1、1目目 錄錄1.引言.22.終端友好的場景和需求.23.終端友好關鍵技術.33.1 衛星與地面融合技術與多頻段融合技術支持終端的廣域泛在接入.33.1.1 衛星與地面融合技術支持終端的廣域接入.33.1.2 多頻段融合技術支持終端的泛在接入.93.2 終端原生組網支持終端靈活的接入.163.3 通感算融合擴展終端的服務能力.173.3.1 對業務與用戶的感知能力.183.3.2 對網絡與終端的感知能力.193.3.3 對算力的感知能力.213.4 cell free 技術支持終端0感知的移動性體驗.243.4.1 Cell free 技術.253.4.2 上行輔助的移動性增強.283.5 Ba

2、ckscatter 和近零功耗接收支持終端0功率通信.293.5.1 Backscatter 通信技術.293.5.2 近零功耗接收機.363.5.3 無功放技術.403.6 新型多址接入支持終端的免調度傳輸和上行異步傳輸.423.6.1 NOMA 技術.433.6.2 非協調多址接入技術.443.7 AI 與通信結合提升終端用戶體驗.473.7.1 終端友好的基于 AI 的通信技術.473.7.2 終端友好的 AI 技術.503.7.3 基于無線 AI 技術的終端展望.524.總結.535.參考文獻.546.縮略語.557.貢獻人員.582終端友好終端友好 6G6G 技術技術1.引言引言20

3、19 年 Oulu 大學舉辦的第一屆 6G 大會拉開了 6G 全球研究的大幕。從目前各機構發布的 6G 白皮書來看，大多數觀點認為 6G 愿景是數字孿生1或者數字世界與物理世界的高度融合。歐盟的 Hexa-X 項目提出了 6G 將連接人類世界，數字世界和物理世界并助力三個世界的高效互動2。IMT-2030（6G）推進組于2021 年發布的6G 總體愿景與潛在關鍵技術白皮書提出了“萬物智聯，數字孿生”的 6G 愿景3。在面向 6G 的物理數字融合世界中，終端將發揮重要作用。終端是構建數字世界的神經末梢，是物理世界與數字世界相互作用的媒介，并將提供物理與數字世界融合服務4。終端的能力和水平影響其在

4、物理世界觸達的深度和廣度，從而直接決定了數字化世界的水平和運作效率，直接影響用戶體驗。本白皮書將從面向 6G 的終端應用場景和需求出發，介紹終端友好的 6G 關鍵技術。2.終端友好的場景和需求終端友好的場景和需求面向 2030 年及以后，預計將有千億的各類設備需要聯網以滿足不同場景的多樣化需求。這些設備包括各類傳感器（環境監測，工業制造，體域網等），水表電表等，各種智能家居的設備，可穿戴設備（手表，XR 眼鏡等），手機等。在面向 6G 新場景和增強能力時，目前終端的諸多挑戰（功耗、復雜度、覆蓋、成本、體積等）會進一步加劇甚至產生新的挑戰，成為制約 6G 發展的瓶頸。這些挑戰或問題包括：未來廣域

5、接入需求與當前終端覆蓋性能受限的矛盾面向全頻段多制式的泛在接入需求對終端成本體積功耗的挑戰目前的組網和接入不夠靈活與普適性不強的問題目前的終端的感知能力和支持計算的能力有限的問題3小區重選或切換失敗導致的終端業務不連續和體驗下降的問題電池和供電技術有待突破與終端0功率通信需求之間的矛盾海量小包傳輸與較高的調度開銷之間的矛盾小型化終端的 AI 能力受限問題，以及能否借助 AI 進一步提升終端性能的問題上述挑戰或問題導致終端在未來物理和數字融合世界中發揮作用時不夠“友好”；所以急需研究終端友好 6G 技術，為終端減負，“把復雜留給網絡，把簡單留給用戶”。從終端側看，終端友好包括降低終端的功耗、成本

6、和復雜度，支持終端多樣性，擴展接入場景，提升上行效率（能效、譜效），提升用戶體驗；甚至是終端放松某一點的體驗，從而帶來其他點的更好的體驗。從網絡側看，終端友好詣在提升網絡能力，以簡化終端的相關流程和技術復雜度。本白皮書涉及的終端友好的具體技術方向包括：衛星與地面融合技術與多頻段融合技術支持終端的廣域泛在接入終端原生組網支持終端靈活的接入通感算融合擴展終端的服務能力Cell free 技術支持終端0感知的移動性體驗Backscatter 和近零功耗接收機支持終端0功率通信新型多址接入支持終端的免調度傳輸和上行異步傳輸AI 與通信結合提升終端用戶體驗3.3.終端友好關鍵技術終端友好關鍵技術3.13

7、.1 衛星與地面融合技術與多頻段融合技術支持終端的廣域泛在接入衛星與地面融合技術與多頻段融合技術支持終端的廣域泛在接入3.1.1 衛星與地面融合技術支持終端的廣域接入衛星與地面融合技術支持終端的廣域接入廣域接入技術能夠為終端和用戶在廣域范圍內提供無線接入，實現隨時隨地連接網絡。當前，地面蜂窩移動通信系統覆蓋的人口數量已經超過 70%，但是由于技術和經濟限制，只覆蓋了 20%的陸地面積，6%的地球表面面積，遠不能滿足廣域無縫接入的要求。衛星通信具有覆蓋廣、對基礎設施依賴小等一系列突出4優勢，為地面蜂窩系統解決地球剩余 94%面積的網絡覆蓋問題提供了一種低成本方式。地面蜂窩通信系統和高、中、低軌衛

8、星通信系統融合發展，構建天地一體化通信系統，將極大地擴展終端的接入區域，可實現在全球范圍內，任何人任何物在任何地點在任何時間無縫接入和泛在連接。在 6G 天地一體化系統中，衛星通信終端和地面蜂窩通信終端的有機融合是實現終端的廣域無縫接入和泛在連接的關鍵。相比地面蜂窩通信終端，目前，衛星通信終端在形態、功耗、通信速率、集成度、網絡聯通性等方面都不算友好。一方面是因為衛星通信傳輸距離遠、大尺度衰落嚴重，當通信衛星是 GEO 同步衛星，且采用毫米波及以上頻段時，路徑損耗極大；另一方面是因為衛星通信領域標準化程度較低，系統之間缺乏標準化接口。表 1 比較了典型的地面蜂窩通信終端和衛星通信終端，包括 5

9、G 手機終端、天通一號衛星終端和亞太 6D 衛星終端。其中，天通一號衛星是我國首顆移動通信衛星，亞太 6D 衛星是我國最先進的 Ku 高通量衛星。表 1.衛星通信終端和地面通信終端的區別項目衛星通信終端衛星通信終端地面通信終端地面通信終端天通衛星終端（GEO，S頻段）亞太衛星終端（GEO 衛星，Ku 頻段）Sub 6G 終端毫米波終端形態手持機VSAT 站（天線尺寸0.6m1.2m）便攜終端（天線尺寸0.1m）手持機CPE最大發射功率33dBm8W16W（39dBm42dBm)1W（30dBm）23dBm23dBm5數據速率1.2Kbps 9.6Kbps下行 80Mbps（帶寬 50MHz）；

10、上行 10Mbps（帶寬 8MHz）上行 7Kbps（帶寬200KHz）、下行37.5Kbps（帶寬 500KHz）以下行最大4層MIMO、下行最高256QAM調制、最大帶寬100MHz、載波間隔30kHz計算：對于 5ms 單周期幀結構，單載波理論下行峰值速率為 1.745Gbps；以上行最大1層SIMO傳輸、最大帶寬 100MHz、載波間隔 30kHz 計算：對于 5ms 單周期幀結構，單載波理論上行峰值速率為 95Mbps(64QAM)或 127Mbps（256QAM）下行高于4Gbps；上行高于340Mbps標準天通一號標準下行：DVB-S2上行：DVB-RCS3GPP 5G NR(F

11、R1)3GPP 5GNR(FR2)集成化程度基帶芯片40nm 工藝28nm 或 40nm基帶芯片 5nm基帶芯片5nm通信模式雙模（LTE+衛星）/單模單模多模多模用戶數數十萬數萬據愛立信預估，2021 年底全球 5G 用戶數量預估將超過 5.8 億注：5G 手機終端指標來自于 CCSA 5G 終端行業標準2018-2364T-YDT 3627-2019_5G 數字蜂窩移動通信網增強移動寬帶終端設備技術要求（第一階段）；5G 毫米波 CPE 終端數據來自于中國信通院組織的在 MTNet 實驗室進行的毫米波測試。表 1 中，天通一號手持機同時支持衛星通信體制和 4G LTE 標準，但僅僅是兩顆芯

12、片的簡單集成，在制式間切換、節省資源等方面都沒有做任何的優化。目前衛星通信終端和地面蜂窩通信終端難以深度融合的主要原因是兩種通信體制差異太大，而且衛星通信網絡和地面蜂窩網絡沒有統一管理。一方面，空口傳輸技術的選擇直接決定了通信終端芯片實現方案，因此，終6端要實現兩種空口的有機融合、資源共享，首先需要針對不同的通信信道特性、不同的通信場景和資源限制情況，統一設計融合的空口傳輸技術。另一方面，衛星通信終端和地面通信終端的有機融合意味著終端能夠隨時隨地通過衛星節點或地面基站接入網絡，并實現無縫切換。為此，需要設計星地融合的網絡架構，實現一種網絡架構覆蓋衛星接入網和地面接入網，采用統一的接入管理機制，

13、并研究高效、實時的移動性管理技術。相比地面蜂窩通信系統，衛星通信傳輸距離遠，大尺度衰落嚴重，尤其是當用戶鏈路使用 Ku/Ka 等高頻段時，路徑損耗更大。在衛星通信載荷能力一定的情況下，增大終端天線尺寸提高終端 G/T 值是實現高速數據傳輸的有效手段。解決終端大規模相控陣低成本化的問題是星地融合高頻段終端規?；瘧玫谋匾緩?。但是，衛星通信與地面蜂窩通信存在較大差異，二者的信道模型不同、傳輸環境不同。衛星通信星載資源有限、傳輸距離遠、低軌衛星節點高速移動等特點給空口傳輸技術融合、網絡架構融合、移動性管理融合等帶來挑戰。3GPP 立項的非地面網絡（Non-terrestrial networks,

14、NTN）項目致力于將衛星通信與 5G 融合，解決新空口（New Radio，NR）支持 NTN 的問題。3GPP NTN 標準化工作將為6G 星地融合研究奠定基礎。從終端友好的角度來看，6G 星地融合關鍵技術包括天地一體化柔性網絡架構、6G 星地融合傳輸技術、低成本終端相控陣天線技術等。1.天地一體化柔性網絡架構當前，衛星網絡和地面蜂窩網絡的架構差異大。面向未來天地一體化場景，高、中、低軌衛星網絡和地面蜂窩網絡融合組網，采用統一的柔性網絡架構，構建端到端服務化的網絡，實現全局統一的接入服務和移動性管理服務，對簡化終端流程、降低切換時延都有利?；谖⒎盏奶斓匾惑w化接入網是構建柔性網絡的關鍵環節

15、。通過容器等云原生技術，利用微服務理念對無線協議功能進行重構，將各層相似功能按照微服務的方式進行重新封裝，去除冗余，實現無線接入網的服務化設計。接入網各微服務可以獨立演進、彈性擴展。微服務化的接入網包括資源配置服務、重傳控制7服務、加密解密服務、移動性管理服務、信號處理服務、網絡接入服務等。在天地一體化接入網中，通過星地協同提供統一的接入服務，可支持用戶終端智能選擇衛星接入節點或地面接入節點進行接入，保證接入方式最優。從終端來看，采用統一的機制接入網絡，意味著接入網絡對終端是透明、不可見的，從而極大地簡化了終端實現。2.6G 星地融合傳輸技術從終端的角度，采用星地融合統一的空口傳輸技術，能有效

16、簡化終端的產品設計，擴大產業生態鏈。在保持技術體系一致性的基礎上，通過空中接口參數和協議機制的軟件可配置和適應性修改，即可滿足不同的應用需求。相比傳統的地面蜂窩通信系統和衛星通信系統，天地一體化系統面臨更加復雜的傳輸信道環境，傳輸時延、大尺度衰落、多普勒頻偏、散射等特性差異很大。如何高效利用時、空、頻、碼、功率等多維資源，設計星地融合統一的空中接口傳輸技術，是 6G 技術迫切需要解決的問題。星地傳輸路徑損耗大、星上資源受限、鏈路時延長以及低軌衛星高速移動，對同步和接入設計都帶來了很大挑戰。為了有效降低處理時延、提高用戶體驗，需要研究魯棒的定時同步和極簡的隨機接入方案。尤其是對于沒有 GNSS

17、定位和時頻預補償能力的終端，需要設計更加穩健的上行物理隨機接入信道以克服定時偏移和頻率偏差。載波調制方式是極為重要的基礎傳輸技術，實質上決定了數據傳輸的方式、頻譜利用率和時頻同步方案等。多載波調制方式憑借其靈活性和性能優勢，是未來通信發展的主要方向。6G 多載波調制技術需要充分考慮衛星通信和地面蜂窩通信在傳輸信道模型、鏈路余量、多普勒頻偏、節點資源等特性的不同，將星地傳輸、寬帶窄帶、高低頻都納入統一框架，平衡頻譜效率、載波靈活性和峰均比等指標。6G 階段，會面臨從地面網人本位城市覆蓋組網方式向物本位全球覆蓋組網方式的逐漸轉換。物聯網，尤其是衛星物聯網，將是 6G 重要的應用場景之一。8在頻譜資

18、源越發匱乏的情況下，隨著連接數密度的快速增長，物聯網首先要解決的是提供更多的接入資源。除此之外，衛星物聯網還需要重點解決低軌衛星快速移動導致的信令風暴和能源消耗。非正交多址接入技術在提供更多連接數和無授權傳輸方面具有較大的優勢。但是，在衛星通信中，存在同一波束下多個用戶之間信道增益差異不顯著、星上處理能力不足的問題，需要針對這些問題，研究新型非正交多址接入技術，優化碼本設計和降低接收機算法。3.低成本終端相控陣天線技術終端相控陣天線的成本與芯片工藝技術密切相關。目前，相控陣技術在毫米波段使用的射頻芯片主流是基于 GaAs 工藝、GaN 工藝的射頻芯片，隨著基于硅工藝的芯片逐漸進入毫米波頻段，C

19、MOS 工藝、SiGe 工藝和 SOI 工藝的相控陣射頻芯片相繼投入應用。雖然 GaAs 工藝、GaN 工藝射頻芯片的發射效率和接收芯片噪聲系數更為優良，但針對衛星通信終端這類民用市場而言，電性能指標一般的硅工藝芯片因其成本低、集成度高的特點而更具優勢。硅基射頻芯片目前采用的三種工藝優劣對比為：CMOS 工藝芯片具有最低成本和較差的性能指標，CMOS-SOI 工藝具有次低的成本，最好的發射效率，同時噪聲系數較差，SiGe 工藝具有較高的成本，較好的噪聲系數，發射效率適中。衛星通信應用中的天線口徑較大，使用相控陣技術后，通道規模均在數千通道量級，因此通常選擇 CMOS 工藝的射頻芯片技術。另外，

20、硅基 CMOS 芯片的技術成熟度最好，可以利用目前的 65nm、45nm、28nm 工藝線，良品率很高，且生產線的產能巨大。同時，充分利用成熟的數字電路技術，除了可以將多個通道的接收、發射、移相衰減控制以及多個通道間的功分網絡集成到一顆芯片內，還可以把串并轉換電路、溫控電路、功率檢測電流、自檢電路等數字控制部分一起集成，通過 RF SOC 封裝，實現相控陣天線的高集成。因此，為了獲得可大規模商用的低成本優勢，硅基 CMOS 芯片技術目前是國際衛星終端相控陣天線領域的主流技術。面向未來大規模生產，以 CMOS 工藝為基礎的終端低成本相控陣天線技術9還需要解決芯片效率低、功率小以及噪聲系數較大等難

21、題。由于硅材料的電子遷移率低，導致采用 CMOS 工藝的芯片效率很難做高，目前毫米波頻段國際領先水平單管芯達到了 20%的效率，與 GaAs 通常 40%的效率仍有較大差距；功率很難做大，目前可以做到單管芯 50mW 的水平，與 GaAs 通常 5W 的輸出功率差距較大；噪聲系數很難做小，現階段達到的 3dB，與 GaAs 通常的 1.5dB 仍有差距。3.1.2 多頻段融合技術支持終端的泛在接入多頻段融合技術支持終端的泛在接入為了滿足通信需求的多元化發展，無線通信技術持續演進，新型的傳輸技術、接入技術不斷出現，通信頻段不斷擴展。無線通信系統呈現泛在化、協同化的特征，將逐步演化成為一個異構互聯

22、的融合網絡，多種制式、多種頻段的網絡共存，形成多重立體覆蓋，相互補充、協同工作。從終端的角度看，這就意味著系統中將同時存在多種接入網絡，為終端提供了多樣化的接入手段。但是，為了避免干擾，不同接入網絡往往采用不同的通信頻段。此外，由于頻譜資源管理的歷史原因，同一接入網絡也面臨所分配的頻段存在碎片化等問題。因此，終端需要支持多種通信制式和多種射頻頻段，才能接入不同網絡。在未來 6G 時代，業務需求類型將更加細分，終端需要提供越來越多樣化的接入能力，最優接入選擇問題、多模多頻有效融合問題以及提高終端頻譜使用效率問題變得更加具有挑戰性。1.終端射頻前端模組技術終端支持多模多頻主要與基帶芯片、射頻芯片、

23、射頻前端三部分有關。相對于數字化的基帶芯片和射頻芯片，多模式多頻段對射頻前端帶來的挑戰更大。射頻前端決定了終端可以支持的通信模式、接收信號強度、通話穩定性、發射功率等重要性能指標，直接影響終端用戶體驗。射頻前端由一系列模擬器件組成，包括開關（Switches）、功率放大器（PA）、低噪聲放大器（LNA）、濾波器（Filter）/雙工器（Duplexer）等。每種通信制式、每個頻段需配置專門的濾波器或雙工器，很難共用。一方面，隨著終端支持頻段數的增加，其器件數量將逐漸增加。另一方面，終端對尺寸的要求較高，尤其是10全球最重要的消費類終端要求既輕又薄，由于結構設計的要求，終端留給射頻前端的 PCB

24、 面積是無法增加的。此外，隨著通信制式射頻復雜度的提升，使用分立方案的調試效率迅速下降。在空間和時間上的雙重約束下，射頻前端器件朝模組化方向發展已經成為一大趨勢，這樣不僅可以降低體積和尺寸，同時也能夠提升性能，提高調試效率，降低成本。射頻前端模組是以系統封裝（SiP）的形式集成數個不同工藝的高性能器件，包括射頻開關、低噪聲放大器、濾波器、雙工器、功率放大器等分立器件。射頻前端模組面臨的挑戰之一主要來自于高性能濾波器。1.5GHz3.0GHz 是移動通信的黃金頻段。這段頻率范圍最大的特點就是“擁擠”和“干擾”。FDD LTE 頻段Band1/2/3/4、TDD LTE 頻段 B34/39/40/

25、41、TDS-CDMA 的全部商用頻段都在這個范圍內，甚至 GPS、Wi-Fi 2.4G、Bluetooth 等重要的非蜂窩網通信也都工作在這個范圍。隨著 5G 的到來，終端射頻前端面臨的頻段越來越多，濾波器數量的需求達到幾十只甚至上百只，使得射頻前端的設計變得極為復雜。另一方面，為了滿足大帶寬的要求，5G NR 拓展到了毫米波頻段。未來，6G 時代還可能拓展到太赫茲頻段。因此，終端支持的頻段范圍需要不斷拓寬，從幾百兆赫茲的低頻段到幾十 G 赫茲的毫米波頻段、乃至太赫茲頻段都需要支持。過高的頻率和過寬的帶寬，半導體晶體管的特性下降很快，很難做出高性能。帶寬的增加導致實現濾波器帶內平坦度指標越來

26、越困難，實現最優濾波器需要基于聲表波、聲體波或 MEMS。同時，功率放大器的效率隨著頻率的提升而降低，實現最優功放效率需要 GaAs 或者 GaN。這些器件工藝互不兼容，射頻前端要實現異質集成，把不同工藝的芯片轉移到共同一個芯片襯底，面臨材料失配、電互聯、散熱困難等系列挑戰。未來，終端射頻前端需要持續的創新來滿足 6G 的需求。（1）持續通過軟件無線電的方式來適應多頻多模的趨勢，通過物理通道的軟件化滿足不斷融合的射頻制式以及技術?，F在 WiFi 和蜂窩通信的射頻基礎內核越來越接近，呈一致化的發展趨勢，軟件無線電技術有助于硬件充分復用，提高效率、降低成本。11（2）CMOS RFIC 集成度越來

27、越高，不同工藝的 SiP 趨勢也越來越明顯，Chiplet（小顆粒）技術給射頻電路/系統的設計帶來新的思路。未來的系統越來越復雜，IP 越來越多，需要大的協同創新，而 Chiplet 小芯片技術可以發揮不同材料/器件的優勢，使射頻通信系統更加靈活。（3）射頻電路的數字化特點越來越明顯，可以利用數字化射頻設計來彌補射頻 CMOS 工藝（不排除其他工藝）本身的缺陷。（4）未來射頻通信系統要想滿足未來通信需求，跨領域的協同合作，最優化設計、極致化各個領域的特長將是必然發展趨勢。2.智能接入技術未來，基于不同接入技術標準的無線網絡將長期共存，包括傳統地面蜂窩通信中的基站、終端直通（sidelink）、

28、衛星通信、以及 WiFi 等，形成異構無線網絡，為終端提供泛在的接入，以滿足連續廣域覆蓋、熱點高容量、高可靠低時延以及低功耗巨連接等不同應用場景的通信需求。在異構多重無線網絡中，海量用戶行為的隨機性、業務需求的動態變化和網絡特性的復雜性，使得接入控制是非常具有挑戰性的。隨著 AI 技術在無線通信領域應用的不斷拓展，人們逐漸認識到，人工智能技術，比如機器學習、深度學習等，提供了一種有效的方法來處理動態性高、復雜度明顯的問題。AI 技術能夠利用接入網絡中的大量數據，并結合來自最終用戶體驗和最終用戶行為特征的其他維度，使得接入控制更加精細化、準確化?；?AI 的無線接入控制技術，將對終端側業務 Q

29、oS 需求和網絡負載、干擾及網絡參數信息進行數據收集和分析，在不同用戶的業務需求與不同網絡特性間進行智能適配。首先充分進行網絡信息和終端信息感知，依靠機器學習、深度學習等AI 技術對數據進行深度挖掘，并提取用戶級別、小區級別、網絡級別等不同級別的相關知識模型，然后應用所獲得的知識模型來驅動與接入控制功能相關的行為的決策。在異構網絡接入控制的過程當中，由于網絡的動態性導致了決策過程也必然是動態性的，主體和環境需要進行頻繁交互、感知，從而智能化地協調終端和網絡的決策行為。12當前，從終端的角度來看，無論是處于空閑態還是連接態，接入網絡的選擇策略都是由網絡側提供。雖然由網絡側進行接入控制可以在負載均

30、衡、系統容量等方面獲得更好的系統性能，但是卻難以滿足用戶精細的業務需求和個性偏好。另一方面，多種接入技術在網絡側的融合程度差異較大，難以實現對終端接入控制的全局優化。未來，在通信感知一體化技術以及 AI 技術的支持下，發揮終端自主性，終端自主地完成網絡感知，綜合考慮多種無線接入技術的能力、網絡覆蓋情況、網絡使用情況、網絡參考接入策略、業務需求、資費和用戶的偏好，選擇最優的網絡接入，將是一種提高用戶體驗的有效手段。3.meta-cell當前小區模型的問題是結構固化，meta-cell 作為新的小區模型（meta 可翻譯為元，有“之源”“的本質”“的抽象”，meta-cell 即元小區）對資源、服

31、務和組網進行抽象，實現靈活可編排的全頻段融合組網、用戶和終端原生組網。當前 5G 終端面臨碎片化頻譜的資源使用效率較低、鏈路覆蓋受限等問題。根據行業內不完全統計，當前存在相當數量的窄帶頻譜，尤其是 FDD 頻譜資源，將近 90%的頻譜資源的帶寬不超過 30MHz，頻譜的碎片化降低了終端的頻譜資源使用效率。對于終端而言，meta-cell 的多頻段融合接入和連接技術實現了不同頻段的協同與互補，可以滿足高流量、低開銷、低能耗、廣覆蓋的需求。Layer 2 的不同子層的連接點，傳輸信道與物理信道的連接點，以及基帶處理與射頻處理的連接點等多個節點都可以作為多頻段融合的錨點。同時支持屬于不同 RAT，不

32、同運營商的頻段的融合，這個過程可以分為不同階段，例如，起初可以是相同 RAT，相同運營商的多頻段融合，逐步演進為不同 RAT，不同運營商的多頻段融合。meta-cell 多頻段融合接入和連接的解決方案包括：（1）多物理層處理融合的多頻段融合接入和連接技術對于終端，可實現接入的一個蜂窩小區對應多個頻譜資源，可通過以下兩種13方式實現：第一種：一個基帶處理模塊對應多個射頻處理模塊，每個射頻處理對應一個頻譜資源，一個基帶處理模塊與對應的多個射頻處理模塊組成未來蜂窩小區的模型。其中，基帶處理包括：高層的控制面處理，用戶面處理，MAC 層調度處理，物理層處理等，同時也包括：無線承載，邏輯信道，傳輸信道，

33、物理信道的處理等；射頻處理包括：濾波，頻移，功放的處理等。統一的基帶處理極大簡化了基帶的復雜度和資源開銷，減少與基站交互的開銷，儲存資源的開銷，計算資源的開銷，和信令資源的開銷。第二種：一個傳輸信道對應多個物理信道，每個物理信道對應一個頻譜資源（一個頻段，或一個載波），這些頻譜資源可以是頻段間的也可以是頻段內的。統一的傳輸信道以上的處理模塊與多個物理信道以下的處理模塊組成未來蜂窩小區的模型，多個物理信道聚合共同接收從一個傳輸信道下發的數據或共同向一個傳輸信道遞交數據。多射頻處理融合的多頻段融合接入和連接技術實現頻段間和頻段內不同頻譜資源的融合，終端可以利用多頻譜資源融合得到的大帶寬上進行傳輸，

34、提高流量。也可以根據覆蓋情況靈活切換頻譜資源，保證業務傳輸的覆蓋。并且可以根據覆蓋，頻點，空口質量選擇一個頻譜資源（對應一個射頻處理模塊，或一個物理信道的集合，或一個隨機接入信道）進行接入，降低接入時延。另外終端可以綜合在各個載波上的能耗情況進行高效的終端能耗管理。相比與傳統載波聚合（CA）方案，多射頻處理融合的多頻段融合接入和連接方案在終端看來仍是一個小區，至少是一個基帶處理或一個傳輸信道以上的處理，極大的簡化了終端對小區的處理和維護，包括：較少的功能或協議棧實體，較少的實體間信息交互，較少的網管維護對象等。該方案兼顧頻譜資源的高效利用和基帶模塊的低成本處理。（2）增強型載波聚合載波聚合（C

35、A）方案作為一種成熟的多頻段融合技術，在一些場景下仍然具有很高的價值，單從頻譜資源融合這個點上來講，其難度和復雜度較低，便于14實現，另外載波聚合方案對于聚合的多個載波中的單個載波的處理靈活度更高，所以載波聚合方案依然是處理多頻段融合的有效技術手段。不可否認，載波聚合方案存在一些有待提高的地方，包括：每個載波都有自己的高層信令和調度信令，雖然 CA 支持跨載波調度，但當聚合的載波數量很大時，調度信令依然會占用大量的頻譜資源，造成頻譜資源的使用率較低。在移動性管理方面，終端在小區切換的過程中需要進行輔載波添加/刪除的處理，這樣會增加業務的中斷時延，影響用戶體驗，特別是對于時延敏感的業務，同時也會

36、影響終端在整個切換過程中的平均流量。綜上，在某些場景下，終端使用載波聚合仍然是一種較好的選擇，例如對于特征差異較大的蜂窩小區，終端可以選用載波聚合，根據小區的特征或需求，定制不同的配置和策略。但要對載波聚合的處理進行優化或增強，包括信令開銷和調度資源的整合壓縮，減少重復信令對頻譜資源的浪費。例如聚合調度，在一個載波上接收的調度信令來調度多個載波上的數據傳輸。另一方面，優化載波聚合的移動性管理，減化或刪除類似輔載波添加/刪除等操作，減少終端在小區切換過程中的業務中端時延，提高切換時的終端傳輸流量。（3）多連接以及其增強相比于 5G NR 的雙連接（DC），未來 6G 終端支持更多的連接數，每個連

37、接可以對應一個頻段，一個載波，或一個頻譜資源，不同的連接對應不同的頻段，實現多頻段融合。終端可以在利用多頻譜資源融合得到的大帶寬上進行傳輸，還可以根據覆蓋，頻點，空口質量選擇一個頻譜資源進行接入。同時可以優化終端的多連接的處理過程，減少處理開銷。多連接不僅可以實現終端的多頻段融合接入和連接，也可以對像 4G 這樣的已有 RAT 進行兼容。這些連接可以是不同 RAT的，也可以是不同運營商的，實現終端對不同 RAT 和不同運營商的兼容，有利于終端的平滑演進和多運營商復用。多連接技術仍然可以繼續優化增強，解決類似載波聚合需要優化的問題，例如移動性管理的優化，兼顧性能、用戶體驗、復雜度等多方面的表現。

38、綜上，在不同的節點實現對多頻段進行融合，保證終端高流量的同時，也對終端頻譜高效利用，減少終端的接入時延，降低終端處理復雜端，能耗管理等方15面做出重要貢獻，另外也兼容不同 RAT 和運營商，有助于終端的平滑演進和資源共享。（4）多頻段融合的服務和資源解耦在 6G 中，meta-cell 元小區默認支持服務和資源的解耦。如圖 1 所示，當終端從源側向目標側移動時，雖然 L1 鏈路（載波/信道）發生了變化，但是 L2 傳輸服務（乃至上面的 L3 連接服務）可以保持連續服務，在 L2 的協議功能錨點不變的情況下，也不需要重置上下文信息或者重建立 RRC 連接。這樣，可以最大程度的保證平滑的業務連續性

39、。具體的服務場景包括：TRP 間的資源和服務解耦：某 TRP 通過其他 TRP 的資源提供服務，例如某些 TRP 的系統信息由其他 TRP 發送，終端在上述多個 TRP 之間移動時，系統信息服務不中斷；TRP 內的資源和服務解耦：TRP 包含多個資源，包括頻域和空域（載波/天線端口），終端根據需求，進行載波切換/天線端口切換時，使用 L1信令即可完成切換，給終端提供連續的服務。圖 1.meta-cell 元小區支持服務和資源的解耦163.2 終端原生組網支持終端靈活的接入終端原生組網支持終端靈活的接入未來 6G 時代，用戶終端在通感算智方面的業務體驗和其個性化服務程度，將會獲得更大的支撐和滿足

40、。6G 新網絡不僅要能在信號、資源、功能和業務服務方面以用戶為中心，更要能支撐新的架構和組網機制，去滿足用戶終端更自發化、主動化、定制化、隱私化和個性化的需求。在傳統 IMT 移動系統的單播體系中，每個用戶通常都被看成是一個個獨立的業務服務對象實體。每個用戶通過隨機接入、核心網鑒權、會話建立和無線接入網資源分配等環節，和網絡各自建立彼此獨立的通信連接。用戶的邏輯功能地位明顯低于網絡側（極為不對稱不公平），處于相對被動且被服務的角色。隨著未來 6G 用戶地位的不斷提升和各方面能力的不斷增強（平權普惠），用戶在 6G 新系統中的邏輯功能地位也將會不斷地提升，逐漸從被動走向主動，從單純地被服務走向同

41、時提供服務的角色。如圖 2 所示，終端原生組網5是指：若干終端能夠在特定的簽約限定條件下，通過本地方式先主動建立用戶網絡，之后該用戶網絡（即用戶終端群）能夠通過一個或多個主終端作為接口接入 6G 接入網，之后該用戶網絡中的各個終端能夠直接或間接地和6G接入網之間進行通信。終端原生組網的主要形式有以下幾種：終端之間組網（類 D2D 方式），單中心式（強弱終端搭配）和多中心式（對等終端或混合搭配）。原生 APP 可以對終端間組網進行編排，并和移動運營商（MO）域的功能協同，以構建立體組網。終端原生組網的優勢是大幅提升空間自由度，支持 mesh 連接，UC-MIMO（用戶協同 MIMO），提升空口

42、KPI（覆蓋，吞吐量，確定性，定位精度），特別是終端協作通信還可以優化終端高頻弱覆蓋的問題。用戶終端原生組網的應用場景包括某用戶身上若干個可穿戴通信設備同時和 6G網絡連接，多個強業務關聯的用戶群同時和網絡連接，若干任務協作的分布式通信設備同時和網絡連接等。17圖 2.終端原生的組網3.3 通感算融合擴展終端的服務能力通感算融合擴展終端的服務能力感知、通信與計算融合是 6G 網絡架構趨勢特征，6G 網絡將是通信網絡、感知網絡和算力網絡融合的智能網絡。6G 網絡在提升通信能力的同時，將通過配置無線設備、傳感器、數據和能力開放接口等多種手段，實現內生感知能力。網絡感知在傳統的終端能力感知（上報）、

43、信道狀態感知及業務服務質量/體驗質量需求感知等方面，進一步向終端屬性與狀態感知、3D 信道環境感知、通信與算力狀態感知、業務屬性與狀態感知擴展，為用戶創造更加友好的網絡與終端環境。在感知能力與連接能力提升的基礎上，網絡將為終端提供泛在友好的算力服務支持。6G 網絡可實時感知終端與網絡連接狀態、自身算力狀態及終端算力需求，并為終端算力需求進行計算任務建模與分解，包括通信計算、數據計算和AI 計算，從而為用戶優化分配算力資源，保障基于算力與 AI 的業務體驗。另一方面，感知能力、計算能力和 AI 能力的提升，促進終端向智能體升級。智能體終端將配置各類傳感器來感知信道等物理環境以及自身位置等狀態，可

44、提升與網絡的交互能力，提供更多交互信息。這些信息可改善下行和上行的連接能力，例如波束成形與跟蹤等方案優化，隨機接入方案優化、多址接入方案優化和HARQ 流程簡化與優化，進一步提升終端服務能力和業務友好體驗。圖 3 給出了終端友好的網絡架構示意圖。業務、網絡與終端相互之間通過資源、數據、能力、狀態信息開放與共享，組成用戶友好環境。首先，感知、通信與計算一體化的網絡能力作為服務開放給業務與終端，同時終端的各類能力與狀態開放給網絡與業務。業務狀態與屬性也開放給網絡與終端，形成開放的友好生態。業務可以根據網絡狀態調整分發策略，網絡也可以根據業務狀態調整流量策18略，網絡還可以根據終端狀態調整業務與資源

45、調度策略。網絡與終端能力的提升帶來友好用戶環境的同時，也帶來系統復雜度的提升。終端友好的設想是將簡單交給用戶，將復雜度留給網絡和系統。圖 3.業務、終端與網絡友好環境3.3.1 對業務與用戶的感知能力對業務與用戶的感知能力業務體驗友好是終端友好的重要內涵。用戶對終端提供的業務與應用的體驗是否友好，取決于用戶的主觀感受。面向用戶主觀感受的業務體驗質量（QoE）評估成為網絡必備的支撐能力。在個人業務中，圖像、視頻、VR 甚至全息業務將是主流。這些業務的信息要素中，視覺信息占據主導位置。理論上，保證用戶對視覺類業務的完美體驗，需要做到無損采集、無損傳輸與無損顯示。然而，達到客觀的無損信息處理將會付出

46、巨大的計算、通信與終端顯示開銷。幸運的是，當失真強度低于某一閾值，用戶（人的視覺系統）便無法感知失真的存在，也就是說用戶的體驗達到了友好。這里，不可察覺失真的最大值定義為最小可覺失真（JND）。對 JND 建模，有兩種途徑，一種是大規模的用戶體驗調研，然后進行人工分析建模，但受限于用戶高層認知偏差。二是采用腦電特征波（EEG）分析方法進行建模。EEG 作為一種中樞神經信號測量方法，能以極高的采樣頻率實時地測量大腦頭皮電位波動，可以從復雜的腦神經活動中對用戶視聽感知和認知行為進行有效分析。不同圖像質量等級可以激發不同形狀、幅度的腦電信號曲線，即 EEG 特征。通過提取 EEG 特征并將其映射到分

47、數上獲得 EEG 分數，以此表征圖像質量。因此，不同圖像質量等級對應的 EEG 分數可以作為圖像質量的評價指標，進而可以作為視頻業務 QoE 的度量方法。為此，可在視頻業務關注度、清晰度、流暢度（緩存、卡頓）、理性體驗與感性體驗各個維度建立評測標準。19具備用戶對業務的主觀體驗質量評測與監測能力，成為網絡對業務與用戶感知能力的重要組成部分。當然，業務 QoE 會受到用戶狀態和環境條件等諸多隨機因素影響，用戶評價的多樣性對業務 QoE 的估計誤差也有顯著影響。由于終端是距離用戶最近的業務載體，這就需要挖掘終端的感知能力，開發個性化的體驗質量估計模型，對業務 QoE 進行更精細的監測，從而保障終端

48、的友好性。進一步，基于用戶與業務的感知及特性分析，網絡還將具備業務的語義分析能力，基于業務的語義質量分析，進行語義壓縮通信，提升傳輸效率。這就涉及到業務的語義表征問題?；跇I務內容的稀疏性，壓縮感知以低于奈奎斯特采樣頻率將原始的稀疏表征向量投影到低維空間，利用該低維觀測向量實現原始數據的精確重構。另外，特定場景的圖像影像存在高度的不變性和豐富的先驗知識，學習這些語義與自然圖像的映射關系，能夠極大地提高語義表征能力。目前機器學習中的很多新技術，例如對抗生成網絡、全卷積網絡等都可以用來進行語義表征建模。語義表征可以解決業務內容壓縮與傳輸問題，在保障 QoE的同時減輕終端負載。3.3.2 對網絡與終

49、端的感知能力對網絡與終端的感知能力6G 網絡具有對自身狀態和終端屬性與狀態的感知能力，包括網絡吞吐量、譜效、能效、網絡時延、網絡容量、網絡可靠性、傳輸速率、上行/下行傳輸速率、網絡覆蓋、小區切換成功率、網絡干擾、無線資源、緩存資源等網絡狀態信息，還有終端 ID、型號、功耗、剩余電量、位置、發送/接收速率、信號質量、誤比特率、天線數、計算能力、緩存空間、待連接數、安裝的 APP 數量等終端狀態信息，以及室內/室外、移動性、天氣、周邊建筑物和植被等環境狀態信息。這些信息既可以作為業務內容提供給終端業務，也可以作為業務的優化參考信息，用來優化業務體驗。網絡（接入節點）配置光學、無線電、紅外、有線等各

50、類傳感器，多維深度感知網絡環境和終端環境?；诟兄獢祿c統計，建立無線信道質量地圖和業務體驗質量地圖。一方面，網絡基于用戶特性、信道特性與業務特性統計信息，基于終端位置信息和無線信道質量地圖及業務體驗質量地圖，采用無線資源預留、20波束跟蹤與切換、內容緩存、內容語義壓縮等多種手段進行業務質量波動預測與調控，保障用戶業務體驗。另一方面，基于用戶行為、業務和網絡特性，簡化終端接入流程，例如隨機接入流程和移動性管理流程等。網絡可以針對快速移動終端建立航跡圖譜，結合信道質量地圖簡化優化移動性管理中的信道重測、連接重配等流程，還可以簡化優化波束成形方案與資源分配，在質量好的環境下快速緩存內容，在質量差的

51、環境減少無線傳輸。網絡感知能力還可以實現與終端的無線通信，在終端通信不可靠或失效或不具備通信條件下，與終端交互信息?；跓o線感知的通信關鍵在于回波調控技術?；夭ㄕ{控可以采用反向散射通信、智能超表面技術、二維碼技術以及動態幾何編碼技術等。進一步，網絡配置無線感知信號，可以進一步輔助終端執行本地感知，包括終端自身定位、測速，以支撐更豐富的終端應用。在終端增加檢測模塊，還可以實現基于網絡無線信號的無線感知。利用無線信號在動態環境中的變化特征，終端可以在特定場景中實現對環境與目標的感知功能，例如入侵檢測、人體行為檢測、天氣檢測以及周邊異常檢測等。這些功能將進一步豐富終端的應用?；诮K端與網絡的連接能力

52、，可以實現終端的感知任務卸載。由于網絡（接入點）具有更多維度更高精度的感知能力，網絡可以為終端執行感知盲區和感知能力外的感知任務，從而減輕終端感知負擔，進而支持“零感知”終端應用，弱感知終端應用。同時通過網絡，還可以實現終端的感知資源與能力共享。213.3.3 對算力的感知能力對算力的感知能力算力服務化是為了滿足新型業務對算力的實時性、異構化、輕量化、動態化的需求而產生的技術與服務趨勢。算力感知網絡具有網絡與計算深度融合的算力服務化架構，能夠通過網絡算力間深度的連接，將網絡中無處不在的計算資源進行靈活調度，從而實現算力服務的自動化部署。通過算力感知、終端用戶服務感知以及算力路由規劃，能夠實現按

53、需調度調整網絡中的算力，實現網絡對用戶動態需求高度契合，提高網絡和計算資源的利用率，進一步提高網絡的服務質量。而用戶只需要在終端進行簡單操作，網絡便根據用戶需求實現靈活調整，將復雜度留給網絡，從而實現終端友好的目的。算力感知網絡架構如圖 4 所示，分為算網資源層、算力路由層和算力服務層6。圖 4.算力感知網絡架構圖1.算力服務層各種應用數據以及服務集合于算力服務層。這一層能夠接收用戶多樣的應用請求，并將其關鍵參數或者數據傳輸至算力路由層，從而為用戶需求感知提供必要條件。2.算網資源層算網資源層是現有基礎計算設施的總稱。在這一層中，算力的主要存在形式22是包括邊緣各類設備的 CPU，GPU 以及

54、 FPGA 等計算資源?；谶@類物理計算資源，算力資源層能夠根據用戶需求提供必要的算力模型，接口，標識等資源以輔助算力路由層實現對終端用戶各類的計算需求的快速響應。3.算力路由層算力路由層為算力感知網絡中的核心，包括算力路由控制和算力路由轉發。如圖 5 所示，算力路由層不僅需要對整個算力網絡的算力資源動態管理，還肩負著對上層用戶需求的感知，根據用戶的需求對下層算力進行靈活的調整，并將計算數據通過算力路由轉發到算力資源層的計算設備中。其中，在這一層中包括算力感知和算力路由策略形成兩個主要關鍵技術，而算力感知包括對用戶需求的感知和對底層算力資源的感知。用戶需求感知其中，對用戶需求的感知要求算力路由

55、層能夠準確的捕捉用戶需求的特點，并對用戶的需求和數據進行合理的建模以助于后續算力路由控制。算力資源感知算力資源感知則要求算力路由層能夠有效的管理網絡拓撲，以及基礎計算設備提供的算力資源，并將算力抽象成為虛擬的算力感知網絡。其中算力的度量和建模都應該按照一個確定的度量體系進行感知，從而形成一個標準化的算力感知網絡。圖 5.算力路由層流程23 算力路由策略形成算力路由策略形成是實現網絡和計算結合的關鍵所在，也是實現算力路由的核心部分。然而，在傳統的路由優化策略中只選擇最佳路徑，而并未聯合考慮業務所需的計算資源，這不適合計算資源與網絡融合的未來發展趨勢。為了應對6G 算網融合的未來發展趨勢，算力路由

56、基于應用需求，結合實時的網絡、算力狀態信息，通過 HEFT、子圖同構等調度算法，將應用請求沿最優路徑調度至最優節點?；凇奥窂?節點”的聯合計算和優化，從而實現邊傳輸邊計算，來保證業務的用戶體驗，提供端到端的 SLA（Service-Level Agreement）體驗保證。以圖 6 為例，網絡中的 DCGW（Distributed computing gateway，分布式計算網關）設備將自己的位置，算力狀態以及服務信息報告給附近網絡，并上傳至附近網絡節點，從而做到了對算力網絡的動態感知。用戶通過客戶端上傳業務發起點、目的點以及業務量等需求信息，并對業務需求進行合理建模，從而做到了對業務的感

57、知。算力路由層通過相關算力路由控制算法，將業務的計算調度到節點1 和節點 2 以及后續的端到端傳輸路徑上，從而實現了網絡根據業務的需求靈活調整路徑，按需完成業務的調度策略。圖 6.算力路由示意圖網絡為終端提供友好的算力服務除了計算卸載外，還包括算力共享。計算卸載目標是減輕終端計算負擔。計算卸載有三個層次。一是在線計算，終端應用所24需的計算任務由網絡承擔，終端“零計算”；二是部分計算任務卸載，終端與網絡協商，對于節能目的或超過終端計算能力的任務，卸載到網絡；三是計算任務建模，網絡基于終端業務的目標任務，確定需要計算的內容、訓練的數據或學習模型，并對計算任務進行分解和分配。網絡基于終端算力與位置

58、狀態，調度保證計算時延的邊緣算力資源來完成計算任務。算力共享目標是擴展終端計算能力，并獲得算力收益。網絡算力服務的算力資源，包括網絡自身算力以及開放共享的終端算力。由于終端算力的差異性（異構性、算力水平、緩存空間大小、精度等），終端算力需要定義統一的度量準則，實現算力的可度量、可評價、可映射。算力度量具體包括異構硬件算力的度量、多樣化算法算力需求的度量，以及用戶算力需求的度量。算力建模主要包括算力資源模型描述、算力需求模型描述和算力評價標準和測試標準模型。例如，對異構計算資源 CPU/GPU/FPGA/ASIC 等，針對不同應用及算法算力需求，統一功能描述語言。相應地，需要引入區塊鏈、聯邦學習

59、和隱私計算等技術來解決算力共享帶來的數據與隱私安全問題?；诎l布機制，網絡為有計算需求的終端提供算網一體化的算力交易與調度，實現綠色高效計算。3.4 cell free 技術支持終端技術支持終端0感知的移動性體驗感知的移動性體驗5G 相比 4G 新增加了毫米波頻段作為可部署的頻率資源。面向 6G，頻率資源將進一步向更高頻擴展，包括 100GHz 以上的毫米波頻段甚至 THz 頻段?？梢灶A期 6G 部署在某些場景會更加密集，在這些超密集部署場景中，基站/小區/TRP 的數量與終端數量的比例將變得更高。如圖 7 所示，在超密集部署場景中，UE 在空閑模式下頻繁搜索/測量小區，在連接模式下頻繁地進行

60、測量和報告以應對可能發生的切換，導致 UE 移動性管理相關的功耗較多。更嚴重的是，還會導致 UE 移動性能下降。例如，UE 已經移動到 B 小區，但由于當前移動性流程的 L3 濾波，導致 UE 仍然收到來自 A 小區的尋呼。小區重選的延遲，會產生尋呼丟失的現象；切換太晚，可能導致切換失敗。對于一些新型業務如 XR 或云游戲來說，切換失敗率和數據中斷的移動性性能至關重要，因為會嚴重影響業務體驗。因此，亟需研究解決方案，以解決超25密集部署場景的移動性性能下降以及終端功耗較高的問題。圖 7.UE 頻繁進行小區重選和切換導致功耗較高3.4.1 Cell free 技術技術一種 cell free 的

61、實現架構是，空閑態或者非激活態下的終端駐留在基于 SFN（Single Frequency Network，單頻網）技術的超級小區（super cell），網絡提供基于 SFN 發送的同步信號/參考信號?？臻e態或者非激活態下的終端將對這些基于 SFN 模式的同步信號/參考信號進行無線資源管理測量。終端的尋呼監聽和系統消息讀取也可以基于 SFN 模式。由于基于 SFN 發送的同步信號和參考信號的覆蓋范圍相比基于單小區發送的同步信號/參考信號的覆蓋范圍明顯更遠，終端可以一直測量到一個信號質量較好的基于 SFN 發送的同步信號或參考信號，因而避免基于單小區模式的頻繁的小區重選流程。由于避免了頻繁的小

62、區重選流程，從而也可以減少尋呼的丟失概率。SFN 模式由于信號從多個網絡側的節點（例如小區或收發點）發送，因此可以提供更好的覆蓋性能，但是其缺點是無法獲得空間復用增益，總體傳輸效率相比單小區傳輸要低；因此，空閑態或者非激活態下的終端由于其需要接收的數據量不大，可以基于 SFN 模式獲得較高的覆蓋性能；當終端進入連接態時，如果其需要接收或者發送的數據量較大，則終端需要切換到 non-SFN 模式，以獲取更大的空間復用增益。例如，當空閑態或者非激活態下的終端接收到屬于自己的下行尋呼消息時，終端需要測量 non-SFN 模式的同步信號/參考信號，并根據系26統消息的配置信息來發送 preamble

63、并完成后續的隨機接入步驟，進入連接態并關聯到一個或若干個節點。此時，進入連接態的終端的上行數據發送或下行數據接收都是基于該終端關聯的一個或若干個節點進行的，不再基于 SFN 模式，因此整個系統可以獲得更高的空間復用增益。連接態的終端在不同節點間的切換也可以采用層 1 的切換，避免傳統小區切換的復雜度和信令開銷。當終端完成連接態的數據收發后進入了空閑態或者非激活態，則終端只需測量基于 SFN 模式的同步信號/參考信號，并監聽基于 SFN 模式的尋呼消息。為了驗證上述方案的性能，我們進行了系統級仿真。仿真中假設小區站間距是 200 米，UE 移動速度是 30km/h，DRX paging cycl

64、e 是 1.28 秒；對比了以下兩種方案的 paging miss rate。non-SFN 方案：paging 消息在 57 個小區的區域內按照每個小區的方式發送，相鄰小區發送的 paging 消息相互間視為干擾信號；小區重選根據UE 測量的下行信號的質量并進行層 3 的濾波。SFN 方案：paging 消息以 SFN 的方式通過多個小區聯合發送。一個 SFN小區簇的小區個數分別是 3,9,14,19,28 和 57 個。在 SFN 小區簇內部，信號從各個小區聯合發送，沒有小區間的干擾；關于多個 SFN 小區簇，不同小區簇的信號相互視為干擾?；?non-SFN 方案和 SFN 方案下的 p

65、aging miss rate 仿真結果見圖 8?？梢钥闯?，SFN 方案可以顯著改善終端的 paging miss rate。SFN 一個小區簇內的小區個數越多，相比 non-SFN 方案的改善越大。27圖 8.基于 non-SFN 方案和 SFN 方案下的 paging miss rate 仿真結果為了驗證不同方案的 UE 節能性能，我們采用 3GPP TR 38.8407中定義的5G UE 功率模型,假設 SSB burst 的周期是 20ms。假設 50%高 SINR UE，20%的中 SINR UE 和 30%的低 SINR UE。在每個 paging 周期檢測 paging PDCC

66、H 之前，高 SINR UE，中 SINR UE 和低 SINR UE 為了維持下行同步而需要處理的 SSBburst 的個數分別是 3 個，2 個和 1 個。仿真中對比了以下兩種方案的 UE 節能性能：Baseline 方案（non-SFN 方案）：UE 在移動過程中對服務小區的下行同步信號/參考信號進行測量，根據 S-measure 機制決定是否進行鄰區測量(intra-frequency/inter-frequency)和小區重選。SFN 方案：UE 在移動過程中對基于 SFN 模式發送的服務小區簇的下行同步信號/參考信號進行測量，根據 S-measure 機制決定是否進行相鄰小區簇的測

67、量(intra-frequency/inter-frequency)和小區簇重選?？梢?，UE 基本上只在 SFN 小區簇的邊緣才會發生服務小區簇的信號質量下降，才有可能進行相鄰小區簇的測量。從圖 9 可以看出，因為 SFN 方案相比 non-SFN 方案的鄰區測量/鄰簇測量的數量更少，因此對 UE 節能更為有利。SFN 一個小區簇內的小區個數越多，相比non-SFN 方案的 UE 節能增益越大；UE 的 SINR 越低，UE 的節能增益越大。相28比 non-SFN 方案，對于所有 UE 來說，SFN 方案的省電增益為 9%到 28%；對于中 SINR 和低 SINR 的 UE 來說，SFN

68、方案的省電增益為 15%到 44%。圖 9.SFN 方案相比 non-SFN 方案的 UE 節能增益3.4.2 上行輔助的移動性增強上行輔助的移動性增強為了減少系統發送尋呼消息的開銷，空閑態或者非激活態下的終端可以周期性的發送上行參考信號，網絡側的一個或多個節點檢測到該終端發送的上行參考信號之后，就確定了該終端所在的地理范圍（假設該終端發送的上行參考信號與終端 ID 關聯）。那么，針對該終端的尋呼消息可以由在該終端所在的地理范圍內的一個或多個節點來發送。與傳統尋呼過程中網絡側在更大規模的節點上廣播尋呼消息相比，上行輔助的尋呼消息發送可以減少發送尋呼消息的節點個數，可以減少網絡尋呼負載和節省網絡

69、能量消耗。網絡側基于多個節點接收到的終端上行參考信號的接收信號質量（例如 RSRP，SINR 等）的不同，選擇合適的一個或多個節點來發送針對該終端的尋呼消息，實現了“網隨人動”。進一步的，終端周期性的發送上行參考信號，使得網絡側獲得一定程度的上行參考信號的質量信息，可以提高小區重選的成功率。需要注意的是，上行輔助的移動性增強方案可以和上述的 cell free 方案結合使用，也可以單獨使用。293.5 Backscatter 和近零功耗接收支持終端和近零功耗接收支持終端0功率通信功率通信IMT-2030(6G)推進組于 2021 年發布的6G 總體愿景與潛在關鍵技術白皮書3提出了“萬物智聯，數

70、字孿生”的 6G 愿景，并對 6G 綠色節能提出新的發展要求。2020 年 9 月，中國宣布力爭二氧化碳排放于 2030 年前達到峰值，2060年努力實現碳中和。另一方面，未來物聯網設備數將達到千億級別，向無源發展。未來物聯網相關的需求包括：極低功耗：針對功耗敏感的設備，實現“0 比特，0 瓦特”愿景極低成本：針對成本敏感的設備，其成本相比 NB-IoT 進一步降低連接密度：相比 5G 有 10 到 100 倍的提升，10-100 個/m2為了滿足上述需求，支持終端0功率通信，從發送方式方面可考慮極低功耗發送技術，典型技術包括反向散射 backscatter 通信技術，以支持極低功耗極低成本極

71、低速率要求的 IoT，與較低功耗中速率要求的 UE 短距離通信；從接收方式可考慮極低功耗接收技術，典型技術近零功耗接收機（Almost zero powerreceiver，AZP），支持極低功耗喚醒來解決空閑態終端待機的功耗問題；從終端硬件架構方式可考慮無功放技術，提升終端低發送功率時的功率效率。3.5.1 Backscatter 通信技術通信技術3.5.1.1 原理與應用場景原理與應用場景反向散射 backscatter 通信設備利用其他設備發送的射頻信號或者環境中的射頻信號進行信號調制來傳輸自己的信息。其調制電路如圖 10 所示，設備通過調節其內部阻抗來控制電路的反射系數，進而改變入射信

72、號的幅度、頻率或相位，實現信號的模擬或數字調制。公式(1)表示電路反射系數的計算方法，其中0為天線特性阻抗，1是負載阻抗。假設入射信號()，則輸出信號為()=()。模擬調制調節內置模擬電路來改變阻抗 Z1，數字調制利用控制器改變阻抗 Z1。目前射頻識別 RFID（Radio Frequency Identification）系統和電子30不停車收費系統(Electronic Toll Collection，ETC)是反向散射技術大規模商業化的經典案例。=1 01+0=#1(a)模擬調制(b)數字調制圖 10.反向散射模擬和數字調制電路反向散射通信設備的能量來源包括專用射頻信號，或環境能量例如環

73、境中的射頻信號，太陽能,振動，熱能等，或者設備自身安裝的電池等。無源反向散射通信設備首先需從外界射頻信號中獲取能量（Energy harvesting），供給內部電路模塊工作，然后再反向散射射頻信號進行通信，做到零功耗通信。反向散射通信的典型應用場景包括兩大類，如圖 11 所示，一類是廣域覆蓋場景，具體包括物流跟蹤，環境監測，智慧農業，鐵路運營維護和無人機巡檢等；另一類是局域覆蓋/本地場景，具體包括智慧家庭，低功耗健康監測，可穿戴設備的低功耗回傳，工業傳感器網絡，生物內置傳感芯片等；一般來講，覆蓋和通信速率是成反比的，因此廣域覆蓋場景的覆蓋要求比局域覆蓋/本地場景的要求更高，通信速率的要求更低

74、。31圖 11.反向散射通信的典型應用場景自 2013 年以來，業界提出了一系列新型反向散射通信技術，以下給出 8 個案例8。Kimionis 等人于 2014 年提出了雙站反向散射(Bistatic Backscatter)，在標簽附近設置一個載波發生器(如圖 12(b)所示)。由于載波發生器距離標簽近，能有效減少路徑損耗，進而擴大了標簽和讀寫器之間的通信距離，在供能載波功率為20 mW 時，標簽通信距離為 130 米左右。Liu、Parks 等人于 2013 年和 2014 年提出了環境反向散射(Ambient Backscatter)，該技術不需要載波發生器，利用標簽周圍已有的電視廣播和

75、 WiFi 等無線信號來觸發通信(如圖 12(c)所示)。目前相關的研究已設計出了傳感器、接收信號能量檢測的原型電路和通信協議，展示了該技術的商業應用的潛力。2015 年 Bharadia 等人提出了基于全雙工的反向散射技術，利用多天線的 WiFi 網關協助用戶和標簽同時通信，實現高效全雙工通信(如圖 12(d)所示)。WiFi 網關支持多種調制方式，在通信距離為 1 米時，數據速率可達 5Mbps。2016 年提出的 Inter-Technology Backscatter 通過改變標簽的阻抗，將藍牙信號轉換為 WiFi 信號或者 ZigBee 信號(如圖 12(e)所示)，在信號速率為2M

76、bps 時，所需信號的功率僅為 28W，擴大了反向散射通信的應用范圍。2017提出的基于 LoRa 的反向散射技術(LoRa Backscatter)利用了 LoRa 信號高靈敏度(-149dBm)和擴頻編碼技術，實現遠距離反向散射通信(如圖 12(f)所示)，實驗通信距離最遠可達 475 米。2017 及 2018 年提出的基于反向散射技術的智能表面輔助通信技術可實現無線環境的重構和增強。智能表面由多個反射單元構成，每個反射單元都可與入射信號進行交互(如圖 12(g)所示)。東南大學設計的一種智能32表面，通過調節反射信號的相位實現了 8PSK 調制，通信速率可達 6.144 Mb/s。Me

77、hrdad 等人于 2019 年提出的反向散射大規模接入機制(NetScatter)使用了聯合開關鍵控的分布式啁啾(chirp)擴頻編碼機制(如圖 12(h)所示)，可支持多設備并發接入，同時接入 256 個設備時，通信帶寬僅為 500kHz。Taekyung 等人于 2020年提出的全信號反向散射技術(AnyScatter)根據非相干信道天線之間的相位差是恒定的這一現象，利用接收信號的相位差判別接收符號信息(如圖 12(i)所示)，消除了現有研究中對特定類型射頻信號的反向散射技術的依賴。圖 12.新型反向散射通信技術3.5.1.2 技術與協議設計方面的挑戰技術與協議設計方面的挑戰反向散射通信

78、技術目前面臨著以下 7 個技術方面的挑戰：(1)缺少反向散射通信的理論?？紤]信號源有 M 根天線，反向散射設備有 K根天線，接收反向散射信號的設備有 N 根天線，如何求解 MKN 級聯信道下的反向散射的信道容量（包括鏈路預算）是急需研究的問題。33(2)反向散射通信速率較低。無源設備由于能量限制一般采用低階調制，且受制于晶振穩定性以及同步和干擾的挑戰，因此其通信速率較低。近距離中高速率綠色通信是未來 6G 需求之一，如何進一步提高近距離傳輸速率，例如通過引入 MIMO 和高階調制，提升自干擾消除的性能等手段來提高傳輸速率，是反向散射通信走向實用的關鍵挑戰之一。(3)信道估計和復雜信號檢測。反向

79、散射通信系統中的無源設備發送導頻的能力受限，接收端收到的信號是反射信號與射頻源信號的疊加，尤其在多用戶接入時，接收信號如何建模、信道參數如何提取、如何檢測反射信號都需要研究。(4)大規模用戶接入。無源設備存儲和計算能力有限，傳統網絡中的防沖突算法很難適用于大規模無源設備接入。設計大量用戶接入場景下的防沖突算法是有實用價值的研究方向。(5)自干擾消除。無源反向散射通信系統中的接收信號是有用的反向散射信號和各種干擾包括自干擾信號的疊加，干擾信號的強度可能遠大于反向散射信號強度。從強干擾信號中恢復有用信號是一個重要挑戰。(6)覆蓋性能有限。由于受到衰減和干擾的影響，反向散射傳輸的距離受限。當前通過中

80、繼、擴頻和 LoRa 技術等方法能提高通信距離，未來結合大規模反射陣列、蜂窩物聯網和多層異構網絡，實現廣覆蓋是網絡演進方向之一，覆蓋和功率時間等資源的權衡也是值得研究的理論課題。(7)間歇通信的問題。支持儲能的無源反向散射設備需要一段時間從環境中吸收能量，待儲能達到一定門限時才能驅動設備電路進行工作，因此能量采集階段與通信階段的聯合優化設計也是待研究的課題。傳統的反向散射傳輸的距離受限，基于蜂窩的無源物聯網有助于將無源物聯網從傳統的短程應用擴展到廣域蜂窩無線網絡應用，為客戶提供方便和標準化的蜂窩網絡功能，并激發新的應用和市場方向。根據反向散射設備的上行鏈路/反向鏈路（即反向散射設備發送信息，其

81、他設備接收信息的鏈路）與下行鏈路/前向鏈路（即其他設備發送信息，反向散射設備接收信息）的不同，反向散射與蜂34窩通信共存的模式包括三種。如圖 13 所示，模式一為基站直連模式，即基站和反向散射設備直接連接，完成上下行信息的收發。模式二為 UE/relay 輔助模式，即反向散射設備的上行鏈路與下行鏈路的至少一條鏈路需要 UE 或 relay 參與，例如上行鏈路是反向散射設備發送信息給 UE，UE 轉發信息到基站；模式二中，根據上行鏈路和下行鏈路是基站與反向散射直連或通過 UE/relay 轉發，以及為反向散射設備的供能設備是基站還是 UE，又可以進一步分為 6 個子模式：子模式2-1 到 2-6

82、；模式三是 UE 或 relay 直連模式，即 UE 或 relay 和反向散射設備直接連接，完成上下行信息的收發。表 2 匯總了不同子模式的設備的自干擾消除能力要求和下行接收靈敏度要求。圖 13.反向散射與蜂窩通信共存的幾種模式35表 2.反向散射與蜂窩通信共存的幾種子模式及說明（表中的設備指 backscatter設備）模模式式子模子模式式下行鏈路下行鏈路/前向鏈前向鏈路路上行鏈路上行鏈路/反向鏈反向鏈路路供供能能方方/信信號號源源設備的自設備的自干擾消除干擾消除能力要求能力要求下行接收下行接收靈敏度要靈敏度要求求11-1基站設備設備基站基站低高22-1基站設備設備UE基站基站低高2-2基

83、站設備設備UE基站UE高高2-3基站UE設備設備基站基站低低2-4基站UE設備設備基站UE低低2-5基站UE設備設備UE基站UE高低2-6基站UE設備設備UE基站基站低低33-1UE設備設備UEUE高低值得注意的是，表 2 中假設為反向散射設備提供能量的設備與提供信號源的設備是同一個設備。該設備可以是基站、UE 或 relay，還可以是其他獨立網元/節點。進一步的，反向散射設備還可以從多個不同種類的設備獲取能量，從而提高能量收集效率。同樣，接收反向散射信號的設備除了是基站、UE 或 relay 之外，還可以是其他獨立網元/節點。進一步的，反向散射信號還可以由多個設備進行聯合接收。反向散射與蜂窩

84、通信共存帶來的接入網協議設計的挑戰主要包括：(1)輕量化協議棧：無源設備對節電要求更高，需要給無源設備提供定制化可編排的輕量協議棧。一方面可以考慮簡化或者融合的協議棧，壓縮協議棧層數；另一方面，也可以對協議棧某些不必要的功能進行簡化。(2)簡化的連接控制：對于物聯網中的小數據包，只挑選“內核”流程進行通信，采用無連接方式的數據傳輸，甚至是直接基于包的傳輸管理。36(3)移動性重定義：考慮終端的極低成本需求，設備的移動性可以盡量由網絡側來處理，網絡側做到服務和資源解耦，使設備不需要知道所屬小區或能量源，就可以享受不間斷的服務。(4)高效的接入機制：提供高效的接入機制，以避免多個用戶同時接入網絡時

85、可能產生的沖突。(5)靈活的資源調度：網絡側調度時考慮終端收集或者反射能量的能力。(6)傳輸安全性：考慮無源物聯網的傳輸安全性。反向散射與蜂窩通信共存帶來的核心網協議設計方面的挑戰主要包括：(1)引入專門的網元對海量無源設備訂閱信息或用戶信息進行管理。(2)核心網支持無源物聯設備的注冊、鑒權和認證，提高安全性。(3)簡化的承載管理及 QoS 保證。(4)無源物聯設備的移動策略優化，例如無源設備幾乎透明的移動性管理機制。對 Backscatter 相關技術感興趣的讀者，可以進一步參考 FuTURE 論壇同時發布的另外一本白皮書零功耗通信9。3.5.2 近零功耗接收機近零功耗接收機3.5.2.1

86、原理與應用場景原理與應用場景目前的手表、手環等可穿戴設備的待機時間受限于電池容量。3GPP Rel-17RedCap 項目提出了手表等可穿戴設備需要滿足 1 到 2 周的待機時長需求，這個需求現有手機等終端遠不能滿足的。此外，面向資產追蹤、智慧家庭、以及一些工業和安全領域的場景，要求很長時間的待機同時并要求“秒”級別的響應，這也是現有技術無法滿足的。為了提升待機時間，傳統的節約功耗的辦法比如通過減小終端周期性偵聽尋37呼消息的頻次來實現，如 eDRX，PSM 等技術，可以將終端在空閑態的功耗從幾十 mW 降低 100-1000 倍到幾十 uW 量級。然而這將導致尋呼的時延變得非常的長，遠不能滿

87、足設備“秒”級別的響應需求。目前近零功耗接收機是業內的熱點方向，依賴少量自身儲能或通過能量收集來偵聽喚醒信號，在需要時喚醒主要通信模塊。如圖 14 所示，設備開啟一個單獨的喚醒接收機來接收可能的喚醒信號，以便隨時喚醒設備的主通信模塊。極低功耗喚醒機制可以極大減少設備功耗。主通信模塊只有在終端接收到目標喚醒信號時才開啟，否則一直處于關閉或者休眠狀態。喚醒接收機由于其功耗極低，可以一直處于開啟狀態。近零功耗接收喚醒信號使得終端在保持非常低的功耗情況下一直監聽喚醒信號，有助于解決喚醒延時的問題。這種大幅度的能耗降低是通過更簡單的接收機結構，例如僅通過射頻前端檢測，或者更簡單的包絡檢波來實現的。目前有

88、大量的學術文獻已經對此有了深入的研究和相應的樣機/芯片發表。例如文獻10實現了-76dBm，7.4nW 的喚醒接收機，文獻11實現了-97dBm，99uW級別的喚醒接收機。圖 14.極低功耗接收技術原理38圖 15 是一種可能的近零功率喚醒接收機的架構。由于可以采用包絡檢波，省去了傳統射頻前端接收機中的高質量本地晶振和混頻器的要求，可以大大降低對于功耗的要求。另外，由于后端采用了簡單的模擬電壓比較電路，省去了高質量的 ADC（模數轉換）器件的要求。最后的數字處理部分利用簡單的 MCU 或者更簡單的 DSM（Digital state machine）來對于接收到的喚醒信號進行基帶處理，根據結果

89、決定是否喚醒主模塊。通過上述的一系列簡化的信號處理，能夠做到將待機功耗相比現有的空閑態終端待機功耗降低 100 到 1000 倍，達到 uW 甚至 nW量級。能量供應方面，近零功率喚醒接收機可以集成 energy harvesting 技術或者安裝容量很小的紐扣電池，可以根據需求靈活選擇能量供應方案。圖 15.近零功率喚醒接收機的架構近零功耗接收機的應用場景主要分為兩大類。如圖 16 所示，一類是極低功耗喚醒場景，例如手機喚醒可穿戴設備，以及基站喚醒手機。以基站喚醒手機為例，傳統方案是手機以DRX的方式周期性的醒來并監聽基站發送的paging消息，目前的平均功耗水平是幾十毫瓦；若采用近零功耗接

90、收機，由于其平均功耗只有傳統方案的百分之一到千分之一，因此可以一直開啟接收機監聽喚醒信號，而不需采用 DRX 模式周期性的監聽。第二類是極低功耗數據接收場景，在一些數據速率要求很低的間歇性小包傳輸的場景中，可以利用近零功耗接收機來接收這些小包，減少設備功耗。這類場景具體包括智慧家庭，低功耗健康監測，工業傳感器網絡，以及生物內置傳感芯片等。39圖 16.近零功耗接收機的應用場景3.5.2.2 技術與協議設計方面的挑戰技術與協議設計方面的挑戰近零功耗接收機的一個主要技術問題是其接收靈敏度相對較低。為了解決接收機靈敏度問題，一方面，可以為近零功耗接收機選擇合適的應用場景，例如將近零功耗接收機優先部署

91、在覆蓋要求不高的場景，例如室內場景和站間距較小的城區密集場景。另一方面，可以從技術手段入手來改善近零功耗接收機的靈敏度性能；一種方案是在接收鏈路上增加 LNA（Low NoiseAmplifier，低噪聲放大器），能帶來約 20 到 30dB 的靈敏度改善，但是其代價是提升了接收機的功耗。根據 3GPP 的評估方法，我們通過仿真給出了圖 17 和圖 18 分別代表的室內熱點和城區密集部署場景下的接收功率 RSRP 的分布曲線?？梢钥吹剑喝绻麊拘呀邮諜C的接收靈敏度能達到-70dBm 的話，那么在 Indoor Hotspot(室內熱點)場景下 85%95%以上的用戶能夠達到接收靈敏度要求，在 D

92、ense Urban(城區密集部署)場景下 80%85%以上的用戶能夠達到接收靈敏度要求；如果喚醒接收機的接收靈敏度能達到-90dBm 的話，那么在 Indoor Hotspot(室內熱點)和 DenseUrban(城區密集部署)場景下，幾乎所有的用戶都能達到接收靈敏度要求。40圖 17.Indoor Hotspot(室內熱點)場景下接收功率 RSRP 的分布圖 18.Dense Urban(城區密集部署)場景下接收功率 RSRP 的分布從標準化協議設計的角度，近零功耗接收機存在如下挑戰：新的波形設計，例如需要設計新的基于開關鍵控(On-Off-Keying)的波形，由于潛在的接收機靈敏度下降

93、影響帶來的問題，干擾抑制問題，多用戶復用問題，與現有系統共存問題等。3.5.3 無功放技術無功放技術現有終端的發射鏈路通常包含 transceiver,PA,switch,濾波器,天線等。Transceiver 輸出的信號經過 PA 放大后經天線發出。隨著 4G/5G 網絡部署的多樣化，存在大量的小小區部署或者室內部署場景。在這樣的場景中由于終端距離基站較近，終端僅需要較低的發射功率就可以滿足上行業務傳輸的需求。在低發射41功率情況下，存在功放效率低的問題，將導致終端較大的能量消耗，不利于終端節能。此外，對于短距離通信場景例如 D2D，sidelink 等，也存在同樣的問題。圖 19 給出了現

94、有終端射頻鏈路的示意圖，可以看到 transceiver 輸出的信號是需要經過 PA 放大后經過天線發射出去。PA 是需要進行供電的，因為實現的限制，PA 不能將輸入功率完全轉換為輸出功率。PA 效率（PAE）大致可以定義為 PAE=(Pout Pin)/PDC，其中 Pout 為 PA 輸出 RF 信號功率、Pin 為 PA 輸入RF 信號功率，PDC為 PA 的直流供電功率。圖 19.現有終端射頻鏈路的示意圖表 3 給出一組終端 PAE 測試結果，可以看到在 PA 輸出功率較低例如 15dBm以下時，PAE 小于 10%，也就意味著給 PA 供電的 90%功率被浪費了。某些頻點下，PA 的

95、效率甚至只有不到 5%。表 3.UE 的 PA 效率(標紅代表低于 15%)42為了解決上述在發送功率較低時終端 PAE 較低的問題，可以考慮引入一種新的相比 UE power class 2 和 UE power class 3 更低的 UE 功率等級，例如這一類UE 的最大發射功率限定為 10 到 15dBm。這類設備沒有 PA。在需要發送上行信號時，直接將 Transceiver 輸出的信號發射出去而不經過 PA 放大。因此避免了 PA效率較低的問題，同時也節省了 PA 的成本。另外一種解決思路是，終端根據實際需要的發射功率的等級，決定是否采用PA 進行功率放大。如圖 20 所示，在需要

96、的發射功率等級較低時，直接將Transceiver 輸出的信號發射出去而不經過 PA 放大。在需要的發射功率等級較高時，Transceiver 輸出的信號經過 PA 之后再發射出去。通過這種靈活開關 PA 的終端射頻鏈路架構，可以有效避免終端發射功率較低時 PAE 較低的問題，利于終端節能。圖 20 一種靈活開關 PA 的終端射頻鏈路示意圖3.6 新型多址接入支持終端的免調度傳輸和上行異步傳輸新型多址接入支持終端的免調度傳輸和上行異步傳輸針對數據傳輸所采用的多址技術，1G 以 FDMA 技術為基礎，2G 以 TDMA技術為基礎，3G 以 CDMA 技術為基礎，4G 以 OFDMA 技術為基礎，

97、5G 在研究和標準化過程中曾經嘗試引入 NOMA 技術，但最終依舊保留了 OFDMA 技術作為其數據傳輸的基本方案12。在 6G 系統中，需重新設計新型 NOMA，以提升頻譜效率、支持巨量終端接入。與 OFDMA 技術相比，NOMA 技術可以得到更高的頻譜效率。針對 6G 中巨量終端的場景，對低復雜度的終端，可以使用 NOMA 技術得到更高的頻譜效率。43終端與基站之間頻繁復雜的信令交互，需要消耗終端大量的能量，信令開銷會限制可支持的終端數量，針對 6G 中巨量終端的場景，需要一種非協調的多址接入技術13。因此，面向終端友好的 6G 技術，在多址接入技術方面，可以使用 NOMA技術、非協調多址

98、接入技術支持 6G 中巨量終端的場景。3.6.1 NOMA 技術技術正交多址技術為每個用戶分配獨享的無線資源，包括頻率資源和/或時間資源和/或正交擴頻碼資源等；非正交多址技術，即 NOMA，允許多個用戶共享同一無線資源和/或非正交擴頻碼資源。這里以 PDMA 為例介紹 NOMA 技術在 6G 中的演進。PDMA 技術的基本思想是基于發送端和接收端的聯合設計，在發送端對多個用戶的數據進行不等分集度擴頻，并映射到相同的時頻資源上，利用不同擴頻圖樣來區分多個用戶，在接收端用高性能的干擾刪除技術，實現非正交多用戶的數據傳輸。PDMA 通過構造不等分集度的方式，把每個用戶的待傳輸數據采用特定的映射圖樣（

99、PDMA 編碼圖樣）映射到一組資源上。PDMA 編碼圖樣定義了數據到資源的映射規則，具體定義了數據映射到多少個資源，映射到哪些資源。其中資源的個數決定了數據的發送分集度，不同的用戶通過 PDMA 編碼圖樣確定的映射資源獲得不同的發送分集度。以 6 個用戶在 4 個資源單元 RE 上進行復用為例。圖 21 給出了 PDMA 編碼圖樣矩陣和對應的資源映射。矩陣 G 為編碼圖樣矩陣，矩陣中元素，0表示不發送數據，1表示有數據映射到相應的資源，即發送數據。用戶 1 的數據映射到組中的所有四個資源，用戶 2 的數據映射到前三個資源，用戶 3 的數據映射到資源 1 和資源 3，等等。六個用戶的傳輸分集度分

100、別為 4、3、2、2、1、1。444,6111000110100111010100101CodeG圖 21.六用戶復用四個資源單元擴展序列的非零元素從 1,1,j,j 中選擇。1 表示在對應資源上直接傳輸，-1 表示對應數據的相位旋轉 180 度后再傳輸，j 表示對應數據的相位旋轉 90 度后再傳輸，-j 表示對應數據的相位旋轉 270 度后再傳輸。為了提升頻譜效率，通常的做法是采用 massive MIMO 技術，但是對于低復雜度的終端來說，massive MIMO 實現復雜度較高，特別是隨著終端天線數目的進一步增加，由 massive MIMO 獲得的增益越來越不明顯，但是付出的復雜度代價

101、越來越高，NOMA 技術通過信號處理和基站側的干擾刪除技術，可以降低終端的復雜度，同時獲得更好的頻譜效率性能。為了滿足 6G 的需求，包括支持巨量終端的傳輸、提高傳輸效率、降低實現復雜度等，需要對 NOMA 技術本身進行演進，例如設計更多、更長的 NOMA序列等。3.6.2 非協調多址接入技術非協調多址接入技術近年來，一種非協調多址接入技術的出現，為實現巨量終端的接入和傳輸提供了一種新的可能。理論上，巨址接入可實現巨量終端的接入和傳輸。在傳統的多址接入技術中，終端與基站之間頻繁復雜的信令交互，包括隨機接入、傳輸配置、資源調度、數據傳輸等環節都需要進行多次的信令交互，這些信令交互需要消耗大量的無

102、線資源、消耗大量的終端能量、引入較大的時延，對于機器型終端的場景，這些信令交互導致系統的資源利用率較低，也限制了可支持的終端數量。因此，對于機器型終端的場景，不需要或者只需要很少信令交互的非協調多址技術非常有應用前景。因為沒有協調信令，終端無法從網絡獲得任何傳輸方式的信息，所以非協調45多址技術中所有終端將使用相同的傳輸方式，比如編碼調制、MIMO 傳輸、資源映射、波形等，終端之間只有信息比特是不同的，對應不同的編碼碼字，網絡根據接收的碼字進行譯碼得到終端的信息比特，通常信息比特內包含終端的數據格式頭信息、身份信息和業務數據，由此，網絡可以知道哪些終端發送了什么數據。非協調多址接入技術有如下特

103、點：（a）不需要網絡的協調，因此節省了網絡的協調信令資源開銷，可以提升傳輸效率、支持巨量終端；（b）終端的接入信息（如 UE ID）作為數據的一部分進行發送，同時實現接入過程和數據傳輸過程，因此降低了時延；（c）通過編碼實現多址，理論上可容納的終端數量比正交資源實現多址所容納的終端數量大很多；（d）終端之間不需要時間同步，實現過程簡單。非協調多址接入技術，先后出現了多種可實現的方案，包括：級聯碼14，用 BCH 碼級聯 LDPC 碼實現近似高斯隨機編碼，性能與理論邊界相差較遠；6G 中可以進一步研究內碼和外碼的選項，比如內碼用sparse regression code(SPARC)，或 Ha

104、rdamard 碼等。壓縮感知15，使用 SC-LDPC 進行編碼，使用（基于部分信息比特的）交織方式區分用戶，把交織方式經過壓縮感知映射為前導碼，級聯SC-LDPC 編碼和前導碼形成子塊，子塊通過 coded slotted Aloha(CSA)發送；6G 中可以進一步研究區分用戶的方式，比如空間區分、比特加擾區分和符號擴頻區分等。耦合的壓縮感知16，把信息比特分成多段，每段的校驗比特是針對之前所有信息比特生成的，每段經過壓縮感知編碼，先后發送每段編碼比特；6G 中可以進一步研究多個分段的耦合方法以提高譯碼性能，比如編碼比特的網格圖等。46 稀疏的壓縮感知17，使用 LDPC 進行編碼，進行

105、編碼的（基于部分信息比特的）重復、填充 0、使用（基于部分信息比特的）交織方式區分用戶，把交織方式經過壓縮感知映射為前導碼，級聯交織比特和前導碼后發送；6G 中可以進一步研究區分用戶的方式，比如編碼碼率區分等。其中，級聯碼方案，是最簡單的一種巨址接入技術，如圖 22 所示：圖 22.巨址接入技術的級聯碼方案級聯方案的設計思路是較為直接的，由于用戶碼字的發送采用非協調機制，同一資源上存在疊加碰撞，構成一個二元加法信道（Binary Adder Channel,BAC），因此用戶信息載荷首先進入外編碼器，編碼后使接收機能夠恢復參與模 2 加的各個用戶各自的消息。外編碼器的輸出碼字進入第二級編碼器即

106、內編碼器，用以對抗信道中的噪聲，使接收機能夠恢復模 2 加的和，內編碼器輸出的碼字在信道上疊加。級聯編碼器對用戶信息進行一次性編碼，所有用戶使用同一種編碼器。接收 端 需 要 兩 級 譯 碼，接 收 碼 字 先 送 入 內 譯 碼 器，完 成 運 算 前 傳（Compute-and-Forward,CoF）階段，再通過外譯碼器逆向恢復出疊加在一起的多用戶各自的碼字，即 BAC 階段。對多址接入技術感興趣的讀者，可以進一步參考 FuTURE 論壇同時發布的另外一本白皮書演進的多址接入技術18。473.7AI 與通信結合提升終端用戶體驗與通信結合提升終端用戶體驗隨著以深度學習為代表的機器學習在計算

107、機視覺、圖像處理、語音、自然語音處理等領域的突破，基于 AI 的智能通信被認為是 5G 之后無線通信發展的主流方向之一，其基本思想是將 AI 引入無線通信系統，實現無線通信與 AI 技術的有機融合，將 AI 用于信道估計、信號檢測、信道狀態信息反饋與重建、信道譯碼、端到端等無線通信模塊，提升終端的用戶體驗，降低終端的復雜度。6G 終端將成為連接物理世界與數字世界的橋梁，實現智慧感知、智慧控制、智慧服務。AI 在人類社會中發揮的作用越來越突出，數字孿生、全息呈現等技術也對終端的存儲和算力提出了更高的要求?？仗斓匾惑w化終端通過隨時隨地的網絡連接與云端協同合作，借助于高速的連接和高性能的終端側智能處

108、理，能夠大大地提高終端的最佳體驗。終端需要智能地進行傳輸資源的選擇，接入網絡選擇，傳輸機制調整等操作，比如終端根據環境信息智能地選取接入網絡獲得最佳的服務。同時，由于個人隱私保護的驅動及 AI 處理器的快速發展，終端側 AI將逐漸成為未來的發展趨勢之一。相比在云端運行的 AI，終端側的 AI 技術在隱私性、可靠性、低延時、高效及個性化方面均有諸多優勢。3.7.1 終端友好的基于終端友好的基于 AI 的通信技術的通信技術3.7.1.1 基于強化學習的波束成型提升終端魯棒性基于強化學習的波束成型提升終端魯棒性利用深度強化學習來實現智能化的波束成形，通過對位置、速率和其他環境與應用參數的感知來提升網

109、絡的穩健性與速率。使用 AI 技術優化毫米波系統中的波束賦形，基于深度學習的毫米波協調波束賦形方案能獲得更高的系統有效可達速率，并且深度學習模型在LOS(Line-of-sight)環境和NLOS(Non Line-of-sight)環境下均有很好的性能表現,其能使終端快速適應多變的無線通信環境。3.7.1.2 基于深度學習的鏈路自適應技術提升終端性能基于深度學習的鏈路自適應技術提升終端性能基于深度學習的鏈路自適應，通過基于位置的無線干擾預測可使系統速率和48頻譜效率得到改善；基于終端的 AI 推理可以降低原始數據需要在全網傳輸的負荷；基于 AI 的移動性管理，通過終端 AI 和傳感器可以更好

110、地預測網絡切換行為與時機，能夠在保留主要狀態信息的前提下降低特征維度與計算復雜度。3.7.1.3 基于深度學習的信道估計技術提升終端的通信能力基于深度學習的信道估計技術提升終端的通信能力在無線通信中，從發送端傳輸到接收端的信號由于信道的影響會產生失真。因此，為了正確地檢測發送的信號，在接收端需要進行信道估計，并對信號進行均衡處理。未來無線通信系統的用戶規模和天線陣列規模將急劇增加，這將給傳統的信道估計方法帶來挑戰。一方面，可用于準確估計信道的正交導頻資源是有限的，并且非正交導頻的使用將大大降低信道估計的準確性。另一方面，隨著系統規模的增加，經典信道估計算法的計算復雜度也在增加。由于信道估計是從

111、接收到的導頻中推斷出信道的過程，機器學習可以有效地解決此類問題。與傳統的無線通信不同，使用 AI 的方法將信道估計和信號檢測作為一個整體，直接使用DNN 來實現從接收到的信號到原始信號的映射。在大規模 MIMO毫米波情況下，信道估計極具挑戰性，尤其是在天線陣列密集且接收機中RF鏈路受限的情況下。在噪聲強度未知的情況下，DNCNN 降噪器可以有效地解決高斯降噪問題，從而提高了信道估計的準確性，增強了終端的通信能力。3.7.1.4 基于深度學習的基于深度學習的 CSI 壓縮反饋技術壓縮反饋技術隨著移動通信對通信速率和容量需求的不斷提升，mMIMO（massive MIMO）已經成為一項關鍵性技術。

112、通過配置大量的天線，mMIMO 不僅在有限的頻譜資源下極大的提升了信道容量，同時也擁有著很強的抗干擾能力。為了更好的利用mMIMO 技術，發射端需要獲取 CSI。在頻分雙工系統中，UE 端估計下行鏈路信道的 CSI，然后通過具有固定帶寬的反饋鏈路將 CSI 反饋給 BS。然而，由于mMIMO 的多天線屬性使得 CSI 反饋的開銷是巨大的，因此如何高效精確的反饋CSI 仍然是一個嚴峻的挑戰。近年來隨著深度學習的快速發展，深度學習已經被廣泛應用到計算機視覺，語音信號處理和自然語言處理等領域。由于深度學習網絡具有強大的并行計算，49自適應學習和交叉域知識共享等能力，因此深度學習方法也逐漸被應用在 C

113、SI壓縮反饋領域來進一步減少 CSI 反饋開銷，并且獲得了很好的效果。3.7.1.5 基于基于 AI 的信道編譯碼技術的信道編譯碼技術目前深度神經網絡運用在線性分組碼的譯碼上，主要有兩個切入點，一個是利用神經網絡能量函數的極大似然法和線性分組碼的軟判決最大似然譯碼之間的聯系進行譯碼，另外一個是基于神經網絡分類特性進行譯碼。由于神經網路具有分類存儲和聯想記憶的特點，可以通過神經網絡的訓練將碼字映射關系學習完然后直接進行非迭代譯碼，同時也可以根據 tanner 圖和能量函數構造出適合碼字分類的神經網絡?；?DNN 的信道譯碼方法，得出了深度學習應用于信道譯碼的兩個結論，一是如極化碼等結構碼比隨機

114、碼更容易學習；二是針對結構碼，深度學習網絡能夠譯碼沒有訓練過的碼字。在傳統極化碼迭代譯碼算法基礎上，目前有一種分離子塊的深度學習極化碼譯碼網絡。該網絡主要包含兩個步驟：一是將原編譯碼分割成 M 個子塊，然后分別對各個子塊進行編碼/譯碼，子塊譯碼過程采用 DNN，性能接近 MAP 譯碼器的性能，子塊的引入克服了碼長過長造成的譯碼復雜度問題;二是利用置信傳播譯碼算法連接各個子塊，BP 算法與子塊 DNN 連接實現并行處理。如圖 23 所示，目前比較成熟的深度學習譯碼方法為將 CNN 與標準 BP 譯碼器串聯，在噪聲環境中估計信息比特。在接收端，接收到的信號首先由 BP 解碼器進行處理以獲得原始的解

115、碼結果，然后用接收信號與估計的傳輸符號相減獲得信道噪聲估計。由于存在解碼誤差，信道噪聲估計具有較大誤差。最后將信道噪聲估計輸入 CNN 以移除 BP 解碼器的估計誤差。標準 BP 接收機用于估計傳輸信號，CNN 用于降低 BP 檢測器的估計誤差，并且獲得更加準確的信道噪聲估計。BP 算法與 CNN 之間的迭代會逐漸提高檢測 SNR，因此獲得更好的譯碼性能，提升終端性能。50圖 23.基于 AI 的信道譯碼3.7.2 終端友好的終端友好的 AI 技術技術3.7.2.1 基于深度學習的視頻編解碼技術基于深度學習的視頻編解碼技術當前互聯網上大于75%的流量都來自于視頻，5G時代視頻流量更是高達90%

116、以上。用戶對高清視頻的需求不斷增加，比如高達 64K 分辨率的數字影院要求256Gbps 的傳輸速率。因此高效地壓縮、傳輸以及復原視頻內容成為終端應用的關鍵?；趦热葑赃m應的智能編碼方案能滿足終端的不同需求，在實際環境中，視頻內容類型和畫面復雜度多種多樣，傳統在碼率控制方式上以 VBR 或者 CBR為主。內容自適應編碼通過深入分析視頻場景、復雜度、視頻編碼參數及視頻質量的關系，建立視頻特征數據庫。然后通過深度學習模型進行訓練，通過模型預測可以得到待編碼的視頻在一定視頻質量下的最優編碼參數,從而獲得較好的畫面質量，同時能顯著降低傳輸文件的大小。短視頻場景下，存在著大量的由于拍攝問題或者壓縮問題帶

117、來的色彩灰暗、壓縮噪點等低質量的視頻，而很多經典老片也存在膠片顆粒、劃痕等問題，非常影響人眼的主觀感受?；?AI 的畫質修復和色彩增強，在不增加額外帶寬的前提下提升視頻的顯示效果。還可以利用深度學習技術將多幀相關信息去除壓縮引起的噪聲、塊效應、偽影等，利用周邊質量較高的幀提升當前幀質量。通過運動估計網絡，經過運動補償模塊生成幀間預測信號，輸出主觀增強的視頻，讓畫面看上去更漂亮，從而提升終端顯示的質量。513.7.2.2 基于稀疏深度神經網絡的輕量化基于稀疏深度神經網絡的輕量化 AI 技術技術AI 在終端側得到了廣泛的應用，然而深度學習的計算和存儲需求嚴重阻礙了其被大規模地部署于移動設備和嵌入

118、式裝置。輕量化 AI 技術通過移除神經網絡中冗余通道的全部可訓練參數和激活值，可以同時達到加速神經網絡推理過程和壓縮模型體積的效果，起到減少網絡計算量的作用，移除的神經元及相應連接也不再存儲，減少了模型的存儲量。使用網絡剪枝技術找出這些冗余連接并將其移除，使其不再參與網絡的前向或后向運算過程，起到減少網絡計算量的作用。由于對神經網絡進行通道剪枝后獲得的是結構化稀疏的網絡，因此不需要特殊的終端支持就可以獲得對終端的加速效果。通過減少計算量，就可以降低不必要的存儲和計算，從而降低終端的功耗。3.7.2.3 分布式分布式 AI 技術技術分布式 AI 系統在數據、知識和控制等方面，在邏輯上或者物理上都

119、是分布的，不存在全局控制和全局數據存儲。系統中各路徑和節點能夠并行地求解問題，從而提高子系統的求解效率。而且在問題求解過程中，各個子系統和求解機構通過計算機網絡相互連接，降低了求解問題的通信代價和求解代價。通過各個終端之間的各子系統協調工作，能夠求解單個終端難以解決或者無法解決的困難問題。并且終端間通過網絡互連和系統的分布，便于擴充系統規模，使系統具有比單個系統更好的開放性和靈活性。分布式 AI 系統的終端具有容錯性，系統具有較多的冗余處理節點、通信路徑和知識，能夠使系統在出現故障時，僅僅降低響應速度或求解精度，以保持系統正常工作，提高工作可靠性。分布式 AI 系統的終端的獨立性是因為系統求解

120、任務歸約為幾個相對獨立的子任務，從而降低了各個處理節點和子系統問題求解的復雜性，也降低了軟件設計開發的復雜性。如圖 24所示，假設有一個多 GPU 集群系統，首先對終端進行拆分，將子終端分配到單節點上不同的 GPU，然后對數據進行劃分，每個節點負責訓練一部分數據，最后進行模型參數同步得到全局參數和全局模型。52圖 24.低復雜度的協同多目標深度強化學習協同多目標深度強化學習，能夠借助多終端多目標的協同處理，降低單個終端運算負載。不同的智能終端實現各自的目標，同時為全局的成功做貢獻。這種多目標多智能體的協同強化學習既要實現個人目標，又要為他人貢獻力量?？梢圆捎枚嗄繕硕嘀悄荏w的梯度策略，采用信用函

121、數進行局部信用分配，使用一個函數增強方案來連接價值和政策函數的階段。協同多目標深度強化學習能夠同時實現不同目標，并且可根據用戶需求和信道條件智能分配資源從而提高無線資源利用率并降低終端功耗。3.7.3 基于無線基于無線 AI 技術的終端展望技術的終端展望面向未來廣域泛在連接的通信終端，其通信資源、計算能力和存儲空間有限，應用復雜的基于 AI 的無線通信算法會導致終端功耗和成本的上升?？梢詮膬蓚€方面進行提升：一、優化 AI 算法，降低對終端能力的需求；二、研究靈活的分布式協同 AI 算法。優化 AI 算法的設計，降低對終端能力的需求。根據摩爾定律，一個集成電路中可容納的晶體管數量每兩年就會翻一番

122、，而 Open AI 的研究結果表明，AI算法演進效率有望超過硬件效率。未來的 AI 算法需要適配終端不同的硬件能力，來實現 AI 效能的提升。研究靈活的分布式協同 AI 算法，將 AI 算法在設備和網絡間或終端間進行協作是未來發展的一個技術方向。終端設備與網絡協作實現 AI 算法是將計算密集53型、能源密集型部分卸載到網絡端點，而將隱私敏感和延遲敏感部分留在終端設備上。設備將操作/模型執行到特定的部件/層，并將中間數據發送到網絡端點。網絡端點執行剩余的部分/層，并將推理結果反饋給設備。模型的訓練需要終端與網絡共同完成，因此終端和網絡需要進行對模型的切割，整合和更新。針對終端、基站、MEC、云

123、服務器間分割 AI 推理的增強技術以及支持分割 AI 推理和協作 AI 推理的新型系統架構是未來研究的重要方向。終端設備間協作實現 AI算法：終端本身產生原始數據，聚合眾多終端的數據，訓練形成 AI 模型，并在終端中使用。對于多終端協同的應用場景，設計面向終端的聯邦學習應用架構以及對終端、架構、功能或性能的新需求等方面是未來研究的重要方向。4.總結總結在面向 6G 的物理數字融合世界中，終端將發揮重要作用。終端是構建數字世界的神經末梢，是物理世界與數字世界相互作用的媒介，并將提供物理與數字世界融合服務。終端的體積、功耗、成本和復雜度的限制，接入場景的限制，功率效率限制等，將影響其在物理世界觸達

124、的深度和廣度，從而直接決定了數字化世界的水平和運作效率，直接影響用戶體驗。因此，面向 6G，我們需要在終端友好的新技術和對應的協議設計上多做文章，為終端減負。終端友好的關鍵技術包括：衛星與地面融合技術與多頻段融合技術支持終端的廣域泛在接入，終端原生組網支持終端靈活的接入，通感算融合擴展終端的服務能力，Cell free 技術支持終端0感知的移動性體驗，Backscatter 和近零功耗接收機支持終端0功率通信，新型多址接入支持終端的免調度傳輸和上行異步傳輸，以及 AI 與通信結合提升終端用戶體驗。我們希望這些終端友好關鍵技術能支持終端去更好的滿足未來的 6G 場景與需求，改善用戶體驗，助力未來

125、數字世界與物理世界的高度融合和高效互動，提升人類幸福度。545.參考文獻參考文獻1 2030+愿景與需求白皮書（第二版），中國移動通信有限公司研究院，2020 年11 月2 Expanded 6G vision,use cases and societal values，Hexa-X，Deliverable D1.2，2021 年 4 月3 6G 總體愿景與潛在關鍵技術白皮書，IMT-2030（6G）推進組，2021 年 6 月4 6G 愿景、需求與挑戰，vivo 通信研究院，2020 年 10 月5 Cell and user virtualization for ultra dense n

126、etwork,IEEE PIMRC 2015，Yu-NgokRuyue Li,Peng Hao,Feng Xie，Huahua Xiao，Min Ren6 算力網絡白皮書,中國移動通信集團有限公司,2021 年 11 月7 Study on User Equipment(UE)power saving in NR,3GPP TR 38.840 V16.0.0(2019-06)8 崔子琦,王公仆,魏旭昇,等.反向散射通信的未來應用與技術挑戰J.移動通信,2021 年,45(4):29-36.9 零功耗通信，OPPO 等，未來移動通信論壇，2022 年10 A-76dBm 7.4nW Wakeup

127、 Radio with Automatic Offset Compensation,JesseMoody et al.11 A 97dBm-sensitivity interferer-resilient 2.4GHz wake-up receiver using dual-IFmulti-N-Path architecture in 65nm CMOS,Camilo Salazar et al12 3GPP TR 38.812 V16.0.0,Dec.2018.13 Y.Polyanskiy,“A perspective on massive random-access,”in Proc.I

128、EEE Int.Symp.Inf.Theory,Jun.2017,pp.25232527.14 O.Ordentlich and Y.Polyanskiy,“Low complexity schemes for the randomaccess Gaussian channel,”IEEE Int.Symp.Inf.Theory-Proc.,pp.25282532,2017.15 A.Vem,K.R.Narayanan,J.Chamberland and J.Cheng,A user-independentsuccessive interference cancellation based c

129、oding scheme for the unsourced random55access Gaussian channel,in IEEE Transactions on Communications,vol.67,no.12,pp.8258-8272,Dec.2019.16 V.K.Amalladinne,A.Vem,D.K.Soma,K.R.Narayanan,and J.-F.Chamberland,“A coupled compressive sensing scheme for uncoordinated multipleaccess,”arXiv preprint arXiv:1

130、809.04745,2018.17 A.Pradhan,V.Amalladinne,A.Vem,K.R.Narayanan,and J.-F.Chamberland,“A joint graph based coding scheme for the unsourced random access Gaussianchannel,”OnlineAvailable:https:/arxiv.org/abs/1906.05410v1.18 演進的多址接入技術，中信科移動等，未來移動通信論壇，2022 年6.縮略語縮略語英文縮寫英文全稱中文全稱6GThe sixth generation mobil

131、ecommunication systems第六代移動通信系統IMTInternational MobileTelecommunication國際移動通信XRExtended Reality擴展現實AIArtificial Intelligence人工智能GEOGeosynchronous Orbit地球同步軌道VSATVery Small Aperture Terminal甚小孔徑終端CPECustomer Premise Equipment用戶端設備DVB-RCSDigital Video Broadcast-Return數字視頻廣播-經由衛56Channel Satellite星的回傳信

132、道NRNew Radio新空口FRFrequency Range頻率范圍G/TAntenna Gain toSystem Noise Temperature Ratio天線增益與系統噪聲性能的等效噪聲溫度NTNNon-terrestrial networks非地面網絡GNSSGlobal Navigation SatelliteSystem全球導航衛星系統GaAsGallium arsenide砷化鎵GaNGallium nitride氮化鎵CMOSComplementary Metal OxideSemiconductor互補金屬氧化物半導體SiGesilicon-germanium鍺硅SO

133、ISilicon-On-Insulator絕緣襯底上的硅RFRadio Frequency射頻PAPower Amplifier功率放大器LNALow Noise Amplifier低噪聲放大器PCBPrinted Circuit Board印制電路板SIPSystem In a Package系統封裝57GPSGlobal Positioning System全球定位系統MEMSMicro-Electro-MechanicalSystem微電子機械系統QoSQuality of Service服務質量RATRadio Access Technology無線接入技術CACarrier Aggr

134、egation載波聚合DCDual Connectivity雙連接TRPTransmission and reception point發送和接收點D2DDevice-to-Device設備到設備KPIKey Performance Indicator關鍵性能指標QoEQuality of Experience體驗質量EEGElectroencephalography腦電特征波JNDJust Noticeable Distortion最小可覺失真HEFTHeterogeneous Earliest FinishTime異構最早完成時間SLAService-Level Agreement服務等級

135、協議DCGWDistributed computing gateway分布式計算網關eDRXExtended DiscontinuousReception擴展不連續接收58PSMPower Saving Mode節能模式NOMANon-Orthogonal Multiple Access非正交多址接入PDMAPattern division multiple access圖樣分割多址接入LDPCLow Density Parity Check Code低密度奇偶校驗碼DNCNNDenoising Convolutional NeuralNetwork降噪卷積神經網絡DNNDeep Neural Networks深度神經網絡CNNConvolutional Neural Networks卷積神經網絡MAPMaximum a posteriori最大后驗概率BPBelief Propagation置信度傳播7.貢獻人員貢獻人員維沃移動通信有限公司：姜大潔，秦飛紫光展銳（上海）科技有限公司：李忻，丁敬峰中國移動研究院：潘成康中信科移動：白偉，張鈺婕北京小米移動軟件有限公司：池連剛，龐博文中興通訊股份有限公司：謝峰，戴博，王菲，劉漢超西安電子科技大學：任智源，王晨