一個散射徑較多的信道環境，第三個情況采用 CDL-D 和CDL-C 混合的信道模型，各占一半，而且 CDL-D 采用時延 30 納秒，CDL-C 采用時延300 納秒?？梢钥闯鲈诓煌男诺拉h境下，神經網絡采用 6 比特都能達到或接近 Type I碼本 8 比特的性能，增益明顯。表 5-5 不同信道環境下，神經網絡與Type I碼本的結果 恢復的信道與實際信道的相關性平方 CDL-D 信道模型，時延 100 納秒 CDL-C 信道模型，時

167、延 300 納秒 CDL-D 30 納秒+CDL-C 300 納秒 Type I 碼本 0.87 0.75 0.80 神經網絡 2 比特 0.58 0.57 0.56 神經網絡 4 比特 0.76 0.69 0.72 神經網絡 6 比特 0.85 0.77 0.80 神經網絡 8 比特 0.90 0.82 0.85 神經網絡 12 比特 0.94 0.86 0.89 神經網絡 16 比特 0.95 0.89 0.91 接下來考慮神經網絡的簡化?？紤]不同的網絡結構，得到表 5-6 和 表 5-7。其中 200+6+100 表示 PMI 編碼側的隱藏層節點數為 200，量化層節點數為6，PMI 譯

168、碼側的隱藏層節點數為 100?？梢钥闯?，64+6+32 有著較好的性能，即隱藏層為輸入節點是輸出節點數的 2 倍。此時小型 AI 網絡就能達到很好的性能，應該是因為相關性的要求不高，達到 0.76 就非常好了，且待擬合的數學模型不復雜。計算所有的乘法、加法等操作后，可以得知 64+6+32 僅為傳統碼本選擇算法復雜度的 20%，可以看出相比傳統碼本選擇算法，AI 算法的復雜度也很低。表 5-6 不同PMI譯碼側隱藏層大小的結果 Type I 碼本 AI 200+6+100 AI 200+6+50 AI 200+6+32 AI 200+6+16 AI 200+6+8 恢復的信道與實際信道的相關性

169、平方 0.76 0.78 0.77 0.77 0.76 0.74 59 表 5-7 不同PMI編碼側隱藏層的結果 接下來，我們考慮網絡側 32 根發送天線的情況。此時采用 CDL-C 300 納秒的信道?；诒?5-8 可以看出，AI 網絡采用 6 比特的開銷，就可以達到 Type I 碼本 10 比特的性能，增益明顯。表 5-8 不同信道環境下，網絡側32發時，神經網絡與Type I碼本的結果 恢復的信道與實際信道的相關性平方 Type I 碼本（10 比特）0.58 神經網絡 2 比特 0.25 神經網絡 4 比特 0.47 神經網絡 6 比特 0.60 神經網絡 8 比特 0.67 神經

170、網絡 10 比特 0.72 可以看出，為了達到 Type I 碼本的性能，AI 網絡的開銷并沒有增加。一方面，由于網絡側天線數量顯著增長，基于碼本的反饋方案的碼本設計復雜度和相應的反饋量會顯著增長，因此碼本方法面臨較大的技術挑戰；另一方面，當網絡側端天線數量增加時，信道矩陣在角度域上的解析度更高，具有更強的稀疏特性，如圖 5-8 所示。因此，推測隨著天線數增加，基于 AI 的反饋方案相比于碼本方法的性能優勢會更明顯。Type I 碼本 AI 200+6+32 AI 100+6+32 AI 64+6+32 AI 32+6+32 AI 16+6+32 恢復的信道與實際信道的相關性平方 0.76 0

171、.78 0.77 0.76 0.73 0.67 60 (a)8 基站天線 (b)32 基站天線 圖 5-8 不同基站天線數下單個樣本的稀疏性 當深度學習技術應用在超大規模天線系統的其它領域，例如波束管理、信道預測、功率控制、用戶調度等等，也將不可避免地帶來一系列新的系統實現的問題，期待未來6G 系統進行深入地研究和討論，讓神經網絡模型更好地服務于未來超大規模天線系統的廣泛應用。61 第六章第六章 天線結構與部署方式天線結構與部署方式 分布式超大規模天線分布式超大規模天線 隨著 5G 應用的快速滲透，移動終端數量將呈現指數式增長，由此帶來更高的系統容量需求。大規模天線技術可顯著提升頻譜效率、降低

172、干擾，已在 4G 網絡和 5G 網絡規模商用。目前 5G 網絡中部署的為集中式大規模天線，在低頻已經達到 192 陣子和 64 通道，高頻預計達到 512 陣子和 4 通道。面向 6G 網絡，更大規模天線系統對一體化、集成度提出了更高要求，此時分布式大規模天線系統作為另一個解決方案，可以在提升頻譜效率的同時有效擴大覆蓋范圍。分布式超大規模天線系統將在更廣域地理范圍內部署大量分布式射頻和天線。通過基站之間的智慧交互與智能協作，6G 網絡將真正實現無邊界用戶體驗。技術原理技術原理 6G 網絡中的分布式超大規模天線系統呈現天線數更多、分布地理范圍更廣、智慧協同作用更深的顯著特征。分布式超大規模天線系

173、統由大量分布在不同地理位置的站點構成，并在多個站點以及各站點的一個或多個天線通道形成一個分布式超大規模天線簇。站點間按需進行不同層級的智慧交互與智能協作：對于基礎性簡單業務，多站點開展簡單的信息交互，協同完成資源分配調度、波束賦形等過程；對于增強型復雜業務，多站點深度協作，開展充沛的信息交互，有效轉化干擾源為有用信號。通過智慧交互與智能協作，一方面有效消除干擾，增強信號接收質量；另一方面有效增強覆蓋，消除用戶邊界感。應用場景及部署方式應用場景及部署方式 分布式超大規模天線系統主要應用于大容量場景，特別是人流量密集，數據業務爆發式增長的流量密集場景，例如高校、CBD 熱點區域、大中型場館以及交通

174、樞紐站點等。應用分布式超大規模天線技術，可以靈活、有效地根據不同環境，構建星形、樹形、鏈形、環形等拓撲結構的網絡，有效消除干擾快速提升容量。針對高校、CBD 等熱點區域，采用室外覆蓋室內的方式時，將多個節點連接到 BBU，實現控制信道合并，數據信道復用。62 圖 6-1 熱點區域部署方式 針對大中型場館以及交通樞紐等室內密集場景（體育場、火車站、大禮堂等），通過室分系統升級，實現數據信道復用，提升容量。圖 6-2 室內密集區域部署方式 針對災情、偏遠山區等信號突然中斷或人員難以到達的地方，可采用多個可飛行基站及時構建起分布式超大規模天線系統，以滿足應急通信需求。圖 6-3 偏遠山區部署方式 針

175、對高速移動場景，終端移動速度將超過 1000km/h，大量分布式天線系統將滿足超高移速下高業務質量的需求?？刂菩诺篮喜?數據信道復用 63 0RRH0RRH1RRH2RRH3 圖 6-4 高速移動場景部署方式 此外，一種新型天線結構以及低成本的無線條帶系統如圖 6-5 所示。每個條帶包括：電纜或帶狀保護殼、陣元、電路安裝芯片（APU：包括功率放大器、移相器、濾波器、調制器、A/D 和 D/A 轉換器）。每個條帶都連接到一個或多個 CPU。圖 6-5 無線條帶系統21 當陣元采取分布式結構放置時，可應用至一些現有的建筑體表面，構成分布式超大規模天線系統。無線條帶系統潛在應用場景及部署方式如圖 6

176、-6 所示。圖 6-6 無線條帶系統潛在應用場景及部署方式 64 關鍵技術研究方向關鍵技術研究方向 隨著新材料、新技術的突破與發展，面向 6G 的分布式超大規模天線系統有望在架構形態、部署方式等方面縱深演進。為滿足新業務、新場景的個性化和多元化需求，分布式超大規模天線系統仍需在以下關鍵技術點實現突破：（1）全動態協作簇構建 向 6G 倍增的節點數和用戶數，分布式超大規模天線系統中，終端開機后不僅需要選擇主服務小區還需要選擇服務的協作節點，不同終端選擇的協作節點可能不同且是動態變化的。傳統的靜態分簇雖然復雜度低但其提升性能有限，對抑制簇間干擾有局限性，無法滿足 6G 更靈活分簇的需求，因此需要考

177、慮全動態協作簇方案。如何確定協作簇和協作用戶的范圍，如何實現用戶移動時協作簇的構建，如何實現簇內各站點的高效精細管理以及簇間的干擾協調等，在保證頻譜效率提升的同時降低系統復雜度，是需要研究的關鍵問題。（2）空口通道校準技術 TDD 系統的上下行互易性的實現前提是收發通道滿足一致性。然而，在物理實現上，分布式超大規模天線系統面臨著互易性受損的挑戰。每根天線的射頻端需要兩套電路來分別完成信號的發送和接收，由于硬件方面的工藝誤差，放大器的非線性失真，以及每個射頻電路的特征響應隨著環境（如溫度，濕度等）和時間的變化而變化，從基帶信號角度看，發送通道和接收通道對信號乘上了不同的系數，從而導致了信道的互易

178、性受損。為了實現信號的相干傳輸，需要保證協作簇內各節點通道的一致性。因此，分布式節點需進行節點間通道校準，以補償上行和下行射頻鏈路的差異。例如，考慮空口校準方案，分布式節點之間發送校準信號或者通過終端輔助進行空口的通道校準。（3）新型用戶調度算法 分布式超大規模天線系統提升頻譜效率的有效方式是多用戶 MIMO 傳輸，通過節點間交互信息，協調調度相互干擾小的多用戶進行服務。傳統的用戶配對方案主要包括基于容量最大化的多用戶調度方案、基于用戶相關性的調度方案?；谌萘孔畲蠡嘤脩襞鋵Ψ桨赴ɑ谛诺?F-范數的配對方案，將單用戶 MIMO 信道容量作為 MU-MIMO容量上界的配對方案，綜合考慮正比

179、公平的調度算法?；谟脩粝嚓P性的調度方案兼顧平均吞吐量和邊緣吞吐量，包括基于用戶位置的調度方案，基于相關系數的調度方案。在分布式超大規模天線系統中，分布式節點構成的協作簇具有多樣化和動態變化的特性，各用戶所選擇的分布式節點不盡相同，需要更具靈活性、低復雜度的新型用戶配對算法，滿足分布式超大規模天線系統更為挑戰的配對需求。（4）預處理算法 集中式大規模多天線技術的預編碼算法包括 MRT 預編碼、ZF 預編碼和正則化迫零（RZF）預編碼等線性預編碼算法，以及 THP 和 VP 等非線性預編碼算法。這些預編碼算法在分布式超大規模多天線仍然可以使用，但是要考慮分布式系統的特點進行優化設計。首先要考慮分

180、布式站點間信息交互的問題。根據站點間信息交互程度的不同，預編碼算法可以分成兩類：65 a)站點間協作預編碼算法 站點間交互用戶的信道狀態信息，但是不交互用戶的數據信息，多個基站聯合完成計算或者各基站獨立計算，各基站獨立傳輸數據。c)站點間聯合預編碼算法 站點間交互終端的信道狀態信息和數據信息，多個站點聯合完成計算，聯合傳輸數據，對應于聯合傳輸方案。協作預編碼算法相對于聯合預編碼算法，不需要在站點間交互終端的數據信息，此外，終端的信道狀態信息交互量也更少。對于協作預編碼算法，系統內的每一個站點可以獨立的計算預編碼，只要站點可以獲得其到區域內所有用戶的信道狀態信息。而對于聯合預編碼算法，需要有一個

181、中心處理單元（可以是某一個站點）進行計算，中心處理單元需要知道區域內所有站點到所有終端的信道狀態信息。例如，采用 ZF 算法，中心處理單元需要對擴展信道矩陣求逆，用到了所有相關的信道矩陣。當分布式天線規模變大時，協作預編碼和聯合預編碼算法需要在站點間交互的信息量也線性增加。此外，各種預編碼算法對于信道狀態信息的實時性有比較高的要求。也就是說，站點間需要頻繁的交互信道狀態信息以保證預編碼算法的性能，這就給實際的應用帶來了很大的挑戰。如何降低站點間的交互量以及在站點間信息交互的容量和時延受限的情況下的設計預編碼算法是分布式超大規模天線需要進一步探索的問題。第二個需要考慮的問題是單站點或者天線的功率

182、約束問題。MRT 或者 RZF 一類算法計算出來的預編碼權值是非橫模的，也就是說不同天線的發射功率不同。對于集中式大規模天線，不同天線到終端的路徑損耗幾乎沒有差異，不等功率發射不會帶來什么問題。但是對于分布式的超大規模多天線系統，不同站點到終端的路徑損耗差異非常大，在計算預編碼時必須考慮功率約束的問題。傳統預編碼算法需要在有單站點功率約束的條件下重新設計才能工作于分布式超大規模多天線系統。（5）信道狀態信息獲取 超大規模多天線技術的效果取決于基站側所能獲得的信道狀態信息的準確程度。FDD 系統主要依靠終端通過上行信道的反饋獲得信道狀態信息。5G NR 設計了高精度的碼本結構，極大的提升了信道狀

183、態信息獲取的精度，同時開銷相對于普通精度的碼本也有顯著提升。隨著天線規模的進一步擴大，反饋開銷也將急劇增加。為了降低反饋開銷，NR Rel-16 引入了碼本壓縮方案，利用信道參數的頻域相關性降低反饋開銷。NR 的 Rel-15 和 Rel-16 的碼本設計的基本假設都是集中式大規模天線，不適用于分布式超大規模天線。對于分布式超大規模天線，如何使得基站獲得高精度的信道狀態信息是一個重要的研究問題。（6）站點間信息交互 分布式超大規模天線技術通過回程鏈路在不共站址的站點之間交互終端的數據信息、信道狀態信息等。理想回程鏈路為吞吐量非常高，時延非常低的回程鏈路，如采用光纖或 LOS 微波的點到點連接。

184、非理想回程鏈路為廣泛使用的典型回程鏈路，如 xDSL，NLOS微波和其他回程鏈路如中繼。表 6-1 和表 6-2 分別給出了理想回程鏈路和非理想回程鏈路的典型參數。網絡中的回程鏈路有各種形式，所能提供的信息交互能力也不同。分布式超大規模天線技術方案需與回程鏈路的能力相匹配。66 表 6-1 理想回程鏈路典型參數22 回程鏈路技術 延時(單路)吞吐量 光纖 2-5 ms 50M-10Gbps 表 6-2 非理想回程鏈路參數22 回程鏈路技術 延時(單路)吞吐量 光纖接入 1 10-30 ms 10 M-10 Gbps 光纖接入 2 5-10 ms 100-1000 Mbps DSL 接入 15-

185、60 ms 10-100 Mbps 電纜 25-35 ms 10-100 Mbps 無線回程鏈路 5-35 ms 典型值 10 Mbps 100 Mbps,可能達到 Gbps 聯合預編碼方案由于其交互量大，對時延的要求高，只能基于理想回程鏈路實施。而協作預編碼方案，在部分非理想回程鏈路上也具有實施的可能性。以現有的通信系統設計為例，數據包經 MAC 層處理之后，在物理層基帶的處理過程包括信道編碼、速率匹配、加擾、調制、層映射、資源映射、預編碼、OFDM 調制?；鶐傻男盘柦涍^數模轉換和模擬波束賦形后發射出去。完整的處理過程如圖 6-7 所示。信道編碼速率匹配加擾調制層映射資源映射OFDM調制

186、數模轉換模擬波束賦形預編碼L1RF信號生成層映射MAC數據信道參考信號(CSI-RS，DMRS)圖 6-7 下行數據傳輸處理過程 67 聯合預編碼方案完整的實施上述過程需要多個網絡實體的參與，包括中心處理單元和分布式站點。上述處理過程在各個實體之間的如何劃分會影響到回程鏈路上的信息交互量和交互內容。a)中心處理單元將 OFDM 調制之后的基帶數據通過回程鏈路分發給各個站點，如圖 6-8(a)所示。所有的計算集中于中心處理單元，回程鏈路上的數據傳輸量極大，數據量正比于系統帶寬和天線數量。優勢是通過集中處理簡化了遠端站點的實現，較容易實現計算負荷的均衡，可以充分利用網絡的計算能力。b)中心處理單元

187、將高層的數據包直接發送給各站點，由各站點完成信道編碼、調制、OFDM 調制以及預編碼等計算，如圖 6-8(b)所示。中心處理單元負責完成預編碼的計算，并將計算得到的預編碼發送給各個站點。這種方式在回程鏈路上的數據量最小，數據量和待傳輸的終端數據量有關。上述是兩個極端，分別為信息交互量最大和最小的方式。實際上還可以有介于兩者之間的處理方式，例如中心處理單元將預編碼后的數據發送給各站點，由各個站點進行后續的 OFDM 調制等操作。具體使用哪種信息交互方式需根據回程鏈路的容量、各節點的處理能力等綜合考慮確定。OFDM 調制中心處理單元RFRF回程鏈路MAC 中心處理單元RF回程鏈路MAC信道編碼RF

188、信道編碼(a)(b)圖 6-8 基站間信息交互方式（7）站點間時頻同步 分布式超大規模天線傳輸中，終端需要從多個站點接收數據。各站點到終端的距離不同，無線信號的傳播時間不同，所以即使是各個站點同時發射出的信號，到達終端的時間也不相同。采用 OFDM 調制的系統，一般來說信號的到達時間差遠小于 CP 的長度就不會對數據的接收產生不良影響。按照 5G NR 系統的設計，CP 的長度與子載波間隔之間是反比關系。15kHz 和 60kHz 子載波間隔對應的 CP 長度分別約為 4.7 微秒和 1.18微秒。未來移動通信系統的工作頻段更高，帶寬更大，預期子載波間隔會進一步增加，對應的 CP 長度也會隨之

189、縮小。這個情況下，分布式超大規模天線對時間同步的要求將更加嚴格。頻率同步誤差，一方面會破壞子載波之間的正交性，引入干擾。另一方面，會增加信道的時變特性，引起信道在時域內的波動，影響信道狀態信息獲取時效性和精確性。68 綜上，站點之間的時間和頻率同步精度直接影響了分布式超大規模天線的性能。并且由于其分布式的特點，站點之間實現精確時頻同步有很高的工程難度。針對這一問題，未來移動通信系統中，需要研究基于空口無線信號傳輸的站點間時頻同步技術。（8）信道建模 對于分布式超大規模天線技術，需要采用與之匹配的信道模型對技術方案進行評估和甄選。國際標準化組織開展了集中式大規模天線的信道建模的研究工作。其中，3

190、GPP針對 6GHz 以下和 6GHz 以上分別定義了信道模型，以 WINNER 模型2324和 ITU 的 2D信道模型為基礎，綜合考慮水平維和垂直維兩個維度的空間信道特性定義的信道模型，主要用于大規模天線技術的研究、性能評估及標準化。上述信道模型的基本假設是遠場傳播，不適用于分布式超大規模天線。另一方面，終端之間的距離可能遠小于天線系統的規模，終端的信道之間的相關性也是在建模之中必須考慮的因素。（9）對波形設計的影響 4G 和 5G 系統都是以 OFDM 波形為基礎進行設計。OFDM 波形的優勢在于實現簡單，小區內正交化，避免了小區內的干擾。超大規模天線系統，無論是集中式還是分布式，終端之

191、間在空域內都已經接近正交化，對頻域正交化的需求降低。在未來通信系統的波形設計上，有可能打破 OFDM 波形的設計，引入效率更高的波形設計。（10）網絡結構設計 分布式超大規模天線將網絡設備推進到終端的附近。從結構上說，無論移動到什么位置，終端的附近都會有一些天線為之服務，真正實現以用戶為中心的網絡結構。因此在物理層之上的網絡協議和網絡結構設計也需要與之匹配。產業化特點 分布式超大規模天線從理論分析和技術試驗上能獲得較大增益，但是實際性能直接依賴于應用場景、產品實現能力等因素。結合不同應用階段的需求，預期該技術早期將局部應用于熱點場景，且需要分析確定部署場景的選取準則，后逐步擴大應用范圍。同時該

192、技術性能的發揮依賴于空口校準、調度方案、組網及協作簇等方案在產品中的具體實現能力。產業成熟度 分布式超大規模天線理論、技術較為成熟，但目前尚未走向大規模商用。從 4G 到5G，產業持續開展了對分布式 MIMO 的理論研究、可行性分析、系統方案設計和技術驗證工作，在北京、上海、成都等地校園/CBD 熱點場景開展了多次試驗，為 6G 開展分布式超大規模天線系統研究奠定理論和應用基礎。分布式 MIMO 創新試驗結果表明，該技術能顯著提升用戶體驗速率，帶來較大性能增益。然而，受限于應用需求，目前分布式MIMO 并未走向大規模商用，隨著流量需求的爆炸式增長，預期未來分布式超大規模天線核心技術可實現商用部

193、署，提升產業競爭力。69 模塊化天線模塊化天線 超大規模天線的應用部署，天線陣面的形態及革新是運營商非常關注問題。從目前的大規模天線發展來看，大規模天線陣面將天線振元及射頻處理單元集成在統一的天線模塊中，這種一體化模塊稱為有源天線單元（AAU，Active Antenna Unit）。其設計優勢在于：簡化了天面配套要求，通過將天線單元與射頻單元的集成處理，降低了饋線損耗，有利于系統容量的提升。然而，這種一體化的設計增加了天線陣面的整體體積、重量，對其施工部署產生了一定的影響。同時，由于射頻鏈路數量龐大，當某個射頻鏈路產生損壞時，故障檢測及維護比較困難。出于對上述問題的考慮，業界提出了模塊化超大

194、規模天線的思路，將超大規模天線陣面分為若干子天線陣面，這些子陣面可以根據場景的具體需求進行組合或拉遠。通過這種分割，既降低了天線檢測的難度，又降低了每個天線模塊的重量，減輕了天線安裝、維護的難度。通過對模塊化超大規模天線陣面的初步實踐，以及對模塊化天線的權值兼容性、天線拉遠方向圖的外場定點測試表明：模塊化天線在常規狀態與面陣大規模天線的波束方向圖類似，可以滿足廣播賦形要求，原有面陣的權值可以復用。模塊天線在拉遠狀態下，通過適當的權值優化，可使模塊化天線廣播波束滿足或接近常規天線陣面廣播波束要求。模塊化天線與傳統面陣大規模天線的速率相近，并且當使用水平折疊的模塊化天線時，可以提升天線折疊方向的用

195、戶性能。因此可以根據用戶分布，靈活的配置模塊化天線的波束方向，從而提升熱點覆蓋，并且可以使得基站部署的選址更加靈活。雖然模塊化天線較常規面陣天線存在其特有的優勢，但在設備實現層面仍有大量的研究與驗證工作需要完成，包括：模塊化天線陣面結構設計，研究天線陣面空間位置靈活調整的方法及相應硬件實現方案；更進一步對模塊化天面的功能以及性能進行實驗室驗證與外場驗證等。智能超表面智能超表面 研究背景研究背景 無線通信系統中，從發射端發射的信號，在經過具有衰落、反射、折射等特征的無線信道后到達接收端。一般而言，收發鏈路間的信道時變且不可控，為了獲取理想的傳輸性能，發射端需要動態地獲取信道的狀態信息（CSI），

196、以此來完成發射端的預編碼、功率分配等，進而保證傳輸信號隨信道的變化自適應的調整。上述過程的實質體現在對信道的準確建模。隨著無線通信傳輸內容的多樣化、通信形式的靈活性、收發設備的小型化、傳輸的低功耗低時延等要求的提高，適應信道傳播特性愈發困難。當前，一項新穎的技術智能超表面技術，有望改變上述困窘。利用智能超表面技術，可人為地設計 70 可控信道，并利用可控的信道完成信號的傳輸。超表面(meta-surface)是超材料(meta-material)的一種具體實現。超材料的“超”，體現在人工合成材料對自然原有材料性質的突破，如負折射率等。當超表面上有可變參數的器件時，通過控制這些器件，可以使超表面

197、的電磁特性動態變化，進而改變入射電磁波的相位和傳播方向，形成可控的信號傳輸鏈路。超表面的引入，使無線通信系統設計更具有靈活性。通過合理地設計和布置超表面，人為地構造良好的傳輸信道，提升系統整體性能。超表面原理超表面原理 超表面包括反射型超表面和透射型超表面。傳統的無源超表面在設計完成之后，其功能基本確定，用途較為單一。加入諸如變容二極管、PIN 二極管等有源器件，可以賦予超表面自由度，增強超表面的功能。通過改變有源器件兩端的電壓，即可改變超表面的等效阻抗，進而改變其對應的電磁波的透射系數或反射系數。通常，控制有源器件的電壓為連續的模擬量，為了便于控制，將模擬量進行量化，形成“數字超表面”，進而

198、使用數字量來控制超表面25。超表面一般由許多超單元(meta-atom)組成，如圖 6-9 所示，超單元之間等距排列。使用控制器（如 FPGA）控制超表面上的每一個超單元。圖 6-9 超單元組成的超表面，其中黑色方框為超單元 超表面上的超單元具有相同的結構，其結構簡圖如圖 6-10 所示。超單元是一個扁平的立方體。從上到下分別為金屬結構、基底和電源/地端。上下層之間通過一個通孔相互連接。金屬結構上存在有源器件，如可變電容、二極管、開關等等，用于改變上層金屬結構的反射系數或透射系數。71 圖 6-10 超單元結構簡圖 文獻26設計了一種反射型超單元。這種超單元的工作頻率為3.6GHz，尺寸約為1

199、8.8mm x 16.1mm x 4mm。超單元反射系數與有源器件兩端電壓、入射電磁波頻率之間的關系如圖 6-11 所示。圖 6-11 超單元反射系數與有源器件兩端電壓、入射電磁波頻率之間的關系26 由圖可知，在入射電磁波頻率為 3.6GHz 時，調節有源器件（文獻26中為變容二極管）兩端之間電壓，超單元反射系數的幅度在 0.7 至 1.0 之間變化，相位在 140 至-180之間變化。通過簡單的改變有源器件兩端的電壓，即可改變超單元的反射系數，進而影響反射電磁波的幅度和相位。超表面除了能夠改變反射電磁波的幅度和相位，還能夠改變其傳播方向。廣義反射定律(generalized laws of

200、reflection)27描述了電磁波的反射角與電磁波的入射角、超單元反射系數的相位之間的關系，該定律表示如式（1）所示，sin sin=2dd （1）其中，和分別為電磁波的入射角和反射角；為媒介的折射率，空氣的折射率約為 1；為入射電磁波的波長；為超單元反射系數的相位；d/d為超單元反射系數的相位在超表面上單位長度的變化量。圖 6-12 廣義反射定律示意圖28 72 假設d/d為較小的正數，逐步改變入射電磁波的入射角，根據廣義反射定律，其反射電磁波變化如圖 6-13 所示。圖 6-13 分界面為超表面時，入射電磁波與反射電磁波的關系 當 時，為全折射，沒有反射電磁波，為臨界角度；當0 時，入

201、射角小于反射角；當 0時，反射電磁波與入射電磁波位于法線同側；當 0時，在絕對值上，入射角大于反射角。由此可以通過調節超單元反射系數，改變反射電磁波的傳播方向。上述示例中的超表面為反射型超表面。透射型超表面的原理與反射型超表面類似，通過調節超單元的相位來改變透射電磁波的傳播方向。超表面的作用超表面的作用 如圖 6-14 所示，超表面在超大規模天線系統中的應用包括反射式和透射式兩種結構。反射式結構中，入射電磁波發射源與超表面信號輻射區域位于超表面的同一側，透射式結構中，入射電磁波發射源與超表面信號輻射區域位于超表面的兩側。反射式超表面的設計相對更為簡單。73 圖 6-14 超表面的兩種結構 超表

202、面在超大規模天線系統中的一些典型作用如下：1）作為信號傳輸的中繼 超表面作為信號傳輸的中繼多使用反射型超表面。超表面可以反射電磁波，并且改變反射電磁波的相位和傳播方向，因此可以借助超表面來協助信號傳輸29303132。超表面在無線信號傳輸當中充當可控的反射源，人為地增加可控的多徑鏈路，將來自發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，超表面可以改變信號的相位，利用電磁波的相干相消，增強所需信號，抵消干擾信號，提高接收端 SINR。下面參照文獻29，構建超表面輔助的下行鏈路模型，并從接收端平均接收功率的角度，分析超表面作為信號傳輸中繼的作用。下行鏈路模型如圖 6-15 所示，該模型

203、由三部分組成：M 根天線的基站，N 個超單元的超表面，以及單個單天線用戶。圖 6-15 超表面輔助的下行鏈路模型 基站與超表面之間、超表面與用戶之間、基站與用戶之間的小尺度衰落信道分別為1、2和，均為萊斯衰落信道，描述如式（2）所示 1=11+11+11+11 74 2=22+12+12+12 （2）=33+1 +13+1 其中，1、2和 是 LOS 部分；1、2和 是 NLOS 部分，獨立同分布且服從(0,1)，1、2和3是萊斯 K 因子。用戶接收信號為 =(121+)+（3）s為發送信號，均值為零，方差為 1；為噪聲，服從(0,1)；為發射功率；1為波束賦形因子；采用 MRT，則=121+

204、121+，1和為大尺度信道增益；=diag1,，表示超表面上每個超單元的反射系數，反射系數的幅值取 1，相位為 0,2),=1,。從而，用戶平均接收功率可以表示為=12 1+22 （4）為了便于建模，將基站和超表面建模為均勻線陣(ULA)，此時 1=(2)(2)=(2)（5）其中，2、2為基站到超表面的出射角和入射角，2為基站到用戶的出射角。根據廣義反射定律，2由和2共同確定?？蛇M一步求得=1212(1+1)(2+1)2 12+12(1+2+1)(1+1)(2+1)+12123(1+1)(2+1)(3+1)(2 1)+2 1)+22 （6）若認為超單元輔助鏈路和直連鏈路相互正交，則有=1212

205、(1+1)(2+1)2 12+12(1+2+1)(1+1)(2+1)+22 （7）由上述公式可知，用戶平均接收功率會受到超表面輔助鏈路的1、2和2 1、超單元數量、路徑損耗1的影響。顯然，當超表面輔助鏈路中 LOS 占主導即1,2 時，增加；當超表面距離基站和用戶較近即1較大時，增加；若超單元數量增多，增加，此現象可認為是超表面帶來的天線數量增益；若合理地選擇，使得2 1上升，增加，此現象可認為是超表面帶來的波束賦形增益。我們下面通過仿真簡單驗證上述分析，仿真模型如圖 6-16 所示。75 圖 6-16 超表面輔助下行鏈路仿真模型 基站與用戶中心位于同一條直線上，=25,=50。超單元與基站-

206、用戶中心線平行，距離該中心線為=5。每米路徑損耗為-30dB，即=(m0.1 m)3。此外，默認情況下，基站天線數量為=8，超單元數量為=20；發射功率=1W；萊斯 K 因子1=2=3=3。在確定2時采用了廣義反射定律，涉及到了正弦函數，因此是關于的非線性函數，采用粒子群優化算法（Particle Swarm Optimization，PSO）近似求解max。仿真結果如圖 6-17、圖 6-18 所示。圖 6-17 為用戶平均接收功率與超表面、超單元數量 N、超單元反射系數相位之間的關系。圖 6-17 用戶平均接收功率與超表面、超單元數量N、超單元反射系數相位關系圖 圖 6-17 中曲線從上到

207、下分別對應：超單元相位經過優化的超表面輔助鏈路、超單元相位全零的超表面輔助鏈路、沒有超表面輔助的鏈路，分別記為曲線 1、2、3。隨著超單元數量的增加，用戶平均接收功率（曲線 1、2）相應增加，與預期相符。對比有超表面輔助情況（曲線 2）和沒有超表面輔助情況（曲線 3），超表面顯著地提升用戶平均接 76 收功率，提升幅度約為 9dB，此即為超表面的“天線數量增益”。對比超單元相位優化情況（曲線 1）與超單元相位全零情況（曲線 2），優化超單元反射系數的相位，也可以提升用戶平均接收功率，提升幅度至少為 6dB，此即為超表面的“波束賦形增益”。因此，通過合理地部署和配置超表面，可以得到顯著的性能提升

208、。圖 6-18 為用戶平均接收功率與超表面、距中心線距離、超單元反射系數相位的關系。圖 6-18 用戶平均接收功率與超表面、距中心線距離、超單元反射系數相位關系圖 類似地，圖 6-18 中的曲線從上到下記為曲線 1、2、3。通過合理地部署和配置超表面，可以提升用戶平均接收功率。然而，當超表面與用戶和基站的距離逐漸變遠時，路徑損耗對多徑傳輸的影響逐漸顯著，超表面對系統的增益也逐漸下降?？紤]到超表面制造的多徑帶來的多徑效應，超表面適合于與收發端距離較近的場景。綜上所述，超表面輔助鏈路能夠顯著地提高接收端的平均接收功率，且與收發端的距離不宜過遠。2）作為發射機天線陣列的擴展 傳統的超大規模天線陣列發

209、射機需要通過大量的移相器和放大器來進行天線陣列幅度和相位的調整，形成波束賦形。超表面通過改變變容二極管、PIN 二極管等的電壓即可實現波束賦形，無需移相器和大量的放大器。通過在傳統的 MIMO 發射機前端放置反射型或透射型超表面來實現波束賦形，可以以較低的能耗有效地實現天線單元規模的擴展，提高發射機的性能。這是超大規模天線技術實現更大陣列規模的一種低成本、輕量化、低功耗實現方式。3）作為信號調制器 超表面能夠動態地改變信號的相位，將需要傳輸的信息表示為不同的相位，即可實現 PSK。77 超表面可用于高頻混頻26。當使用周期性的數字量控制超表面時，超表面的電磁特性會周期性地發生變化，此時利用超表

210、面會產生不同頻率成分的電磁波。不同的頻率成分對應于不同的編碼，由此實現 FSK。上述用途中均需收發兩端已知載頻信號。當然，也可以直接使用環境當中已有的任意電磁波來進行信號傳輸。如圖 6-19 所示，基站向周圍廣播參考信號，如導頻信號，超表面調制參考信號，并將信號反射給解調端。解調端根據參考信號解調被超表面調制的信號，得到超表面調制信號時所采用的數字序列，由此可將信息從調制端傳輸至解調端。發射電磁波需要較高的功耗，而超表面調制電磁波的信號為低頻信號，且僅需改變超單元的反射系數即可，功耗較低。對于能耗要求較高的設備，如可穿戴設備，可借助超表面實現低功耗的信息傳輸。圖 6-19 超表面調制環境中已有

211、信號30 4）用作實現全息 MIMO 實現全息 MIMO 需要使用連續孔徑（或近似連續孔徑）的天線。傳統的陣列天線難以實現連續孔徑，超表面可以實現連續孔徑或近似連續孔徑，用來記錄電磁波的“全息圖”，以實現全息波束賦形。與光學全息類似，超表面實現全息波束賦形的原理包括訓練過程和賦形過程。訓練過程（全息記錄過程）的步驟如下：終端發送上行訓練信號（假設為 1），則到達基站連續孔徑天線處的復信號為 00,exp,H x yHx yjx y 參考波可在基站天線面板上直接生成：0,expsinR x yRx yky 物波與參考波疊加（干涉）之后的復振幅為,x,(,)u x yRyH x y。全息圖記錄干涉

212、圖樣的幅度信息和相位信息：222*000I,=,expsin,expsinx yu x yRx yH x yH x y Rx yjkyHx y Rjky 78 賦形過程（全息重現過程）的步驟如下：使用參考波的共軛“照射”全息圖（或者說用 I 調制 R）可得到加權矩陣 W：*2222*0000,I,=,expsin,exp2sin,W x yRx yx yRx yRx yH x yRx yjkyRx yH x yjkyRx yHx y 通過合理的選擇，即可進行2*0,R Hx y與其他幾項衍射波的分離，(,)即為終端的波束賦形。國內外研究現狀國內外研究現狀 近幾年超表面的研究是天線技術領域的研究

213、熱點。國內外有很多團隊進行相關研究，目前已取得很多成果。研究內容包括超表面的設計、信道建模、信道容量分析、自由度33、定位發射端的 CRLB34、基于超表面的通信系統的能耗、波束賦形、用戶分配策略35等。在驗證平臺方面，歐盟 VISORSURF36項目致力于開發控制超表面的硬件和軟件，目前已取得了一些成果。意大利的 Stefano Maci 團隊對超表面天線進行了大量研究，實現了多波束、多極化和波束掃描特性37。美國麻省理工學院所研發的 RFous 可重構智能超表面集成了自主調控入射波反射與透射的能力38，它將波束賦形功能從無線電端點移至環境當用戶與基站處于超表面的兩側時，使用透射模式對基站發

214、出的信號進行聚焦，使接收端能夠接收到較強的信號；當用戶與基站處于超表面的同側時，使用反射模式對基站發出的信號進行調制。國內的超表面研究也取得了很多成果。文獻39于 2014 年提出了一種數字可編碼超材料，并于 2018 年提出了“時空編碼”超表面的概念，利用超表面同時實現了高階調制和 MIMO 傳輸。文獻40中設計了雙頻智能超表面，并搭建了智能超表面輔助的通信系統平臺。將超表面用于通信系統，實現基于超表面的超大規模系統的應用仍面臨著諸多挑戰。這些挑戰不僅僅包括實用化硬件設計，還包括信道建模、CSI 測量等技術層面的挑戰。超表面超表面關鍵技術研究方向關鍵技術研究方向 目前，將超表面應用于無線通信

215、場景以構建基于超表面的超大規模天線系統還存在諸多的挑戰和待研究的問題。一些待研究的關鍵問題如下：1、適用于無線通信系統的硬件設計。由于實際的通信環境通常較為復雜，適用于無線通信系統的超表面硬件設計仍是一個重要研究方向。2、超表面調制技術。如何根據通信環境實現超表面的快速調制是基于超表面的超大規模天線系統的一個待解決的問題。尤其當超單元數量增加時，超單元調整將會變得十分復雜。若接收端快速運動，超表面需及時地調整超單元以跟蹤接收端。3、實用化應用場景和信道建模。超表面調控電磁波的原理與傳統天線陣列不同，產生的影響也不同。構建基于超表面的超大規模天線系統的應用場景，并進行信道測量和建模，是一個重要的

216、研究方向。79 4、信道狀態信息獲取。超表面作中繼時，若優化超單元的反射系數，需要獲知超表面輔助鏈路的 CSI。由于超表面目前只能夠反射信號，即不能夠通過導頻估算 CSI，從而難以獲取超表面輔助鏈路的 CSI，進而無法優化超單元的反射系數。因此，需要探尋其他合適的方法來進行優化。智能中繼智能中繼 6G 系統將可能采用低頻段、毫米波、太赫茲和光波等頻譜資源，具有超高的傳輸速率、超低的通信時延和更廣的覆蓋深度，同時融合地面移動通信、近地空間平臺、無人機平臺、中低軌衛星等技術，解決海陸空天覆蓋，實現全球的無縫覆蓋。但是，毫米波和太赫茲頻段同時也有信號衰減強、易受遮擋和覆蓋距離近和穿透固態物體的能力差

217、等弊端。在保持通信質量不變的情況下，會嚴重限制系統的傳輸距離；在保持傳輸距離不變的情況下，易造成通信質量惡化，甚至信息傳輸中斷。因此，基于超大規模天線的智能中繼通信技術是一種能夠有效補償無線電波傳輸損耗的技術。超大規模天線智能中繼通信系統可充分發揮帶寬優勢，實現超高速和較遠距離的傳輸。值得注意的是，毫米波、太赫茲和光波等頻段的無線通信系統均基于波束進行通信，對設備硬件成本代價提出了新挑戰，造成現有通信系統協作中繼技術不再適用。因此，適用于毫米波、太赫茲和光波等頻段通信的超大規模天線技術的多連接技術，以及基于超大規模天線通信的中繼設備物理層設計、中繼設備波束管理方案成為亟待解決的重要問題。智能中

218、繼波束預測與搜索方案智能中繼波束預測與搜索方案 6.4.1.1 智能中繼通信的波束管理流程智能中繼通信的波束管理流程 在 5G 以及未來 6G 的系統中，如果要加入高頻段的毫米波、太赫茲和光波中繼，首先要做到的是能夠對波束管理進行全面的支持。在此基礎上，中繼需要具有增強非視距區域（NLOS）的盲點覆蓋以及熱點增容等功能。（1）盲點覆蓋）盲點覆蓋 在小區邊緣，受傳播環境的影響，可能存在覆蓋盲點，因此在基站尚可覆蓋的范圍內增加中繼站，通過基站與中繼站、中繼站與移動臺之間相互通信，可以達到彌補覆蓋盲點的目的。（2）熱點增容）熱點增容 在熱點區域，本小區的系統資源可能存在暫時短缺的現象，那么利用中繼站

219、引入相鄰小區的部分剩余資源，可以達到熱點增容的效果。因此，由高頻段毫米波、太赫茲和光波等頻段中繼所需功能出發，并結合波束管理協議，同時考慮到設備復雜性，盡量做到“構造簡單”而“功能強大”。在基于超大規模天線的智能中繼設備參與的通信鏈路中，空閑態用戶通過智能中繼進行初始小區搜索和隨機接入過程中的波束管理流程，由圖 6-20 給出。80 小區搜索（下行同步）隨機接入（上行同步）UE開機后進行初始小區選擇，mmWave Relaye跟隨gNB/ng-eNB周期性的朝不同方向發送包含SSB的波束，UE從可接收到的波束中解析出SSB信息，完成下行同步并為接下來的隨機接入過程獲取相關信息MSG11：PRA

220、CH PreambleUE根據接收到的SSB，選擇滿足RSRP門限要求的SSB向mmWave Relaye發送前導碼 PRACH PreambleRAPIDRAR WindowMSG42：RRC Contention Resolution（PDCCH2/PDSCH2）MSG4主要用來解決競爭。網絡從MSG3確定UE是否存在有效的C-RNTI，從而采用不同的競爭解決機制：若UE已有有效C-RNTI，則通過用C-RNTI在PDCCH上對UE進行尋址解決競爭，終端在PDCCH上檢測到自己的C-RNTI就宣告隨機接入成功，并上行發送HARQ確認。由于C-RNTI對終端是唯一的，非目標終端會忽略該PDC

221、CH；若終端沒有有效的C-RNTI，競爭解決消息通過TC-RNTI來尋址，通過DL-SCH發送競爭解決消息，UE比較MSG4中接收到的標識和第三步中發送的標識，若匹配則隨機接入過程成功，MSG2的TC-RNTI變為C-RNTI，并上行發送HARQ確認。若UE沒有在PDCCH上檢測到C-RNTI或者沒有匹配到標識，或者MSG3發送后的特定時間內UE沒有接收到MSG4，隨機接入過程失敗，需要從第一步重新開始隨機接入過程。MSG22：RAR（PDCCH2/PDSCH2）UE發送PRACH Preamble之后就會等待隨機接入響應，并根據PRACH的時域位置計算RA-RNTI，在RAR window內

222、監聽PDCCH，若接收到該RA-RNTI對應的RAR，則繼續進行MSG3的發送，若未接收到則考慮在原先SSB波束上進行功率抬升或者選擇其他的SSB發送Preamble。RAR包括該響應屬于哪個前導序列、基于該前導碼的定時修正、用于MSG3的調度授權和用于UE和網絡之間進一步通信的TC-RNTI。UE通過MSG2完成上行時間同步。（若采用非競爭的隨機接入，終端已經分配了唯一標識C-RNTI，MSG2是隨機接入最后一步）MSG31：RRC Connection Request（PUSCH1）UE發送唯一標識，用于MSG4中的競爭解決。RRC_CONNECTED態的UE，唯一標識是C-RNTI；RR

223、C_IDLE態的UE，唯一標識是來自核心網的S-TMSI或一個隨機數，gNB/ng-eNB在響應MSG3之前先與核心網通信；RRC_INACTIVE態的UE，唯一標識是來自核心網的RNTI。HARQ ACK（PUCCH1）RRC Connection Setup（PDCCH2/PDSCH2）HARQ ACK（PUCCH1）DCI（PDCCH2）RRC Connection Setup CompleteSSBSSB_kPSSSSSPBCHRMSICORESET 0RMSIPDSCHUEgNB/ng-eNBmmWave RelaySSB_kMSG12：PRACH PreamblemmWave Re

224、laye將MSG11中接收到的PRACH Preamble進行放大，并根據SSB將其轉發至gNB/ng-eNBgNB/ng-eNB周期性的朝不同方向發送包含SSB的波束，每個SSB和波束之間是一一映射關系，mmWave Relay對可接收的SSB波束進行接收和放大，在發送端恢復原SSB波束信息并發送（以單gNB/ng-eNB和單mmWave Relay為例，但不限于此）MSG21：RAR（PDCCH1/PDSCH1）mmWave Relaye接收gNB/ng-eNB發送的RAR信號進行放大，并將其轉發至已經發送過該RAR對應PRACH Preamble的UEMSG32：RRC Connecti

225、on Request（PUSCH2）mmWave Relaye接收UE發送的MSG31，并將其放大轉發至gNB/ng-eNBMSG41：RRC Contention Resolution（PDCCH1/PDSCH1）mmWave Relaye接收gNB/ng-eNB發送的MSG41，并將其放大轉發至UEHARQ ACK（PUCCH2）RRC Connection Setup（PDCCH1/PDSCH1）HARQ ACK（PUCCH2）DCI（PDCCH1）RRC Connection Setup Complete 圖 6-20 基于超大規模天線的智能中繼波束管理流程 6.4.1.2 基于邊緣云

226、架構的智能中繼波束預測與搜索方案基于邊緣云架構的智能中繼波束預測與搜索方案 當毫米波、太赫茲甚至是可見光的新增頻譜應用到無線通信中，UE 與 BS 之間的上下行信號傳輸將會基于波束進行，對于超大規模天線智能中繼設備參與的通信鏈路中，智能中繼與 BS 之間以及與 UE 之間的上下行通信同樣基于波束進行。此時，BS 與智能中繼設備之間的最優波束確定與連接，以及 UE 與智能中繼設備之間的最優波束確定與連接成為關鍵問題。通過對基于邊緣云架構的 AI 智能推薦算法研究，可以運用 AI 智能推薦算法來搜尋匹配移動終端設備與各基站間的最優波束，從而提升高頻段通信的速率與穩定性。為了提升方法的可行性，將分散

227、部署的若干中繼組成中繼網絡，并選擇中心的一個中繼裝載智能計算存儲模塊成為智能中繼網關，位于中繼網絡中心的智能中繼網關通過實時監測相關 KPI 并配合一定的匹配算法分析該中繼網絡中設備間的最優波束匹配，并將匹配信息傳輸告知該中繼網絡中的各個設備，各個設備則可以根據智能中繼網關的分析結果實現設備間的最優波束匹配?；谶吘壴萍軜嫷闹悄苤欣^波束預測與搜索優化架構如圖 6-21 所示，智能中繼網關能夠智能分析相關 KPI 的變化，根據終端設備的運動軌跡以及通信需求進行最優波束匹配，并將匹配結果傳輸告知該中繼網絡中的各個設備，使設備根據匹配結果智能調整上下行通信鏈路所選的波束，建立最優波束。81 圖 6-

228、21 基于云架構的智能中繼波束預測與搜索優化架構圖 基于云架構的智能中繼波束預測與搜索優化工作流程如下：1、準備階段：（1）首先需要對該中繼網絡覆蓋區域進行一定精度的位置標定，每一個基站設備的位置或者移動終端設備的運動軌跡都可以由標定好的坐標點表示；（2）根據實際情況的需要設定該小區波束信號強度的閾值，并且認為大于該閾值的波束連接可取，主要用于匹配階段在推薦的若干波束方案中篩選可用的波束方案；（3）按照傳統的波束管理方案進行運作一段時間，并將各類終端設備（需要區分到設備種類、品牌甚至型號，通過分析終端設備通信上傳的入網號即可知曉）在該區域各點位置的若干優質波束方案結合相關信息記錄存儲在智能中繼

229、的存儲模塊中。2、完成了前期準備工作之后，正式工作階段：（1）將各設備的通信連接需求以及相關信息上傳至智能中繼網關，需要的相關信息在后文會有補充說明；（2）智能中繼網關根據信息先智能預測分析終端設備在本基站覆蓋小區的運動路徑，并且將預測連貫的運動路徑離散化為點位置信息；（3）根據預測的運動路徑對每一個點位置基于終端設備提供的信息利用推薦算法或匹配算法，在歷史案例庫中獲得匹配合適的若干候選波束方案；（4）以無縫覆蓋和保持信號連續性、盡量減少切換次數等原則，選定預測路徑中各點位置的波束方案，并且連結成最終動態運作的波束方案，傳遞給終端設備以及相應的基站；（5）當完成了初始信息匹配后，開始實施匹配推

230、薦的波束方案后，終端設備以及其連接的基站與智能中繼網關進行周期性的通信匹配分析，判斷是否需要重新匹配；（6）直到終端設備離開該智能中繼網關覆蓋區域，切換到其他區域連接后，則結束對該設備的波束智能管理。以上便是該架構的工作流程，如下是針對上述工作流程需要補充的細節：（1）每個點位置的波束方案，指的是在該點位置上終端設備與基站建立波束連接時分別使用的收、發波束分支。完整的動態運作波束方案即隨著終端用戶運動前行時，82 終端設備以及基站建立連接使用的收、發波束對信息以及變動情況；（2）推薦算法或匹配算法 基于所服務終端設備提供的若干指標，構建匹配模型或偏好描述，在歷史案例庫中進行基于案例的學習（CB

231、L，Case Based Learning）或一對多穩定匹配或相關性的求解，從而獲得候選方案集合。算法可分步驟級聯，初步篩選時的信息指標可以是：終端設備類型（可參照設備的入網號從而得知設備的類別、品牌、型號），小區內標定的位置信息。最終輸出的結果是將各點的方案以連續性原則連結成連續動態的波束方案輸出給終端設備?；诨?DDPG 算法的中繼選擇和精細波束搜索與對準算法的中繼選擇和精細波束搜索與對準 采用毫米波甚至是太赫茲技術的超大規模天線系統將超大規模天線的空間資源與高頻段可用大帶寬結合，提供高數據速率傳輸。但是，在波束傳播過程中產生的過多路徑損耗和穿透損耗會嚴重影響超大規模天線中繼系統的傳輸

232、范圍。此外，毫米波和太赫茲頻段相較于微波頻段所形成的波束變窄，在超大規模天線場景下必然存在能耗增高等相應問題。如何在搜索到精細波束并完成精準對齊的同時，盡可能降低功耗，做到綠色通信，是在中繼設備設計時亟需研究的問題。在基于超大規模天線的中繼網絡中研究波束對準問題中，我們所考慮的場景是存在多個微基站，并且有多個用戶設備需要接入智能中繼才可以進行數據傳輸，用戶設備類型包括移動電話、車聯網汽車、無人機、送貨機器人等。對于用戶側的精細波束對準問題，需要根據用戶所處的位置、信號強度、信道質量等為用戶提供合適的中繼選擇。為了使基于超大規模天線的中繼設備盡可能做到綠色通信，我們提出基于深度強化學習的半盲波束

233、對準技術，即不需要任何標記的數據集即可訓練。對于用戶側，通過使用全向信標信號產生的用戶的 RF 指紋，預測每個用戶最適合接入的中繼以及傳輸的波束形成矢量，實現波束對準；對于基站側，中繼獲取基站所發送的 CSI 信息中的位置信息及信號強度，選擇最適合的基站，進行波束對準。6.4.2.1 信道模型信道模型 以高頻段的毫米波為例，令BSN代表 BS 的數量，UEN代表 UE 的數量，RPN代表中繼的數量。每個 BS 帶有TN個發射天線，每個 UE 帶有RN個接收天線，UE 可進行全向傳輸。在 BS 和中繼處均使用均勻面陣（UPA，Uniform Planar Aray）天線。BS 和中繼、中繼和 U

234、E 之間的信道基于 SaleW-Valenzuela 信道模型建模。發射機和接收機之間的信道由下式給出*1,LrrttTRlrlltlllN NL Haa 83 其中 L 是傳播路徑的數量，l是與第 l 條路徑相關的信道增益。,ll 分別是第 l個波束在 BS/中繼處的偏離方位角和俯仰角。假設 UPA 天線在 yz 平面上，,t hN和,t vN分別 UPA 天線在 y 和 z 軸上的天線數量，并且,tt ht vNNN。發射機的陣列響應矢量由下式給出,22(sin sincos)1 sin sin1 cos1(,)1,t ht vTjd mnjdNNteeN a 其中,01t hmN和,01

235、t vmN，d 是振元間距。毫米波傳播的路徑損耗（以dB 為單位）建模為，0101004(,)20log101log()dBdBfffPL f dnbdXcf 其中 n 是路徑損耗指數，0f是固定參考頻率，b 捕獲路徑損耗指數的頻率依賴性，dBX是陰影衰落項（以 dB 為單位）。第 i 個 UE 與第 j 個中繼的下行鏈路信干噪比（SINR）傳輸由下式給出：2,22,1,BSTXi jjiNTXi k kkkjPPH fH f 其中，,i jH為第 i 個 UE 與第 j 個 BS 之間的信道，jf為中繼使用的波束賦形向量，,jijij fa，2為噪聲功率。6.4.2.2 基于基于 DDPG

236、算法的中繼選擇和精細波束搜索與對準算法的中繼選擇和精細波束搜索與對準 每個 UE 在下行鏈路的時間周期內都會使用全向傳輸，周期性地發送唯一可識別的信標信號。系統中的所有中繼/基站均可接收該唯一可識別的信號，并以此構建 RF 簽名。強化學習（RL，Reinforcement Learning）是人工智能的子類。學習算法與環境交互作用，以學習最佳行為，從而最大限度地提高獎勵。它與傳統機器學習（ML，Machine Learning）的不同之處在于如何為學習過程獲取樣本。機器學習依賴于標記的數據反饋給算法進行學習，而強化學習是由智能體本身獲取樣本來進行的。深度強化學習（DRL，Deep Reinfo

237、rcement Learning）是一種采用神經網絡來促進學習過程的技術，對于波束對準問題在實現快速對準、降低功耗等方面有很高的實用價值。神經網絡可以看作是一系列函數，通過非線性變換將其輸入轉換為一組輸出。在 DRL 中利用神經網絡的函數逼近 84 功能將觀察結果映射到最佳動作。在超大規模天線的中繼系統中，由于用戶側所對應的動作空間是連續（用戶位置、角度值）和離散（中繼個數）維度的混合體，因此如上所述的波束對準問題對于深度強化學習來說是具有挑戰的。深度確定性策略梯度（DDPG）算法是一種在連續動作域上訓練深度強化學習智能體的 actor-critic 方法。在這項工作中，我們選擇使用 DDPG

238、 作為學習算法。同時由于我們的問題有一個混合離散中繼選擇和連續波束對準角度選擇的動作空間，因此我們提出需要可以同時處理偽離散和純連續動作空間以預測動作。DDPG 采用的是一個兩步的迭代過程，也就是使用現在的參數集評估來策略的質量，然后策略會沿最大回報的一個上升方向來更新參數。DDPG 有兩個神經網絡：一個是 actor網絡，基于當前狀態預測動作，采用a參數；另一個是參數是c的 critic 網絡，它是預測動作計算 Q 值的。DDPG 還使用了有參數a和c的目標網絡。每個時刻，狀態和動作都與獎勵一致，然后把下一個狀態存儲到緩沖區。為訓練 actor 和 critic 網絡，就會取N 個樣本，用于

239、計算梯度。為了使 critic 網絡c計算每個狀態動作對的 Q 值，每個樣本中的狀態的收益估算如下：11,|aciiiiyrss 基于回報的估算，均方貝爾曼誤差（MSBE）計算為 21,|ciiiiys aN 然后，critic 網絡參數更新為 cccc 其中1c是隨機更新的步長。對于 actor 網絡，更新取決于動作梯度以及 Q 值的提高。critic 網絡c參數的最終更新()1()(,)aaaaaasiss aN 其中1a是更新步長。最后，在每個時間步更新目標網絡參數，以使用指數加權更新作為參數來提供穩定的值估算(1);(1)cccaaa 1。傳統的 DDPG 算法所采用的是連續動作空間，

240、但由于中繼選擇問題是離散問題，而UE 位置角度更新是連續的，因此無法直接使用 DDPG 算法，而是采用神經網絡逼近器架構，作用于離散和連續動作空間。critic 網絡預測的是每個狀態-動作對的估計 Q 值，Q 值是連續的，因此可以采用與DDPG 相同的 critic 網絡。但是，actor 網絡負責預測離散空間和連續空間的狀態下的最 85 佳動作，因此考慮把每個 UE 的預測拆分成子網。所有子網共享一個公共特征提取器，為每個 UE 子網提供一組可用于選擇的動作。令0txs作為公共特征提取器網絡的輸入。actor 網絡的前 L 層構成公共特征提取器網絡。每一層創建來自上一層特征的線性組合，然后通

241、過非線性激活函數傳遞，即令,l ol iddlW和,l odlb，是與層 l 相關聯的權重和偏差，以,l id和,l od為第 l 層的輸入和輸出維度。然后，將特征提取器層的輸出計算為1llllxg W xb，1,lL，其中 g（）是非線性激活函數。將最終提取的特征集LdLx R饋送到每個子網，以針對每個 UE進行動作預測。每個 UE 的 Actor 子網都使用單層進行中繼選擇。第 i 個 UE 的 actor 子網使用 softmax層預測所有中繼的歸一化數值，(),softmaxii rprpirLpaWxb 其中,RL oPNdi rpW，,RPNi rpb。然后，選擇服務于第 i 個

242、UE 的中繼的標準是 irpa最高的中繼。6.4.2.3 超大規模天線中繼的精細波束對準流程超大規模天線中繼的精細波束對準流程 現在的問題存在于如何使用 RF 簽名以及 UE 報告的 SINR 預測哪個中繼為該 UE 服務。因此建議在超大規模天線場景下，中繼設備的波束對準策略如下：（1）UE 使用全向傳輸發送唯一可識別的信標信號；（2）中繼處接收到所有 UE 發送的信標信號，并構成 UE 的 RF 簽名；（3）中繼同時獲得 UE 的下行鏈路傳輸的 SINR；（4）基于 UE 的 RF 簽名和 SINR，中繼設備基于聯合連續 UE 位置角度更新和離散中繼選擇的 DDPG 算法，在云端匹配 UE

243、的最佳波束角度的中繼設備；（5）相應的中繼根據云端的傳輸指令進行波束對準，直至更新為止?；谏疃葟娀瘜W習的超大規模天線中繼與快速移動用戶波束對選擇算法研究基于深度強化學習的超大規模天線中繼與快速移動用戶波束對選擇算法研究 高頻段信號對阻塞敏感、路徑損耗高，尤其在高速移動場景中難以維持穩定的通信。因此，如何利用超大規模天線中繼為高速移動用戶提供快速并且穩定的數據傳輸具有研究意義。超大規模天線系統將空間維度考慮在內，通過與太赫茲結合，利用高維信號空間，在合理使用波束資源的情況下，可以實現多路數據流的空間復用，使頻譜效率顯著提高。高頻信號存在路徑損耗高、信號穿透低等問題，在高速移動場景下難以保證長期

244、可靠且快速的波束鏈路通信。因此如何選擇合適的波束對進行數據傳輸、如何避免波束對鏈路在通信時中斷等與波束有關的問題仍是使用波束資源的瓶頸，尤其是在用戶相對運動頻 86 繁且速度快的場景下。為了使移動用戶能夠通過中繼設備實現穩定高速的通信，我們提出了一種配備高頻段中繼的超大規模天線無線網絡架構，并在此架構下提出利用多波束傳輸提高快速移動用戶傳輸速率并解決中斷問題?？紤]到每個用戶和每個中繼所能支持最大傳輸波束數的約束，我們以最大化系統和速率并最小化每個用戶速率低于閾值的概率為目標，設計具有局部交互作用的多波束分配方案。6.4.3.1 系統架構系統架構 配備高頻段中繼的超大規模天線無線網絡架構如圖 6

245、-22 所示，包含一個超大規模天線宏基站、若干個智能中繼網關和多個高頻段中繼。宏基站具有從物理層到網絡層的全部通信功能，主要用于傳輸控制面信號，而在高頻段運行的中繼僅具有部分物理層功能，用于用戶面的高速數據傳輸。在中繼無法覆蓋到的范圍，用戶數據傳輸仍由宏基站執行。圖 6-22 系統模型 在系統中，每個中繼都能打出一定數量的波束對準用戶，同時每個用戶也能打出多個定向波束，因此用戶可以使用多個波束對進行數據傳輸。當用戶進入超大規模天線宏基站時，先通過與傳統蜂窩網絡類似的過程與宏基站連接。當用戶想要接入中繼時，廣播隨機接入前導碼以掃描不同角度方向。每個中繼將現有的信息轉發給其所屬的中繼網關，由中繼網

246、關決定各個中繼與每個用戶的最佳波束對，并將結果轉發給宏基站，宏基站決定用于分配給該用戶的波束對。在系統中假設所有中繼網關是同步的，并通過中央基帶連接。網絡中非激活狀態的用戶連接到某些中繼，并且網絡可以配置所有中繼傳輸的所有波束。因此，在沒有無線資源控制的情況下，該架構可以實現用戶和中繼間的多波束分配。87 6.4.3.2 信道模型信道模型 在系統中，考慮采用超大規模 MIMO 均勻天線陣的高頻段三維統計空間信道模型(SSCM)信道模型，則用戶k和中繼l之間的信道模型為 H=()2 a()a()其中，aRX和aTX分別是接收和發射陣列響應向量，分別為：a()=1(2(1)sin()，=1,2,，

247、a()=1(2(1)sin()，=1,2,，其中，天線單元間距=/2,為方向角。()為全向路徑損耗（即大尺度衰落）包括了陰影衰落和路徑損耗，即41 P()=20log10(4)+10 log10()+(0,)，考慮到快速移動場景下用戶的移動特性，將相位表示為兩部分，分別是距離決定的相位改變和速度引起的多普勒頻移，即42 =+=2(+)=2(+cos()，其中，為載頻，為多普勒頻移。發送端使用兩級預編碼，即基帶預編碼（BB）和射頻預編碼（RF），分別為F=f1,f2,f和F=f1,f2,f。假設發射信號x=1,2,，經過預編碼后為x=FFs。設接收編碼器為W=w1,w2,w。由于射頻預編碼器和接

248、收編碼器是用移相器實現的，因此F和F矩陣的元素被約束為恒定大?。ㄏ辔豢勺儯?。根據43，用基于接入點處的 AoD 角和每個用戶的 AoA 角的導向矢量作為預編碼器和接收編碼器的射頻波束賦型器，即 F,=1,=a()，W,=1,=a()。因此，用戶k和中繼l之間的波束對鏈路信干噪比為,=|wHFf|2|wHFf|2+2，所以用戶k和中繼l之間的單個波束對鏈路的可達數據率為,=log2(1+,)。用戶k和超大規模天線宏基站l之間的波束對鏈路的可達數據率為44,=(1+1,1+,)，其中是基站天線數量，是基站負載參數，表示可以服務多少用戶，l,k大尺度衰減系數，小尺度衰落忽略不計。88 定義輔助變量為

249、,=,如果 是中繼,如果 是宏基站，定義輔助變量,k lx，當,k lx=1 時表示用戶k和中繼l或基站l相連，當,k lx=0 時表示中斷。因此，用戶k的總可達數據率為=,，系統總數據率為=。6.4.3.3 超大規模天線中繼的多波束分配方案超大規模天線中繼的多波束分配方案 向快速移動用戶提供不間斷服務是 6G 無線網絡中一個重要且具有挑戰性的目標。為了保證每個移動用戶的通信都不中斷，我們制定相應的優化問題，在最大化所有快速移動用戶的平均數據傳輸總速率和最小化每個用戶的平均數據傳輸速率低于預先設定的閾值的概率二者之間進行優化權衡。僅在前一個度量上進行優化可能會引起資源分配不均，導致某些用戶的平

250、均速率過低。因此，將優化指標設定為 Th,111()PKttk lkRRf xRKtt 其中為權重，用于權衡最大化預期和速率和最小化低于閾值概率二者之間的比重。整體優化問題為：,:max()s.t.C1:,C2:,C3:0,1,xk lk lbk llkck lklk lf xxNlxNkxk lP1 現有使用優化技術解決環境高度變化中用戶關聯問題時大都假設較大相干時間和基站間理想協作，需要運行高復雜度的算法。這些解決方案不適用于高頻段場景，尤其是超大規模天線網絡。為了解決上述混合整數非線性規劃問題，同時控制系統開銷，我們利用深度強化學習，以一種高計算效率的方式執行高頻段超大規模天線網絡中移動

251、用戶的多波束分配任務。在移動環境中應用機器學習可以利用過去的經驗和環境統計數據來學習環境，通過與環境的交互來學習模型，不需要預先使用任何模型。同時在離線階段訓練完模型后，能夠大大減小在線波束選擇的開銷。我們用馬爾科夫決策過程表示移動用戶的環境。在系統中，設定行動者（actor）為所有的智能中繼網關，每一個中繼運行一個強化學習智能體。狀態（state）包含三個部分，分別是在最后 m 個時間內的觀測信道、中斷指示器（=()，()=Pr1=1()）和用戶傳輸速率,。信道變化轉化為移動用戶速率和中斷概率，從而影響整個狀態。設定動作（action）為中繼波束和用戶波束之間的連接情況，用于確定最優波束對。

252、獎勵（reward）為,()k lf x，為了最大化長期折扣獎勵，引入折扣因子，89 因此 00jtjtjFf。整體的訓練流程如圖 6-23 所示。因為中繼的計算功能較弱，我們使用中繼網關，讓地理位置距離較近的若干個中繼共享信息。首先智能體與環境交互，觀察每個用戶的信道狀態、傳輸速率和中斷概率。每個中繼網關都建模一個神經網絡，其中包括行動者（actor）網絡和批判者（critic）網絡。行動者網絡根據不同動作的概率分布來制定策略，判斷該中繼與各用戶相連所能獲得的獎勵，而批判者網絡利用由時間差分誤差得出的價值函數對行動者的策略進行批評。加快系統的收斂，我們讓若干個距離較近的中繼網關協作。為了減小

253、學習輸入狀態和輸出動作之間的映射時密集型計算訓練所造成的開銷，離線訓練每個中繼的神經網絡。在在線學習階段，所有訓練好的神經網絡都部署在一起，利用超大規模天線宏基站作為獎勵累積器，它根據所有中繼網關的動作計算全局獎勵，累積的全局獎勵由宏基站傳回中繼網關，中繼網關利用傳輸回的全局獎勵判斷其連接中繼的最佳波束-用戶配對情況。同時，每一個中繼網關也將其訓練好的最佳波束-用戶配對情況傳輸給宏基站，宏基站根據全局信息作出決策，判斷該時刻每個用戶連接的中繼。圖 6-23 訓練流程 90 終端新型天線結構終端新型天線結構 超大規模天線的部署，對基站和終端都會帶來深刻的影響。對于基站，其天線數目成百上千倍的增加

254、，對基站的天線結構是一大挑戰。對于終端，雖然單個終端的天線數目不會達到非常大的量級，但是由于終端在功耗、大小等方面嚴重受限，同樣需要對天線結構做出較為深刻的變革。目前在終端側主要考慮 AiP、AoC、AoD 等先進天線技術。AiP AiP 即為封裝天線（Antenna in Package），是把天線陣列封裝到芯片內的一項技術，目前對 AiP 技術在毫米波終端上的應用研究較多，且已有部分商用終端或天線模塊采用這項技術。圖 6-24 展示了一種可行的 AiP 結構剖面圖，是當前終端毫米波天線陣列可行的實現方式，又常稱為控制塌陷芯片連接 C4 封裝。AiP 中 RFIC 放在基板底層，RFIC 呈

255、現倒裝形態通過焊盤植凸塊后連接至有若干層金屬的基板，基板底層植入焊球與 PCB 焊接。AiP 頂層沒有其它器件完全由天線陣占據，便于直接向外發射接收電磁波信號。其中 RFIC 集成射頻前端器件，包含混頻器、功分/合路器、PA、LNA、移相器等。圖 6-24 AiP結構剖面圖 AiP 解決方案不占用主板面積，天線到 RFIC 之間差損小，天線輻射效率高，很好兼顧了天線性能、成本及體積，代表著近年來天線技術的重大成果。傳統的 AiP 技術也存在一些缺陷，如對于使用金屬邊框和金屬外殼的終端來說，直接使用 AiP 會帶來的較大的遮擋損耗，針對這個問題，業界也提出了一些新的增強方法來應對，如針對金屬邊框

256、設計的將 AiA（Antenna in Antenna）與 AiP 相結合的 AiAiP 技術等。91 AoC AoC 即為片上天線（Antenna on Chip），是將天線和射頻前端在晶片級別設計集成到同一芯片內的一種技術。目前 AoC 技術的較大缺陷在于損耗較大，電磁輻射效率較低，這也是目前業界研究AoC 技術增強的一個重要方向。在 6G 研究目前的討論中，太赫茲頻段被密切關注。相較于微波通信,太赫茲通信的容量有了極大的提升,它可以提供高達 10Gb/s 的通信速率。另外太赫茲波具有更好的方向性、更高的分辨率、保密性和抗干擾能力更高以及相對較短的波長所帶來的天線尺寸更小和其他電路更加簡單

257、緊湊等優勢。隨著工藝的提升，AoC 在太赫茲方面可能是一個比較好的應用。AoD AoD 即為屏上天線（Antenna on Display），是一種將天線與顯示屏集成在一起的一種較新的天線技術，目前 5G 毫米波終端已有部分廠家嘗試引入。隨著觸摸屏取代物理鍵盤作為主要的手持終端輸入方式，尤其是隨著近年來全面屏手機的普及，留給傳統天線的可用空間越來越小，而屏幕越來越大，此時，考慮將天線與屏幕集成在一起不失為一種好的解決方法。圖 6-25 手持終端屏上天線概念圖 圖 6-25 是一種手持終端 AoD 的概念圖。針對 AoD，最大的挑戰和技術難點在于如何實現光學隱身技術，即肉眼不可見，這一點類似于傳

258、統的觸摸屏傳感器。92 平面透射表面相控陣平面透射表面相控陣 現有大規模天線結構及其規模擴展瓶頸現有大規模天線結構及其規模擴展瓶頸 圖 6-26 給出了現有 5G 大規模天線架構的示例圖。5G 低頻大規模天線陣列包含 96個雙極化單元，圖 6-26(a)、圖 6-26(b)分別表示了 5G 低頻 32TRx、64TRx 天線陣列結構。5G 高頻大規模天線陣列包含 768 個雙極化單元，并劃分成 4 個子陣。每個子陣對應一條射頻通道，子陣的天線結構如圖 6-26(c)所示。從圖 6-26 中可以看出，無論是 5G低頻，還是 5G 高頻，現有的大規模天線為了控制功耗在垂直方向都采用的是 1 驅 N

259、 的結構(低頻:N=3;高頻 N=2)。鑒于典型基站天線 120 的波束寬度，現有大規模天線在水平方向上的掃描覆蓋范圍約為60，在垂直方向上的掃描覆蓋范圍則約為15。垂直方向上的掃描覆蓋范圍受限于陣列垂直方向的架構。圖 6-26 現有5G大規模天線架構示意圖(a)5G低頻32TRx結構;(b)5G低頻64TRx結構;(c)5G高頻子陣結構 對于未來 6G 通信，為了獲得更高的通信速率，天線陣列的規模勢必會進一步增加。在現有架構的基礎上有兩種直接擴展陣列規模的方式。其中一種方式是增加子陣數目，子陣數目的增加既可以通過增加射頻鏈路數實現，也可以通過增加子陣中移相器的數目實現，分別如圖 6-27(a

260、)和圖 6-27(b)所示。但是這種實現方式會使陣列的功耗成倍增加，不能獲得較優的能量效率。第二種直接擴展陣列規模的方式是增加子陣所包含的天 93 線數目。然而這種擴展方式會加劇波束在垂直方向掃描時的柵瓣問題。例如，當 5G 低頻天線陣列在垂直方向上由 1 驅 3 的結構擴展成 1 驅 6 的結構的情況下，其輻射波束在垂直方向上掃描到 7時，會在-7 的方向上出現一個柵瓣，如圖 6-28 所示。柵瓣會在通信中引入干擾，還會使主瓣方向的天線增益下降；而子陣在垂直方向上包含的天線數目越多，出現柵瓣的垂直掃描角度越小。因此，增加子陣所包含天線數目的陣列擴展會使陣列在垂直方向上的掃描范圍縮小，無法滿足

261、 6G 通信 3D 覆蓋的需求。綜上所示，未來6G 超大規模天線陣列需要考慮新的天線架構。圖 6-27 子陣數目增加方式(a)增加射頻鏈路;(b)增加移相器 圖 6-28 大規模天線垂直1驅6結構當輻射波束在垂直方向上掃描到7時的輻射方向圖 新型大規模天線結構新型大規模天線結構平面透射表面相控陣平面透射表面相控陣 平面透射表面相控陣是一種超大規模天線陣列結構的實現形式。圖 6-29 給出了該結構的示意圖，其主要包含了平面透射表面和全數字相控陣兩個部分。其中，平面透射表面由若干個 Nb比特可調相位的單元構成，該表面主要通過波束賦形，對基站發射能量進行區域優化分配；而與平面透射表面平行放置的全數字

262、相控陣則用來對不同流的數字信號進行預編碼，以減弱用戶之間的干擾。94 圖 6-29 平面透射表面相控陣的結構示意圖 平面透射表面相控陣結構可以改善 6.6.1 節提及的基于現有架構直接擴展陣列規模方式出現的問題。針對通過增加子陣所包含天線數目的擴展方式所帶來的垂直掃描范圍縮小的問題，平面透射表面相控陣結構可以避免輻射波束在垂直方向上出現柵瓣，從而實現垂直方向上的大角度掃描。例如，當設置仿真參數如下：平面透射表面的尺寸大小為 21 單元21 單元，每個單元可調相位的比特數 Nb=3；全數字相控陣的尺寸大小為 4 單元4 單元，陣列單元間距為 0.5 波長；平面透射表面與全數字相控陣之間的間距為

263、10波長。該結構所輻射的波束在垂直方向上掃描到40 時，沒有出現柵瓣，二維輻射方向圖如圖 6-30 所示。圖 6-30 平面透射表面相控陣結構輻射波束在垂直方向上掃描到40 時的二維輻射方向圖（a）=40;(b)=-40 95 另外，平面透射表面是一種被動器件，可以通過電壓控制開關器件的通斷來實現單元透射相位的調節，然后通過調控平面透射表面的幅相分布實現遠大于全數字饋源相控陣口徑的波束成形，在不使用有源放大器的情況下提高輻射波束的增益。6.6.1 節提及的增加子陣數目的擴展方式包括增加射頻鏈路數和增加移相器兩種方式，從表 3-2的毫米波射頻部件功耗參考值中可以看出，開關的典型功耗僅為移相器典型

264、功耗的1/6，射頻鏈路功耗的 1/50。因此與通過增加子陣數目的擴展方式相比，通過平面透射表面構成超大規模天線陣列可以大幅度地降低功耗，提高超大規模天線陣列的能量效率?；谄矫嫱干浔砻嫦嗫仃嚨某笠幠；谄矫嫱干浔砻嫦嗫仃嚨某笠幠Ｌ炀€天線方案方案 本小節給出了將平面透射表面相控陣用于超大規模天線的一種實施方案。其基本步驟如圖 6-31 所示。該方案是基于基站已經獲知用戶位置和系統工作在 TDD 頻段這兩個假設條件下設計的。圖 6-31 基于平面透射表面相控陣MIMO方案的基本步驟 在基于平面透射表面相控陣的超大規模天線方案中，第一步是進行寬波束掃描，獲知用戶位置。在寬波束掃描過程中，全數字相

265、控陣的天線端口等幅同相饋電，通過改變平面透射表面的相位分布實現寬波束掃描。圖 6-32 表示了一種掃描方式，在一個時刻波束在某個垂直平面內覆蓋一個扇區 120 的區域范圍，不同時刻掃描覆蓋不同的垂直平面。圖 6-32(a)至圖 6-32(f)分別覆蓋 0 7、7 13、13 17、17 23、23 27、27 33的垂直角度范圍內的垂直平面。同樣也可以覆蓋負垂直角度范圍內的垂直平面區域，這里不再贅述。96 圖 6-32 一種平面透射表面相控陣寬波束掃描方式波束輻射方向圖 該通信方案的第二步，再根據用戶的位置分布確定波束輻射區域。圖 6-33 表示了三種用戶位置的分布情況，圖 6-33(a)表示

266、用戶集中分布在垂直角度=-9、水平角度=0空間區域附近，圖 6-33(b)表示用戶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 空間區域附近，圖 6-33(c)則表示用戶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 空間區域附近。上述空間分布所需的波束輻射區域分布如圖 6-34 所示。圖 6-33 三種用戶位置分布情況 97 圖 6-34 圖 6-33所示的用戶分布所需的波束輻射區域 第三步再根據所需的波束輻射區域，通過如下公式確定平面透射表面的相位分布 P（dx_TA,dy_TA），(_,_)=A(22+2+2+2sincos+2s

267、incos)其中 dx_TA，dy_TA表示平面透射表面單元位置；D 表示平面透射表面和全數字相控陣之間的距離，i，i表示所需波束覆蓋區域的空間位置，A 表示求角度運算。用 6.6.2 小節所述平面透射相控陣成形圖 6-34 所示的所需波束輻射區域，對應的平面透射表面的相位分布如圖 6-35 所示。圖 6-35 圖 6-34所示的所需波束輻射區域對應的平面透射表面的相位分布 在前三步中，保持全數字相控陣的端口等幅同相輻射，確定平面透射表面的相位分布；并在后續步驟中保持該相位分布，通過用戶的上行信道，在基站側進行信道狀態測量；最后根據由信道狀態測量得到的信道狀態矩陣，得到預編碼矩陣，進行下行通信

268、。產業成熟度分析產業成熟度分析 平面透射陣列是將超表面透鏡作為移相結構應用于天線陣列。平面透射陣列有利于銳化波束，實現和 3D 龍勃透鏡相類似的功能，提高波束增益和等效覆蓋距離并降低功耗。龍勃透鏡天線在產業化方面，不僅已經成為專業運動場館（例如：Amalie Arena）蜂窩電話解決方案的重要組成部分，還在高速鐵路、高速公路的大站間距場景下成功試點。98 但是從材料、工藝各方面來看，龍勃透鏡天線都還沒有到大規模低成本生產制造的程度；而且龍勃透鏡天線屬于專利技術，只有少部分廠商掌握。因此，目前運營商暫時將龍勃透鏡的產業化方向放在應急保障等特殊場合，并密切觀望其后續發展狀態。平面透射陣列作為超材料

269、表面的一種應用形式，我們先從超材料技術標準化方面分析平面透射陣列的產業化特點。在技術標準化和專利覆蓋方面，我國在超材料領域內的研究起步較早，2013 年我國就已經在全球范圍內率先啟動電磁超材料標準化工作，成立了全國電磁超材料技術及制品標準化技術委員會。而光啟技術作為超材料方面的龍頭企業，截至 2020 年 7 月在超材料領域的專利授權量達 2070 件，實現了超材料底層技術的專利覆蓋。因此，平面透射陣列在我國具有較好的產業化基礎。我們再從平面透射陣列的生產材料和工藝方面分析其產業化特點。平面透射陣列的關鍵部件超表面透鏡的實現方式包括多層印刷電路板（PCB）工藝外加可調諧電子器件（例如：PIN

270、二極管開關、微電機系統 MEMS 開關）、向列相液晶等。其中多層 PCB 工藝已成熟并趨于完善，國內較大的覆銅板供應商和 PCB 制造商包括生益科技、滬電股份以及深南電路；另外在 PCB 工藝中，最為成熟的減層法制造方法具有 0.05mm 的工藝精度，能夠滿足微波、毫米波超表面透鏡對工藝精度的要求。對于可重構超表面透鏡來說，射頻 PIN 二極管開關是不可或缺的元器件，可以通過在射頻 PIN 二極管兩端加載電壓改變表面性能。而目前射頻 PIN 二極管的產業也是較成熟的，全球較大的半導體供應商包括英飛凌、恩智浦、三星等。因此，和龍勃透鏡天線相比，基于超表面透鏡的平面透射陣列具有更容易實現大規模低成

271、本的生產制造的產業化特點。而對于基于液晶的超表面透鏡的制作工藝可以兼容液晶顯示器（LCD）制造工藝，從而其制造成本較低，有實現大規模量產的良好基礎。平面透射陣列的關鍵部件超表面透鏡在高校等研究機構已經有相對成熟的研究成果。但是轉化成成熟的商業產品的例子較少，目前僅有一些商業衛星終端天線（例如Isotropic System 透鏡相控陣）。由此，我們判斷平面透射陣列正處于產業轉化期。稀疏陣列天線架構稀疏陣列天線架構 在下一代移動通信中，超大規模天線系統期望將規模擴展到上千單元以便通過提升波束空間分辨能力和波束增益來進一步增強多用戶 MIMO 能力、提高無線通信系統的頻譜效率。但是，如果不改變天線

272、架構，僅僅通過增加通道數來實現超大規模天線系統的話，上千射頻通道對超大規模系統的成本和功耗提出了巨大的挑戰。在功耗方面，5G NR 基站的功耗主要由負責處理信號編解碼的基帶單元的計算功耗和負責執行基帶信號與無線信號轉換的射頻有源天線單元的傳輸功耗組成，如圖 6-36所示。再結合表 6-3 數據，我們可以發現采用大規模天線(例如 64T64R)的 5G NR 基站的功耗主要來源于射頻有源天線單元，和 4G LTE 基站的射頻拉遠單元的功耗相比增加了兩倍左右，而其功耗大幅度增加的原因在于射頻通道數的成倍增加。而在保證無柵瓣掃描性能不惡化的情況下，上千單元的超大規模陣列所需的射頻通道數至少是 64T

273、64R 的10 倍，那么在功放效率沒有提升的前提下其功耗將高達幾萬瓦。這個數量級的功耗是未來基站不能承受的。雖然也可以通過應用新工藝、新數字預失真算法來提升功放的效率，99 但是大幅度功放效率的提升需要長期的研究和突破。因此，對于超大規模天線系統來說，堆疊射頻通道的方案對其在功耗方面提出了巨大的挑戰，需要應用新天線架構來減輕超大規模天線系統功耗壓力。圖 6-36 5G NR基站功耗組成示意圖 表 6-3 5G NR基站設備功耗 基帶處理單元(S111)有源天線單元（64T64R）基站 廠商 1 200W(典型)810W(典型)2630W(典型)廠商 2 230W(典型)1120W(最大)359

274、0W(最大)廠商 3 160W(典型)1050W(最大)/800W(典型)3310W(最大)/2560W(典型)廠商 4 470W(典型)1050W(最大)/800W(典型)3620W(最大)/3050W(典型)在成本方面，5G NR 基站典型射頻通道包含巴倫匹配結構、濾波器、低噪放、功放、開關、環形器等，其成本約為 11.3 美元，每個器件具體成本分布如圖 6-37 所示。若依然采用通道堆疊的方式，下一代超大規模天線系統在通道堆疊到 1024 個時，成本就會高達上萬美元，高成本問題也不容忽略。圖 6-37 5G NR基站典型射頻通道成本分布 由此看來，無論是從功耗還是從成本方面看，超大規模天

275、線系統需要在盡量不增加甚至減少通道數的情況下，通過前端天線架構的優化來達到波束空間分辨能力以及增益提升的效果。100 稀疏陣列架構稀疏陣列架構 天線陣列的波束增益主要是由陣列口徑尺寸決定。對于當前基站采用的均勻間隔陣列來說，只有滿足相鄰陣元間距不大于半波長，才能保證在可視區內不出現柵瓣，如圖 6-38 所示。因此，超大規模天線系統在均勻天線陣列的架構下，需要成倍增加天線及其相關的射頻通道來同時保證波束增益和掃描性能，從而正如上節所述會給上千單元超大規模天線系統帶來巨大的成本和功耗壓力。圖 6-38 不同陣列間距的均勻陣列輻射波束（陣列口徑1616）稀疏陣列4546是在保證陣列口徑的情況下，從均

276、勻間隔滿陣中通過優化算法選擇稀疏掉部分陣元，其結構示意圖如圖 6-39 所示。和傳統間隔不超過半波長的均勻陣列相比，稀疏陣列架構使用較少的天線陣元數和射頻通道數，顯而易見可以有效降低天饋系統成本和功耗。而接下來，我們將通過分析在上千單元超大規模天線中應用稀疏陣列方案對波束輻射掃描性能的影響來探討其可行性。101 圖 6-39 稀疏陣列的結構示意圖 圖 6-40 給出了在保證陣元間距不小于半波長以及陣列口徑為 1616 的情況下，對以半波長單元間距均勻排布的 1024 單元陣列進行不同程度稀疏化后的稀疏陣列波束輻射圖，波束主瓣指向(30，0)方向。有效輻射單元的位置選擇以最小化旁瓣電平為目標，通

277、過使用遺傳算法47來實現；36 單元、64 單元、256 單元稀疏陣列的有效輻射單元位置分布示意圖如圖 6-41 所示。從圖 6-40 的計算結果中可以看出，不同有效輻射單元數的稀疏陣列在陣列口徑均為 1616 時，輻射主瓣的 3dB 波束寬度均為 3.2；從而說明只要保證口徑尺寸，對陣列的稀疏化處理并不影響輻射波束的空間分辨率。另一方面，36 單元、64 單元、256 單元稀疏陣列輻射波束的旁瓣抑制比分別為-8.6dB、-11.8dB和-16dB，如圖 6-40 所示；因此稀疏陣列所使用的有效輻射單元數越多，更有利于獲得更小的旁瓣干擾。圖 6-40 不同程度稀疏化后的稀疏陣列的法向波束輻射圖

278、 102 圖 6-41 不同程度稀疏化后的稀疏陣列有效輻射單元位置分布示意圖(a)36 有效輻射單元；(b)64 有效輻射單元；(c)256 有效輻射單元 而以 256 有效輻射單元的稀疏陣列為例，在用稀疏陣列實現波束掃描時，仍可保持較好旁瓣抑制性能，如圖 6-42 所示。(a)(b)圖 6-42 256有效輻射單元稀疏陣列的輻射波束掃描 103(a)俯仰角方向掃描(方位角為 0 度)；(b)方位角方向掃描(俯仰角為 60)綜上所述，在超大規模天線系統中可以采用稀疏陣列的架構僅用不到 50%的有效輻射陣元來實現高增益、高空間分辨率的波束輻射和掃描。在稀疏陣列架構中，我們還可以利用缺省單元的位置

279、進行相關降低風載荷的結構設計。另外，在稀疏陣架構的有效輻射陣元射頻輸入端還可以通過使用開關結構來控制對應射頻通道的通斷；在通信環境對波束旁瓣抑制性能要求較低時，還可以選擇關閉部分有效輻射陣元的射頻通道來進一步降低系統功耗。小結小結 在下一代超大規模天線系統中，在功放效率和工藝沒有突破性進展的情況下，上千輻射單元和通道將引入上萬瓦的功耗和上萬元的射頻通道成本，這是未來使用超大規模天線系統的基站所不能承受的。與相同口徑以半波長為單元間距的均勻陣列相比，稀疏陣列架構在獲得高增益、高空間分辨率的波束的同時，還可以通過以最小化旁瓣為目標的優化算法僅選擇不到 50%的有效輻射陣元和射頻通道來獲得更優的旁瓣

280、抑制性能，從而可以有效地降低超大規模天線系統的成本和功耗。而且由于在稀疏陣列架構中有效輻射陣元數目和其輻射波束的旁瓣抑制性能成正比；那么在實際應用中如果在有效輻射陣元的射頻輸入端設置開關，我們還可以在環境對波束旁瓣抑制性能降低時智能地選擇關閉部分有效輻射陣元的射頻通道來進一步降低系統功耗。另外，稀疏陣列架構中的缺省單元位置也為降低風載荷提供了設計空間。104 第七章第七章 總結總結 超大規模天線在大規模天線（Massive MIMO）基礎上的進一步擴展。超大規模天線可以認為是大規模天線技術的進一步演進升級，提供更高的頻譜效率、更高的能量效率、新型的應用等。超大規模天線不僅僅是天線規模的增加，同

281、時也涉及到創新的天線陣列實現方式、創新的部署形式、創新的應用等。本文首先分析了超大規模天線技術的在未來 6G 網絡中的應用方式和性能指標，在此基礎上對超大規模天線技術的關鍵技術展開研究，包括信道建模、波束管理和發端處理技術等。本文也探討了超大規模天線與新興的技術（如人工智能）的結合方式。超大規模天線技術走向實用化的前提是低成本、可靠和易部署的天線技術。從部署方式角度，本文對分布式超大規模天線技術和智能中繼進行了研究，識別出待解決的關鍵技術問題。本文對模塊化天線、智能超表面和終端新型天線結構做了初步的探索，對于增加部署靈活性和降低成本、功耗都有一定的增益。105 參考文獻參考文獻 1 Latva

282、-Aho M and Lepp nen K.Key driver and research challenges for 6G ubiquitous wireless intelligence,version 1.Univ.Oulu,Oulu,Finland,White Paper,Sep.2019.2 Mendez-Rial R,Rusu C,Gonz lez-Prelcic N,etal.Hybrid MIMO architectures for millimeter wave communications:Phase shifters or switches?J.IEEE Access,

283、2016,4:247-267.3 Gao X,Dai L,Sayeed A M.Low RF-complexity technologies to enable millimeter-wave MIMO with 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,

284、June.2018.5 王增浩.5G NR 毫米波 HSR 上行多用戶系統中多普勒頻偏估計方法J.南京郵電大學學報:自然科學版,2019,39(6):28-34.6 艾渤，章嘉懿，何睿斯等.面向智能高鐵業務和應用的 5G 基礎理論與關鍵技術J.中國科學基金.2020.7 Song H,Fang,X,Fang Y.Millimeter-wave network architectures for future high-speed railway communications:challenges and solutions M.IEEE Press,2016.8 Liu Y,Wang C X,

285、Huang J,et al.Novel 3-D nonstationary mmWave massive MIMO channel models for 5G high-speed train wireless communicationsJ.IEEE Transactions on Vehicular Technology,2019,68(3):2077-2086.9 Cui Y,Fang X.Performance analysis of massive spatial modulation MIMO in high-speed railwayJ.IEEE Transactions on

286、Vehicular Technology,2016,65(11):8925-8932.10 Fan D，Zhong Z，Wang G，et a1.Doppler shift estimation for high speed railway wireless communication systems with large scale linear antennasC.International workshop on High Mobility Wireless Communications.2015:96-100.11 Zhang J,Chen S,Lin Y,et al.Cell-fre

287、e massive MIMO:A new next-generation paradigmJ.IEEE Access,2019(99):1-1.12 3GPP TS38.900.Study on channel model for frequency spectrum above 6 GHz(Release 15).13 Si L,Jiang H,Lv X,Ding J.Broadband extremely close-spaced 5G MIMO antenna with mutual coupling reduction using metamaterial-inspired super

288、strateJ,Optics Express,2019,27:3472-3482.14 Han C,Jornet J M,Akyildiz I.Ultra-Massive MIMO channel modeling for graphene-enabled Terahertz-band communicationsC.2018 IEEE 87th Vehicular Technology Conference(VTC Spring),2018.15 Payami S,Tufvesson F.Channel measurements and analysis for very large arr

289、ay systems at 2.6 GHzC.Antennas and Propagation(EUCAP),2012 6th European Conference on.IEEE,2012.16 Tsang Y M,Poon A S Y.Detecting human blockage and device movement in mmWave 106 communication systemC.Global Telecommunications Conference(GLOBECOM 2011),IEEE,2011:1-6.17 Guan K.On Millimeterwave and

290、THz mobile radio channel for smart rail mobilityJ.IEEE Transaction on Vehicular Technology,2017,66(7):5658-5674.18 Pino M A,Bosma S,Jung-Kubiak C,etal.Wideband multimode leaky-wave feed for scanning lens-phased array at submillimeter wavelengthsJ.IEEE Transactions on Terahertz Science and Technology

291、,2021,11(2):205-217.19 白皮書“6G 無線智能無處不在的關鍵驅動與研究挑戰”，2019.10 20 Wen C,etal.Deep learning for massive MIMO CSI feedbackJ.IEEE Wireless Communications Letters,2018,7(5):748-751.21 Interdonato G,Bj rnson E,Ngo H Q,Frenger P,Larsson E G.Ubiquitous cell-free massive MIMO communications.https:/arxiv.org/abs/

292、1804.03421.22 3GPP TR36.932 v12.0.0,Scenarios and requirements for small cell enhancements for E-UTRA and E-UTRA(Release 12).23 WINNER IST-2003-507581.Final report on link level and system level channel models.D5.4,v1.4.2005.24 WINNER II IST-4-027756.WINNER II channel models Part I,channel models.D1

293、.1.2 v1.2.2007.25 Cui T,etal.Coding metamaterials,digital metamaterials and programmable metamaterialsJ.Light:Science&Applications 3.10(2014):e218.26 Zhao J,etal.Programmable time-domain digital-coding metasurface for non-linear harmonic manipulation and new wireless communication systemsJ.National

294、Science Review 6.2,(2018):231-238.27 Yu N,etal.Light propagation with phase discontinuities:generalized laws of reflection and refractionJ.Science 334.6054(2011):333-337.28 孫彥彥等.用于相位突變界面的廣義的反射定律和折射定律.物理學報,2013.62(10):147-154.29 Han Y,etal.Large intelligent surface-assisted wireless communication exp

295、loiting statistical CSIJ.IEEE Transactions on Vehicular Technology 2019,68(8):8238-8242.30 Wu Q,Zhang R.Beamforming optimization for intelligent reflecting surface with discrete phase shiftsC.ICASSP 2019-2019 IEEE International Conference on Acoustics,Speech and Signal Processing(ICASSP).IEEE,2019.3

296、1 Wu Q,Zhang R.Intelligent reflecting surface enhanced wireless network:Joint active and passive beamforming designC.2018 IEEE Global Communications Conference(GLOBECOM).IEEE,2018.32 Huang C,etal.Energy efficient multi-user MISO communication using low resolution large intelligent surfacesC.2018 IEE

297、E Globecom Workshops(GC Wkshps).IEEE,2018.107 33 Hu S,Fredrik R,Ove E.Beyond massive MIMO:The potential of data transmission with large intelligent surfacesJ.IEEE Transactions on Signal Processing,2018,66(10):2746-2758.34 Hu S,Fredrik R,Ove E.Beyond massive MIMO:The potential of positioning with lar

298、ge intelligent surfacesJ.IEEE Transactions on Signal Processing,2018,66(7):1761-1774.35 Hu S,etal.User assignment with distributed large intelligent surface(LIS)systemsC.2018 IEEE 29th Annual International Symposium on Personal,Indoor and Mobile Radio Communications(PIMRC).IEEE,2018.36 Liaskos C,eta

299、l.A new wireless communication paradigm through software-controlled metasurfacesJ.IEEE Communications Magazine,2018,56(9):162-169.37 Shlezinger N,Dicker O,Eldar Y C,Yoo I,etal.Dynamic metasurface antennas for uplink massive MIMO systemsJ.IEEE Transactions on Communications,2019,67(10):6829-6843.38 A

300、run V,Balakrishnan H.RFocus:Beamforming using thousands of passive antennas.39 Dai J,Tang W,Yang L,Li X,Chen M,Ke J,Cheng Q,Jin S,Cui T.Realization of multi-modulation schemes for wireless communication by time-domain digital coding metasurfaceJ.IEEE Transactions on Antennas Propagation,early access

301、,2019.40 Tang W,Chen M,Dai J,Zeng Y,Zhao X,Jin S,Cheng Q,Cui T.Wireless communications with programmable metasurface:new paradigms,opportunities,and challenges on transceiver designJ.IEEE Wireless Commumication,2020,27(2):180-187.41 Samimi M,Rappaport S.3-D millimeter-wave statistical channel model

302、for 5G wireless system designJ.IEEE Transactions on Microwave Theory Technology,2016,64(7):2207-2225.42 Goldsmith A.Wireless Communications.Cambridge,U.K.:Cambridge Univ.Press,2005.43 Lin C,Li G.Energy-efficient design of indoor mmwave and sub-THz systems with antenna arraysJ.IEEE Transactions on Wi

303、reless Communications,2016,15(7):4660-4672.44 Bethanabhotla D,Bursalioglu O,Papadopoulos H,Caire G.User association and load balancing for cellular massive MIMOC.IEEE Information Theory Application Workshop,San Diego,CA,USA,2014,pp.1-10.45 DUrso M,Prisco G,Tumolo R M.Maximally sparse,steerable,and n

304、onsuperdirective array antennas via convex optimizations J.IEEE Transactions on Antennas and Propagation,2016,64(9):3840-3849.46 Yan C,Yang P,Xing Z,et al.Synthesis of planar sparse arrays with minimum spacing constraintJ.IEEE Antennas and Wireless Propagation Letters,2018,17(6):1095-1098.47 Whitley

305、 D.A genetic algorithm tutorial J.Statistics and computing,1994,4(2):65-85.108 縮略語縮略語 3GPP 3rd Generation Partnership Project 第三代合作伙伴計劃 4G 4th Generation 第四代 5G 5th Generation 第五代 6G 6th Generation 第六代 AAS Active Antenna System 有源天線系統 AAU Active Antenna Unit 有源天線單元 ABF Analog Beamforming 模擬波束成形 ACK

306、Acknowledgement 確認 A-CSI Aperiodic Channel State Information 非周期信道狀態信息 ADC Analogue-to-Digital Converter 模擬-數字轉換器 AL Aggregation Level 聚合等級 AMC Adaptive Modulation and Coding 自適應調制編碼 AoA Angle of Arrival 信號到達角度 AOA Azimuth of Arrival 水平到達角 AoD Angle of Departure 信號離去角度 AOD Azimuth of Departure 水平發射角

307、 AR Augmented Reality 增強現實 AS Angle Spread 角度擴展 ASA Azimuth Spread of Arrival Angle 水平到達角角度擴展 ASD Azimuth Spread of Departure Angle 水平發射角角度擴展 ATG Air to Ground 空地通信 BER Bit Error Rate 誤比特率 BLER BLock Error Rate 誤塊率 BM Beam Management 波束管理 BPSK Binary Phase-shift Keying 二進制相移鍵控 BS Base Station 基站 BWP

308、 BandWidth Part 帶寬部分 CA Carrier Aggregation 載波聚合 CBL Case Based Learning 基于案例的學習 CDD Cyclic Delay Diversity 循環時延分集 CDM Code Division Multiplexing 碼分復用 C-JT Coherent Joint Transmission 相干聯合傳輸 CMAS Commercial Mobile Telephone Alerts 商業移動警報服務 CoMP Coordinated Multiple Points 協作多點傳輸 109 CP Cyclic Prefix

309、 循環前綴 CPA Cross-Polarized Array 交叉極化陣列 CPE Common Phase Error 共相位誤差 CP-OFDM Cyclic Prefix OFDM 循環前綴 OFDM CQI Channel Quality Indicator 信道質量指示 CRB Common Resource Block 公共資源塊 CRC Cyclic Redundancy Check 循環冗余校驗 CSI Channel State Information 信道狀態信息 CSI-IM CSI Interference Measurement CSI 干擾測量資源 CSI-RS

310、Channel State Information-Reference Signal 信道狀態信息參考信號 DAC Digital-to-Analogue Converter 數字-模擬轉換器 DFT Discrete Fourier Transform 離散傅里葉變換 DFT-s-OFDM Discrete Fourier Transform-Spread-Orthogonal Frequency Division Multiplexing 基于離散傅立葉變換的擴頻正交頻分復用 DL DownLink 下行 DM-RS DeModulation-Reference Signal 解調參考信號

311、 DOA Direction-of-Arrival 到達方向 DPB Dynamic Point Blanking 動態傳輸點靜默 DPS Dynamic Point Switching 動態傳輸點切換 DRL Deep Reinforcement Learning 深度強化學習 DS Delay Spread 時延擴展 EBB Eignvector-Based Beamforming 基于特征向量的波束賦形 EIRP Effective Isotropic Radiated Power 等效全向輻射功率 eMBB enhanced Mobile Broadband 增強移動寬帶 EOA El

312、evation of Arrival 到達仰角 EOD Elevation of Departure 離開仰角 EPRE Energy Per Resource Element 每資源單元發送能量 ETWS Earthquake&Tsunami Warning System 地震和海嘯預警系統 EVD Eigen Value Decomposition 特征值分解 EVM Error Vector Magnitude 誤差矢量幅度 FDD Frequency Division Duplex 頻分雙工 FDM Frequency Division Multiplexing 頻分復用 110 FE

313、C Forward Error Correction 前向糾錯 FFT Fast Fourier Transform 快速傅里葉變換 GCS Global Coordinate System 全局坐標系 gNB next Generation NodeB 下一代 B 節點 HAPS High Altitude Platform Station 高空平臺 HBF Hybrid Beamforming 混合波束賦形 HPBW Half-Power Beam Width 半功率衰減波瓣寬度 HST High Speed Train 高速鐵路 IAB Integrated Access and Bac

314、khaul 一體化接入與回傳 IFC In-Flight Connectivity 空中互聯網 IFFT Inverse Fast Fourier Transform 反快速傅里葉變換 IMT-2020 International Mobile Telecommunication-2020 國際移動通信-2020 IRC Interference Rejection Combining 干擾抑制合并 ITU International Telecommunication Union 國際電信聯盟 JT Joint Transmission 聯合傳輸 LCS Local Coordinate S

315、ystem 局部坐標系 LMMSE Linear Minimum Mean Squared Error 線性 MMSE LOS Line-Of-Sight 直視徑 LS Least Square 最小二乘 LTE Long-Term Evolution 長期演進 LTE-A LTE-Advanced 先進 LTE MAC Medium Access Control 媒體接入控制 MCS Modulation and Coding Scheme 調制與編碼方案 MIB Master Information Block 主信息塊 MIMO Multiple Input Multiple Outpu

316、t 多輸入多輸出 ML Maximum Likelihood 最大似然 MMSE Minimum Mean Square Error 最小均方誤差 mMTC Massive MTC 海量機器間通信 MPR Maximum Power Reduction 最大功率回退 MRC Maximum Ratio Combining 最大比合并 MRT Maximum Ratio Transmitting 最大比發射 MRT Maximum Ratio Transmission 最大比發送 MTC Machine Type Communication 機器間通信 111 MU-MIMO Multi-Use

317、r MIMO 多用戶 MIMO NC-JT Non-Coherent Joint Transmission 非相干聯合傳輸 NLOS Non Line Of Sight 非直射徑 NR New Radio 新空口 OFDM Orthogonal Frequency Division Multiplexing 正交頻分復用 OFDMA Orthogonal Frequency Devision Multiple Access 正交頻分多址接入 OTDoA Observed Time Difference of Arrival 信號到達時間差定位 PAPR Peak-to-Average Powe

318、r Ratio 峰值平均功率比 PC Precoder Cycling 預編碼矩陣輪詢 PMI Precoding Matrix Indicatior 預編碼矩陣標識 PN Phase Noise 相位噪聲 PRB Physical Resource Block 物理資源塊 QAM Quadrature Amplitude Modulation 正交幅度調制 QCL Quasi Co-Location 準共站址 QPSK Quadrature Phase-shift Keying 四進制相移鍵控 RB Resource Block 資源塊 RBG Resource Block Group 資源

319、塊組 RF Radio Frequency 射頻 RL Reinforcement Learning 強化學習 RMa Rural Macro 鄉村宏小區 RMR Rate Matching Resource 速率匹配資源 RMSI Remaining Minimum System Information 剩余最小系統信息 Rx Reception/Receiver 接收/接收機 SCS Subcarrier Spacing 子載波間隔 SDMA Spatial Division Multiple Access 空分多址 SF Shadow Fading 陰影衰落 SFBC Space Fre

320、quency Block Coding 空頻分組編碼 SINR Signal-to-Interference plus Noise Ratio 信干噪比 SISO Single Input Single Output 單輸入單輸出 SNR Signal-to-Noise Ratio 信噪比 SRS Sounding Reference Symbol 探測參考信號 SU-MIMO Single-User MIMO 單用戶 MIMO 112 TDD Time Division Duplex 時分雙工 TDM Time Division Multiplexing 時分復用 THz Tera Hert

321、z 太赫茲 ToA Time of Arrival 信號到達時間 TP Transmission Point 傳輸點 TRP Transmission/Receiption Point 傳輸/接收點 TTI Transmission Time Interval 傳輸時間間隔 Tx Transmission/Transmitter 發送/發射機 TXRU Transceiver Unit 發送接收單元 UAV Unmanned Aerial Vechicle 無人機 UE User Equipment 用戶設備 UL UpLink 上行 ULA Uniform Linear Array 均勻平面

322、陣 UMa Urban Macro 城區宏小區 UMi Urban Micro 城區微小區 URA Uniform Rectangular Array 均勻矩形陣列 URLLC Ultra-Reliable&Low Latency Communications 超高可靠低時延通信 VR Virtual Reality 虛擬現實 XPD Cross Polarization Discrimination 交叉極化鑒別率 ZF Zero Forcing 迫零 ZOA Zenith of Arrival 垂直到達角 ZOD Zenith of Departure 垂直發射角 ZSA Zenith S

323、pread of Arrival Angle 垂直到達角角度擴展 ZSD Zenith Spread of Departure Angle 垂直發射角角度擴展 113 貢獻單位貢獻單位 主要貢獻單位（排名不分先后）序號序號 主主要要貢獻單位貢獻單位 貢獻人貢獻人 貢獻內容貢獻內容 1 中國移動通信技術股份有限公司 王啟星、金婧、樓夢婷 2.4 小區級最大并發數據流數；6.1 分布式超大規模天線 2 中國電信集團有限公司 李南希，郭婧，朱劍馳，陳鵬 1.2.3 室內深度覆蓋；1.2.4 廣域覆蓋；1.2.5 立體覆蓋增強；3.1 立體覆蓋增強；3.3 高速以及超高速移動覆蓋；6.2 模塊化天線

324、3 華為技術有限公司 鄭佳瑜，王斌 3.1.2 立體覆蓋天線陣列結構；6.6 平面透射表面相控陣；6.7稀疏陣列天線架構 4 愛立信公司 郝丹丹，何睿 1.2 節概述部分 5 中興通訊股份有限公司 孟溪，高波，陳藝戩，魯照華 1.2.1 宏蜂窩覆蓋；1.2.6終端之間短距通信；2.2 移動速度；4.2 波束管理 6 紫光展銳 苗潤泉、王鈺華 1.2.2 熱點覆蓋；6.5 終端新型天線結構 7 中信科移動通信技術股份有限公司 黃秋萍，高秋彬 2.1 頻譜效率；4.1 信道建模；6.1 分布式超大規模天線；6.3智能超表面 8 上海諾基亞貝爾股份有限公司 張路，劉皓 2.4 小區級最大并發數據流數；4.3 發射端處理技術；5.1 深度學習與人工智能 9 北京航空航天大學 劉榮科，王孖杰，韓林叢，劉啟瑞，趙婉蓉 3.3 空間精確定位與感知 10 之江實驗室 趙志峰，郭榮斌 4.3 發射端處理技術 11 維沃移動通信有限公司 楊昂，姜大潔 5.1 深度學習與人工智能 12 復旦大學 肖戈川，楊濤 6.3 智能超表面 13 廈門大學 趙毅峰，高志斌，黃聯芬 6.4 智能中繼 14 聯想 劉兵朝、朱晨曦 2.3 能量效率