《IMT-2030(6G)推进组:超大规模天线技术研究报告(121页).pdf》由会员分享,可在线阅读,更多相关《IMT-2030(6G)推进组:超大规模天线技术研究报告(121页).pdf(121页珍藏版)》请在三个皮匠报告上搜索。
1、2021 年年 9 月月 版权声明版权声明 Copyright Notification 未经书面许可 禁止打印、复制及通过任何媒体传播 2021 IMT-2030(6G)推进组版权所有 I 目 录 第一章第一章 背景背景.1 概述.1 部署场景.1 第二章第二章 性能指标性能指标.8 频谱效率.8 移动速度.9 能量效率.10 小区级最大并发数据流数.11 第三章第三章 新型应用新型应用.12 立体覆盖增强.12 高速以及超高速移动覆盖.21 空间精确定位与感知.24 第四章第四章 关键技术关键技术.32 信道建模.32 波束管理.35 发射端处理技术.43 第五章第五章 新技术新技术.49
2、 深度学习与人工智能.49 第六章第六章 天线结构与部署方式天线结构与部署方式.61 分布式超大规模天线.61 模块化天线.69 智能超表面.69 智能中继.79 终端新型天线结构.90 平面透射表面相控阵.92 稀疏阵列天线架构.98 第七章第七章 总结总结.104 参考文献参考文献.105 缩略语缩略语.108 主要贡献单位主要贡献单位.113 II 图目录 图 2-1 宏蜂窝覆盖的典型网络拓扑.3 图 2-2 居民楼和会议室的示意图.3 图 2-3 火车站和体育馆示意图.4 图 2-4 室外场景示意图.4 图 3-1 64 通道、192 天线振子的天线阵列结构示意图.12 图 3-2 基
3、站塔顶弱覆盖区示意图.14 图 3-3 系留无人机实现高空基站.15 图 3-4 28GHz 毫米波大规模阵列一条射频通道的架构.16 图 3-5 基于移相网络的混合子阵架构一般化模型.16 图 3-6 Nsub=2 时图 3-5 所示阵列在垂直面上扫描的方向图.17 图 3-7 图 3-5 所示阵列在垂直面上扫描时的垂直面方向图(a)N=192,Nsub=1;(b)N=192,Nsub=3.17 图 3-8(a)全数字架构;(b)基于移相网络的混合全连接架构;(c)基于开关网络的混合全连接架构.19 图 3-9 不同架构功耗随天线数目变化曲线.19 图 3-10 垂直方向不同子阵划分情况的功
4、耗和基于开关网络的混合全连接架构功耗的比较.20 图 3-11 (a)毫米波小型化天线;(b)天线性能.21 图 3-12 不同相邻小型化天线单元间距对阵列增益的影响.21 图 3-13 HST 场景基站部署示意图.22 图 3-14 城市峡谷 GNSS 定位场景.25 图 3-15 信号非视距传播对 GNSS 定位性能的影响.25 图 3-16 城市路口 GNSS 定位场景.26 图 3-17(a)传统多边定位模型,(b)超大规模天线定位模型.27 图 3-18 基于超大规模天线系统的航向/姿态测量.27 图 3-19 基于超大规模天线系统的三维定位.28 图 3-20 超大规模天线+GNS
5、S 系统位置服务覆盖.29 图 3-21 城市峡谷超大规模天线+GNSS 定位场景.30 图 3-22 城市路口超大规模天线+GNSS 定位场景.30 图 3-23 超大规模天线+GNSS 系统高精度三维定位.31 图 4-1 3GPP 大规模天线信道参数生成过程12.33 图 4-2 电磁波波前示意图.34 图 4-3 波束管理示意图.35 图 4-4 多用户场景下的波束管理.37 III 图 4-5 基于分级的波束扫描策略.37 图 4-6 站点 STA 波束训练与追踪场景(阴影部分表示波束 a1的半功率衰减波瓣)39 图 4-7 高速移动场景下的波束管理.40 图 4-8 移动场景下的用
6、户位置建模.40 图 4-9 太赫兹信号到达角测量场景.41 图 4-10 不同频率进行试验采集到的角度功率谱.42 图 4-11 基于压缩感知的波束训练方法.42 图 4-12 多用户全数字预编码系统模型图.44 图 4-13 基于透镜的超大规模天线阵列系统.48 图 5-2 信道训练的多层神经网络架构.51 图 5-3 不等间隔信道状态信息反馈的配置.52 图 5-4 神经网络用于 DMRS 估计的结构示意图.53 图 5-5 激活函数示意图.54 图 5-6 神经网络的训练效果.55 图 5-7 基于神经网络的 CSI 反馈示意图.57 图 5-8 不同基站天线数下单个样本的稀疏性.60
7、 图 6-1 热点区域部署方式.62 图 6-2 室内密集区域部署方式.62 图 6-3 偏远山区部署方式.62 图 6-4 高速移动场景部署方式.63 图 6-5 无线条带系统21.63 图 6-6 无线条带系统潜在应用场景及部署方式.63 图 6-7 下行数据传输处理过程.66 图 6-8 基站间信息交互方式.67 图 6-9 超单元组成的超表面,其中黑色方框为超单元.70 图 6-10 超单元结构简图.71 图 6-11 超单元反射系数与有源器件两端电压、入射电磁波频率之间的关系26.71 图 6-12 广义反射定律示意图28.71 图 6-13 分界面为超表面时,入射电磁波与反射电磁波
8、的关系.72 图 6-14 超表面的两种结构.73 图 6-15 超表面辅助的下行链路模型.73 图 6-16 超表面辅助下行链路仿真模型.75 图 6-17 用户平均接收功率与超表面、超单元数量 N、超单元反射系数相位关系图 75 图 6-18 用户平均接收功率与超表面、距中心线距离dx、超单元反射系数相位关系图76 图 6-19 超表面调制环境中已有信号30.77 图 6-20 基于超大规模天线的智能中继波束管理流程.80 图 6-21 基于云架构的智能中继波束预测与搜索优化架构图.81 图 6-22 系统模型.86 图 6-23 训练流程.89 IV 图 6-24 AiP 结构剖面图.9
9、0 图 6-25 手持终端屏上天线概念图.91 图 6-26 现有 5G 大规模天线架构示意图(a)5G 低频 32TRx 结构;(b)5G 低频 64TRx 结构;(c)5G 高频子阵结构.92 图 6-27 子阵数目增加方式(a)增加射频链路;(b)增加移相器.93 图 6-28 大规模天线垂直 1 驱 6 结构当辐射波束在垂直方向上扫描到 7时的辐射方向图.93 图 6-29 平面透射表面相控阵的结构示意图.94 图 6-30 平面透射表面相控阵结构辐射波束在垂直方向上扫描到 40 时的二维辐射方向图.94 图 6-31 基于平面透射表面相控阵 MIMO 方案的基本步骤.95 图 6-3
10、2 一种平面透射表面相控阵宽波束扫描方式波束辐射方向图.96 图 6-33 三种用户位置分布情况.96 图 6-34 图 6-33 所示的用户分布所需的波束辐射区域.97 图 6-35 图 6-34 所示的所需波束辐射区域对应的平面透射表面的相位分布.97 V 表目录 表 2-1 室内业务及需求.5 表 2-2 短距/近距通信典型要求.7 表 3-1 无人机高度覆盖需求汇总1.13 表 3-2 毫米波射频部件功耗参考值.18 表 4-1 手持设备的旋转测量.38 表 5-1 典型的复杂神经网络的复杂度列表.50 表 5-2 20RB 时,神经网络与传统算法的结果比较.54 表 5-3 50RB
11、 时,神经网络与传统算法的结果比较.55 表 5-4 考虑时间相关后,神经网络与传统算法的结果比较.56 表 5-5 不同信道环境下,神经网络与 Type I 码本的结果.58 表 5-6 不同 PMI 译码侧隐藏层大小的结果.58 表 5-7 不同 PMI 编码侧隐藏层的结果.59 表 5-8 不同信道环境下,网络侧 32 发时,神经网络与 Type I 码本的结果.59 表 6-1 理想回程链路典型参数22.66 表 6-2 非理想回程链路参数22.66 1 第一章第一章 背景背景 概述概述 超大规模天线是在大规模天线(Massive MIMO)基础上的进一步演进,通过部署超大规模的天线阵
12、列,应用新材料,引入新的工具,超大规模天线技术可以获得更高的频谱效率、更广更灵活的网络覆盖、更高的定位精度、更高的能量效率等。随着天线和芯片集成度的不断提升,在尺寸、重量和功耗可控的条件下天线阵列的规模将持续增大。天线规模的进一步扩展将提供具有极高空间分辨率和处理增益的空间波束,提高网络的多用户复用能力和干扰抑制能力,从而提高频谱效率。超大规模天线具备在三维空间内进行波束调整的能力,从而在提供地面覆盖之外,还可以提供非地面覆盖,如覆盖无人机、民航客机甚至低轨卫星等。随着新材料技术的发展(如智能超表面),超大规模天线将与环境更好的融合,网络的覆盖、多用户容量和信号强度等都可以大幅度提高。分布式超
13、大规模天线技术将 MIMO 技术和分布式系统有机结合起来,利于构造超大规模的天线阵列,有望提供更高的空间分辨率和频谱效率。分布式超大规模天线网络架构趋近于无定形网络,传输方式也将由以网络为中心转变为以用户为中心,实现均匀一致的用户体验。此外,分布式超大规模天线可以拉近网络节点和用户间的距离,有效降低系统的能耗。实现分布式超大规模天线首先要解决部署问题,即如何低成本、可实用的部署。其次要解决节点间信息实时交互和时频同步的问题。超大规模天线技术中引入人工智能技术将有助于充分发挥超大规模天线技术的潜力。在未来的通信系统中,超大规模天线有可能在多个环节实现智能化,如信道探测、波束管理、预处理、多用户检
14、测与调度、信号处理与信道状态信息反馈等,从而使超大规模天线系统更加高效和智能。如何满足实时性要求以及获取训练数据是人工智能与超大规模天线结合需要解决的问题。超大规模天线阵列具有极高的空间分辨能力,不仅可以在复杂的无线通信环境中提高定位精度,实现精准的三维定位,还可以获得目标的空间姿态信息,在依赖于高精度位置信息的应用中至关重要。6G 系统向超高频段扩展所面临的一个关键挑战是超高频段的路径损耗。超大规模天线技术超高的处理增益能够在不增加发射功率的条件下增加超高载频通信的通信距离和覆盖范围,成为保障超高频段的通信性能的关键技术。超大规模天线也面临诸多挑战,包括成本高、信道测量与建模难度大、信号处理
15、运算量大、参考信号开销大、前传容量压力大等。部署场景部署场景 在 4G 时代,多天线技术被引入,有效地提高了小区峰值速率和改善了小区边缘覆盖性能。到了 5G 时代,随着部署频段的升高,天线规模进一步扩大,以提供更好的小区覆盖性能。超大规模天线技术将继续在未来的 6G 移动通信中作为物理层关键技术之 2 一。与 4G 和 5G 相比,6G 将支持更多的新型应用,这也给超大规模天线部署提供了新的应用和部署场景。超大规模天线在 6G 应用和部署场景可以从以下几个方面考虑。一方面,现有的 4G 和 5G 大规模天线的应用场景以及未来 3-5 年中 5G 应用部署的优化将继续延续在 6G 业务部署中,但
16、是在部署和性能方面会有进一步优化,并针对 5G中存在的问题和限制,做进一步改进:宏站部署场景:高楼覆盖、热点覆盖(6GHz 以下频段及毫米波)、补盲等,仍将继续存在于未来的 6G 通信系统中。对于 5G 室内覆盖、一体化接入与回传(IAB,Integrated Access and Backhaul)、工业厂区应用场景以及其他毫米波应用也将继续继承在 6G 通信系统中。分布式天线始于 4G,在 5G 系统中可能开始实际部署,而在 6G 通信系统中进一步改进、成熟。另外,在未来 6G 时代,算力的提升为采用更先进的超大规模天线算法提供了可能性。虽然 6G 和 4G、5G 系统有一些相同的应用场景
17、,但是在部署方面将会更加灵活,且随着人工智能和机器学习的引入,整个系统将向着网络智能化(支持自动配置、自动部署、自动优化)的方向演进。另一方面,潜在的一些新的应用场景将出现在未来的 6G 系统中。更大的带宽、更高的速率将是 6G 通信系统的主要系统性能要求之一。通过使用超大规模天线可为热点区域提供超高的吞吐量和覆盖性能。6G 网络部署密度可能会更高,以期为新的应用提供更好的覆盖和连接性能。在6G 时代,集中式和分布式大规模天线的灵活部署将进一步发展满足新型应用需求。高空平台(HAPS,High Altitude Platform Station)等应用场景。在未来 6G 通信系统中,HAPS
18、等可能成为应用场景之一。亦或在 5G 时代,超大规模天线在HAPS 的应用以及和 IAB 技术的结合将提供更加灵活的覆盖、部署,尤其是在应急通信场景中。超大规模天线在空地一体化场景中的应用。6G 和卫星通信结合,卫星和地面业务的通信中使用超大规模天线技术为用户提供无处不在的连接。在 5G 时代,大规模天线的部署场景主要包括宏蜂窝覆盖以及室内外热点覆盖场景等。在 6G 时代,除了上述典型场景外,超大规模天线系统可能会在以下几类场景中大放异彩:室内深度覆盖场景;广域覆盖场景;立体覆盖场景;4短距/近距覆盖场景,本节主要对上述几种部署场景进行介绍。宏蜂窝覆盖宏蜂窝覆盖 典型宏蜂窝覆盖场景是具有密集用
19、户和慢速车辆的城市密集蜂窝环境,其关键特性是密集蜂窝小区、室外到室内广覆盖、高用户密度和城市人口稠密地区的高传输负载。因此,该场景假设是连续的蜂窝布局和存在蜂窝间干扰。一个典型的宏蜂窝覆盖场景的网络拓扑如图 1-1 所示。无线接入点被部署在有规律的六角形蜂窝网格中。同一站址可部署 3 个接入点,且相互间方向角度为 120,箭头 3 指向方向为无线接入点面对朝向。超大规模天线不仅可以在城市宏蜂窝场景中有效解决覆盖和提升区域容量,而且对远距离覆盖性能也有提升。在市郊及偏远地区部署密集基站实现覆盖其经济上并不现实,那么就要求基站能在满足一定速率下能够实现更远距离覆盖,其覆盖距离能达到公里级别以上。站
20、间距 图 1-1 宏蜂窝覆盖的典型网络拓扑 热点覆盖热点覆盖 1.2.2.1 室内热点覆盖室内热点覆盖 目前的移动网络中大部分的业务是发生在室内场景中,随着 6G 时代的到来,将会有更多的业务发生在室内的场景中。通常的情况下,室内的环境会比较简单,无线通信的距离也比较短。根据部署环境的特点,室内的场景可以进一步分为:写字楼/居民区 该类场景如图 1-2 所示,空间分布和用户的密度都比较适中,用户的移动性不高,该场景下典型的网络需求包含视频会议,网页浏览,数据下载等等。该类场景的另一个特点是用户在空间上呈现的是立体的分布,用户分布比较分散。图 1-2 居民楼和会议室的示意图 4 在这类的场景中,
21、由于墙体的损耗,网络的覆盖相对比较差,无法满足高质量的数据传输需求。未来通信系统中可以通过超大规模天线技术,利用波束赋形的能力以及较高的空间复用增益,满足这些区域高容量高速率的数据传输需求。此外,针对用户在垂直空间上分布的特点,还可以结合超大规模天线技术,在垂直面采用大量的天线阵列,增加垂直面的覆盖,这样可以满足垂直维度用户的高密集分布带来的通信容量的需求。体育场/火车站 该类场景如图 1-3 所示,包括火车站候车室,体育场馆等等,主要的特点是空间相对会比较大,人员也会更加密集。在这类场景中主要需要提供的是高密度、高速率的网络连接。图 1-3 火车站和体育馆示意图 室外信号在穿透砖墙、水泥等障
22、碍物后路损比较大,只能提供浅层的室内覆盖,无法保证室内高密度用户的良好体验。结合该场景的特点,室外采用低频的宏基站保证覆盖,考虑在室内部署微基站。在高网络负载的室内,结合超大规模天线技术,使用更窄的波束实现精细对准,可以提升用户接收到的信号质量。1.2.2.2 室外热点覆盖室外热点覆盖 在室外也存在人流密集的场景,典型的室外的场景,如某个景区如图 1-4,交通枢纽等等。该场景的特点是可能在某一个地点会有成百上千的人同时驻留,集中地在某一个区域产生巨大的数据量。图 1-4 室外场景示意图 5 在这类的场景中,无线环境比较复杂,人的流动性比较大,可以通过超密集组网技术,通过更加“密集化”的网络设施
23、的部署方式,实现网络容量的巨大提升。随着基站密度的增加,用户受到的干扰也会增加,结合超大规模天线技术,灵活的按需进行波束的宽度和方向的调整,可以有效的降低用户之间的干扰。高频段较窄的波束也可以服务更多的用户,满足在某个集中区域较大数据量的需求。总的来说,针对热点区域,6G 的系统中对数据的传输质量和容量都提出了新的要求。超大规模天线技术,可以考虑部署在高频段,通过高低频段组网,充分利用高低频段的优势,低频段提供覆盖,高频段作为热点增容。此外超大规模天线技术,利用波束赋形增益,可以弥补传输过程中的损耗,还可以通过灵活的调整波束,实现精确对准,减小干扰。针对高层覆盖场景,还可以在垂直维度部署更多的
24、射频通道,满足高层的热点区域通信需求。室内深度覆盖场景室内深度覆盖场景 据统计表明,在 4G 时代,超过 80%的移动业务发生于室内场景。据预测,在 5G 时代,这一数字将超过 85%。展望 6G 时代,可能将会有 90%甚至更多的业务发生于室内。表 1-1 总结了部分可能在室内发生的业务类型及相应的时延速率要求。可见,自 4G 以来,室内场景对于各个通信时代都至关重要,室内移动网络通信能力也是各通信时代的网络核心竞争力之一。表 1-1 室内业务及需求 业务描述业务描述 业务要求业务要求 典型能力需求典型能力需求 速率要求速率要求(Mbps)时延要求时延要求(ms)视频会话 1080P 支持上
25、行 1080P 传输 5(UL&DL)100 视频分享 4K 高清 支持上行 4K 传输 20(UL)100 高清视频流 4K 高清 4K 视频传输 20(DL)100 8K 高清 8K 视频传输 80(DL)100 VR 入门体验 全视角 8K 2D 视频,画面质量接近于在 PC上观看 480P 视频的效果 61.5(DL)30 进阶体验 全视角 12K 2D 视频,画面质量接近于在 PC上观看 2K 视频的效果 265.5(DL)20 终极体验 全视角 24K 3D 视频,画面质量接近于在 PC上观看 4K 3D 视频的效果 1390(DL)10 AR 1080P 1080P 图像传输 3
26、.05(UL&DL)10 6 目前来看,主要可以通过以下几种方式解决室内覆盖问题:室外站覆盖室内:将宏基贴近目标区域布站(比如用户密集的楼宇群),采用室外覆盖室内的方式为室内用户提供服务。但是由于穿透损耗较高,该方案难以满足室内深度覆盖的需求。数字新型室分系统:通过使用数字新型室分系统可实现可视化运维,并能有效的解决室内深度覆盖问题。但一方面,由于需要在楼宇内部施工,存在一定的施工难度;另一方面,综合考虑成本与收益,并不是所有室内场景都适合于依托数字新型室分系统完成室内覆盖,比如居民楼等。结合上述分析可以看出,5G 系统在室内深度覆盖上仍有不足。因此,在 6G 时代仍需关注室内深度覆盖问题,包
27、括楼宇内部,地下停车场,地下超市等室内场景的深度覆盖。超大规模天线技术通过超高的波束赋形增益、灵活的波束方向调整,有望切实的提升 6G 系统的室内深度覆盖性能。广广域覆盖场景域覆盖场景 广域覆盖场景的典型特点为:区域范围广,用户密度稀疏,业务量低,包括沙漠、近海海域、林区等场景。这些看似无人的区域可能蕴藏着非常重要的资源,比如油田、珍稀动植物、属于我国领土的海岛等,这就意味着需要有专门的从业人员在附近工作、生活。为了保证这些从业人员的通信需求,上述场景的覆盖是必要且重要的。针对广域场景,在保证覆盖的同时,需尽可能的降低布站数,以降低布站成本和运营维护成本。因此,需要利用超大规模天线技术以及新型
28、天线结构尽可能的扩展单站的覆盖距离,从而可以有效的解决广域场景的覆盖问题。立体覆盖立体覆盖场景场景 立体覆盖场景更强调对垂直方向的空域覆盖,可能的应用场景包括覆盖高层建筑,无人机,民航客机等。5G 基站设备虽然在空间维度上有一定的自由度,但其在垂直维度的波束精度较低。5G 目前的主流基站产品最多支持 64 TXRU(收发单元),在垂直方向仅有 4 个 TXRU,因此垂直波束方向的调整能力有限。在 6G 时代,立体覆盖可能成为一个重要的应用场景,因此需要增加基站在垂直方向的自由度,使其垂直波束具备更高的精度、更广的覆盖范围。超大规模天线可以通过采用新的天线结构、或增加垂直方向射频通道数目,保证
29、6G 时代的立体覆盖需求。终端之间短距终端之间短距/近距通信近距通信 太赫兹尤其275 GHz以上频段处于光电转换阶段,它同时具有微波和光波通信特性。首先,随着通信的快速发展,传统的微波通信难以满足高速、宽带无线通信的需求,而凭借其高数据传输速率和宽广的频谱带宽,这一频段具有支持未来无线通信的潜力。另一方面,光波在灰尘、墙体、塑料、布匹和其它非金属或非极化物质中的传输衰减严重。7 275 GHz以上频段可以较低的衰耗穿透这些物质,使它具备了在恶劣环境中的良好穿透能力。但这一频段也有自身弱点,最致命的弱点是它易于被大气中的极性分子所吸收,因此它的大气衰减较为严重,雨天尤其如此。这一特性决定了它未
30、来主要用于地面短距宽带移动通信。太赫兹通信可以通过近场通信实现短距离通信,例如用于实现内容与云同步化的使用案例。由于频段和终端设备小型化,可以通过超大规模天线去保证其传播质量和避免潜在的多径影响。表 1-2 短距/近距通信典型要求 通信距离 厘米级 数据速率 最高可达到几十 Gbps 传播环境 装置间邻近模型(LoS)8 第二章第二章 性能指标性能指标 频谱效率频谱效率 基本描述基本描述 对于 5G 系统,ITU 制定的性能指标中频谱效率包括三种定义,适用于多种应用场景,这三种频谱效率对 6G 系统将仍然适用。这三种频谱效率分别是峰值频谱效率、平均频谱效率和 5%用户频谱效率。定义如下:-峰值
31、频谱效率为理想条件下信道带宽归一化的最大数据速率。这里的最大数据速率是指无差错条件下单用户的接收数据速率。峰值频谱效率的单位为 bit/s/Hz。-5%用户频谱效率为归一化用户吞吐量 CDF 曲线 5%点位所对应的用户吞吐量。其中,用户吞吐量是指用户在单位时间内正确接收的比特数。归一化吞吐量为用户吞吐量与信道带宽的比值。这里的信道带宽为有效带宽与频率复用因子的乘积,有效带宽为考虑了上下行链路配比的归一化带宽。5%用户频谱效率的单位为 bit/s/Hz/用户。-平均频谱效率为传输接收点(TRP)的平均频谱效率,即所有用户的吞吐量之和与信道带宽及 TRP 数目的比值。这里的信道带宽为有效带宽与频率
32、复用因子的乘积,有效带宽为考虑了上下行链路配比的归一化带宽。平均频谱效率的单位为 bit/s/Hz/NTRP,其中 NTRP为 TRP 的数目。根据上述各频谱效率的定义可以看出,频谱效率主要用作移动宽带覆盖的指标。其中,峰值频谱效率为用户在理想条件下可达到的最优性能,可用作热点覆盖等场景的性能指标;平均频谱效率为单站点的平均性能,可用作热点覆盖、广域覆盖等场景的性能指标;5%用户频谱效率为边缘用户的性能,可用作深度覆盖等场景的性能指标。超大规模天线系统频谱效率分析超大规模天线系统频谱效率分析 超高清视频等大流量多媒体、VR/AR、全息通信等应用必将带来 6G 系统对峰值速率需求的十倍乃至百倍的
33、提高。提高峰值速率的主要手段包括增加带宽和提高频谱效率。增加带宽意味着频点的进一步提升。虽然高频的频段资源非常丰富,但频点越高,路径损耗越大,覆盖范围越受限,这对网络部署成本带来很大压力。因此,未来的通信系统仍将对频谱效率具有更高的需求。多天线技术是提高频谱效率的一种有效手段,其对频谱效率的提高主要来自于以下三种数据通道的利用方式:空间复用、发射分集和波束赋形。空间复用技术利用多个天线构成并行信道传输不同的数据流,从而直接提升数据传输速率;发射分集技术利用并行通道传输有一定冗余度的数据,从而更好地对抗衰落,提升传输的可靠性;波束赋形技术根据发射机掌握的信道状态信息,通过将能量集中到某个特定方向
34、来提高接收信号 9 的信噪比。在不考虑导频开销等非理想因素的情况下,频谱效率可以通过系统容量来表征。假设系统中有 L 个小区,每个小区有 K 个单天线用户,每个小区的基站配备 M 根天线,且系统的频率复用因子为 1。通过理论推导,可以得到,当基站天线趋于无穷时,系统的容量下界可表示为,其中,,l l k为第 l 个小区第 k 个用户到第 l 个小区基站的信道协方差矩阵的特征值,UL为噪声功率。从上式可以看出,若接收端已知理想的信道信息,当天线个数趋于无穷时,多用户干扰和多小区间干扰趋于消失,整个系统是一个无干扰系统,系统容量随增大,并趋于无穷大。这意味着,在最为理想的情况下,若 6G 系统的天
35、线规模提高一到两个数量级,系统容量可以成倍提高。然而,在实际应用中,受到各种非理想因素的影响,接收端和发射端通常不能获得完美的信道状态信息。信道状态信息通常通过导频获得。天线规模的增加通常会导致导频开销的增加,这将降低传输数据的可用资源,从而影响系统容量和频谱效率。此外,随着天线数目和小区中用户数的增多,不同小区的用户可能采用相同的导频模式和相同的导频序列,从而产生导频污染。在不考虑小区间用户的干扰协调时,在导频污染的情况下,系统容量受限于导频污染。有研究表明,在导频污染的影响下,当天线规模增加到一定数目时,系统容量不再随天线规模的增加而增加。然而,通过用户间的干扰协调技术等,可以降低或消除导
36、频污染。因此,超大规模天线系统对系统容量和频谱效率的提升虽然无法达到指数级线性增长,但仍然能够随着天线规模的增大而增长。此外,当超大规模天线系统应用于高频段时,天线规模的增大意味着波束赋形可以做到更窄,从而获得更为精准的信道指向性,用户间的信道向量也更趋于正交。这不仅使得用户的接收信号可以更强,还使得用户间的干扰一定程度上受到了抑制,从而使得超大规模天线系统可以进一步提高频谱效率。综合以上分析,预计超大规模天线系统将帮助 6G 系统在频谱效率方面相对于 5G 系统实现成倍的提升。移动速度移动速度 6G 系统对超大规模天线的移动性要求是指 6G 系统能够满足某特定的 QoS 要求下所支持终端最大
37、的移动速度(单位:km/h),例如支持飞机的飞行速度。QoS 定义为归一化的业务信道数据速率。超大规模天线相关解决方案可尝试降低高速移动下多普勒频移对系统的影响。infLB,1ULlog 1Kl l kkMClogM 10 能量效率能量效率 根据 ITU 对于网络能量效率的定义:网络能量效率是与所提供的业务量相关的最小化无线接入网能量消耗的空口技术能力。由 ITU 对于 IMT-2020 能量效率需求可知,在高业务量时,5G 网络的能量效率通过系统的平均频谱效率来衡量;而在低业务量时,5G网络能量效率通过无线数据传输时基站睡眠比例和睡眠时间来衡量。由于 5G 网络需要周期性发送同步信号块(SS
38、B)、剩余最小系统信息(RSMI)和寻呼信令(Paging),以使得终端可以检测和接入无线网络,所以根据不同的 SSB、RSMI 和 Paging 配置周期,基站可以达到不同的睡眠比例。终端则可以通过 DRX 和节能技术来降低终端功耗,间接提高终端能效。目前移动业务量的增长与网络运营成本和运营效率的增长之间差距正在逐渐扩大。因此未来 6G 系统设计时,不仅要考虑系统频谱效率的进一步优化,系统能量效率,网络设备和终端设备的功耗也需要同步考虑和优化。除了上述 ITU 对能量效率的定义,学术研究中则将能量效率严格定义为单位能耗下所能传输的数据量,单位为比特/焦耳。而频谱效率则定义为单位带宽内的数据传
39、输速率,单位为比特/秒/赫兹。进一步的,系统能量效率(EE,Energy Efficiency)EE和频谱效率(SE,Spectrum Efficiency)SE有以下关系 EESEsumbit/JouleWP 其中,W 为系统带宽,Psum为系统发射功率。总发送功率 Psum可以建模为:sumtcsPPMPP 其中,为 PA 效率,定义为 PA 输出信号与输入信号功率之比。Pt为基带信号发送功率,与信号带宽有关;M 为天线数;Pc为每个独立天线射频链路的功耗,因此天线数增加,射频链路功耗也会相应增加;Ps为电路静态功耗。对于频谱效率的提升,可以通过优化空口传输技术的方式来实现,例如提高数据传
40、输层数和提高信号调制阶数。而对于网络能量效率的提升,从上述公式看,则可以考虑降低硬件电路功耗或改进空口传输技术。这两种途径是相互制约的,例如,增加天线数可以提升系统频谱效率,但同样会导致电路功耗的增加,即 MPc随着 M 线性增加。1.基站侧 在高业务负载时,W/Psum固定(各自达到峰值)。此时,频谱效率越高,系统能量效率也越高。以太赫兹频段为例,可以提供不低于 10GHz 的可用带宽,基站侧天线数不低于 512,同时考虑设备芯片升级带来的性能提升,与 5G 系统相比较,W/Psum预计会有 1倍左右的提升。因此在高业务负载条件下,6G 系统的能量效率随着系统频谱效率的提高也会成倍提升。而在
41、低业务负载时,设备功耗以及电路功耗直接影响系统能效,此时系统可以通过关闭载波和加大同步信号周期提高系统休眠比例来提高系统能量效率。11 2.终端侧 3GPP 在 4G 和 5G 中定义了不同功率等级的 UE,对应于不同的 UE 最大发射功率。例如,Power Class 3 UE 的最大发射功率为 23dBm。因此,在不增加 UE 最大发送功率的条件下,能量效率随着数据传输速率提高而提高,若保持系统带宽不变,上行并发数据流数提高一倍(例如最大 8 层 UL SU-MIMO 传输),同时引入 1024QAM 调制,与 5G NR 相比,能量效率将会增加 2*10/8=2.5 倍。同时考虑到电路芯
42、片的更新换代,与 5G 终端相比,6G 终端的能量效率预计会有 3 倍以上的提升。小区级最大并发数据流数小区级最大并发数据流数 小区级最大并发流数,即进行多用户 MIMO(MU-MIMO,Multi-user MIMO)传输时可支持的最大并发数据流数目,从 4G 系统时开始成为被运营商关注的性能指标,是5G 大规模天线的一个重要性能指标。在未来的 6G 系统,为评价超大规模天线在实现小区级多流数据并发传输(即 MU-MIMO 传输)上的实际性能,可以考虑引入小区级最大并发数据流数指标。在 6G 超大规模天线系统中,以基站配置 256TRX 和下行链路 MU-MIMO 为例,理论上,下行链路小区
43、级最大并发数据流数目可以为 256 流。按照工业界实现时取理论最大值的 1/2 或 1/4 来考虑,也可以考虑支持 128 流或 64 流。但是,合理数值的设定应该要综合考虑部署场景、天线阵列形态、性能提升、成本、能耗等因素。12 第三章第三章 新型应用新型应用 立体覆盖增强立体覆盖增强 目前,主流商用基站产品的射频通道数目为 16、32 或 64,总天线振子数为 128 或192。以 64 通道、192 天线振子的天线阵列为例,它在水平方向包含了 16 个射频通道,在垂直方向仅包含了 4 个射频通道,每通道连接 3 天线振子,具体的天线阵列结构如图 3-1 所示。每列的3个同极化天线构成1个
44、传输单元,与1个射频通道相连接123456789 10 11 12 13 14 15 161234 图 3-1 64通道、192天线振子的天线阵列结构示意图 5G 基站天线架构,其主要重心还是放在地面移动通信网络的覆盖需求,以水平方向的覆盖为主。虽然 5G 对于垂直覆盖进行了一定增强,但由于垂直方向的射频通道数较少,使得垂直方向空间自由度远低于水平方向。因此,相关天线算法,包括波束赋形算法等,在垂直维度的性能要差于水平维度,相应的垂直维度的精度也要低于水平维度的精度。着眼于未来的 6G 通信系统,其无线网络覆盖将是将会向陆、海、空、天泛在融合的物理空间拓展,覆盖将延伸到所有人类可能涉及的活动空
45、间,将人类的“数字鸿沟”缩小到极致。因此,立体覆盖增强势必成为 6G 系统需要重点考量的问题。13 覆盖场景覆盖场景 立体覆盖增强主要包含三方面应用场景,一方面是近地面场景,高度范围从地面算起到空中数百米的距离,涉及的新型业务包括无人机物流等;另一方面是高空场景,高度范围在数百米到数十公里,涉及的新型业务包括空中客机的网络服务等。此外,高空基站也是立体覆盖增强的一个重要应用场景。接下来本节将对这三种场景进行介绍。(1)近地面立体覆盖增强 随着无人驾驶航空器(UAV,Unmanned Aerial Vechicle,简称无人机)相关产业的快速发展,其应用领域也逐渐向各个行业扩展,除军事用途外,还
46、包括农业植保、应急通信、气象监测、森林防火等多种用途。在民用领域中,无人机的用途主要包括两个方面:一是用于监测(涉及高清视频回传,比如森林防火、警用执法等),二是用于物流(涉及载货/卸货,比如农业植保等)。一些典型应用中的无人机飞行高度如表 3-1 所示。上述两方面用途中,尤其是实时监测用途,需要大容量无线网络的支撑。表 3-1 无人机高度覆盖需求汇总1 等级 覆盖高度 典型应用 1 10m 农业植保类应用(如农药喷洒)2 50-100m 电力/基站勘探、指挥/救援、航拍娱乐、空中监控、物流运输 3 200-300m 农田信息测绘 4 300-3000m 高空巡检(输油管道等)5G 系统虽然能
47、够提供 Gbps 级的传输速率,以及毫秒级的时延,但其网络部署主要还是针对地面移动网络。虽然大规模天线技术为 5G 系统在垂直空间增加了一定的自由度,可以解决高楼场景的覆盖问题,但由于垂直维度的射频通道数目一般较少,垂直维度的空间自由度要小于水平维度。相应的,垂直维度的空间分辨率要低于水平维度。另外,5G 基站在施工部署的时候一般会对天线面板进行一定的机械下倾,以更好的控制基站的覆盖范围,避免跨区干扰,如图 3-2 所示。此时,在基站正上方的一定空间内,由于无法产生相应的波束覆盖,这些区域的信号强度会比较弱。因此,当飞行高度较高的无人机飞过这些区域的时候,可能会产生连接中断或是视频回传的中断,
48、从而导致性能下降或产生一些安全隐患。因此,对于超大规模天线系统,需要对立体空间的覆盖进行进一步增强,考虑在不同飞行高度下的飞行器的覆盖需求以及上行速率需求。为满足无人机的覆盖要求,最主要的是增强垂直维度的覆盖效果。一种方案是直接增加指向空中的天线,另一种是增加超大规模天线在垂直维度的数量,即通过多个窄波束取代原有的宽波束,增加整体的垂直覆盖能力。14 基站塔顶弱覆盖区 图 3-2 基站塔顶弱覆盖区示意图(2)高空立体覆盖增强 空中互联网(IFC,In-Flight Connectivity)蕴含着巨大的商业价值,它不仅能为客机上的旅客带来上网的便利,帮助航空公司改善运营服务水平,还有利于增强飞
49、机的安全性、便利性。据英国的 Valour Consultancy 预测,未来 10 年,IFC 设备制造商和服务供应商将获得数十亿美元的额外收入。目前,主要有两种方式可以实现客机的空中互联,一种是通过卫星通信技术,以卫星作为中继,进行相应信息的接收和转发。其优势主要在于覆盖区域广,可实现全球覆盖;劣势在于配套设备及飞机改造成本较高、单机带宽窄。另一种是通过空地通信技术(ATG,Air To Ground),利用地面基站为空中客机提供网络服务。其优势主要在于成本低、单机享有的带宽较大;劣势在于需要地面布网,无法实现跨洋覆盖。综上来看,空中互联网的组网很可能是结合卫星通信和空地通信两种技术方案,
50、取长补短,共同实现整体空域的覆盖。超大规模天线技术可以作为空地通信的一种技术实现手段,作为陆地上空客机的网络容量补充。(3)高空基站对水平维度的覆盖增强 高空基站对于应急通信等特殊场景意义重大,如高空无人机基站飞行到 200 米高空时即可覆盖 6.5 千米的地面区域,可以为抗震救灾等工作提供更加优质的应急通信方案,在地面通信设备遭到严重破坏的情况下,可以发挥重大作用。目前业界对于高空基站的研究也已经从多个维度展开。如在频谱方面,WRC-19 大会通过了一项 WRC-23 新议题 1.4,考虑在全球或区域范围内,在已为 IMT 确定的 2.7 GHz 以下的某些频段内的移动业务中,将 HAPS
51、用作高空基站,并开展高空基站与其他主要业务之间的兼容性研究。15 目前大多高空基站是通过系留无人机实现,如图 3-3 所示。此外也有集成太阳能电池模块的无人机基站,以无线的方式实现自我供电。总体来说,相比于普通地面基站,高空基站由于需要长时间浮空,在功率、重量方面都比较受限。图 3-3 系留无人机实现高空基站 由于高空基站覆盖范围广,服务用户多,小区级的吞吐量较大,引入大规模或超大规模天线可以很好的满足通信需求,但是由于高空基站功率和重量的限制,引入任何增强技术时,都需要重点考虑系统复杂度和功耗的问题。对于针对高空基站引入超大规模天线技术,如何降低系统的复杂度和功耗是未来的研究重点方向。立体覆
52、盖天线阵列结构立体覆盖天线阵列结构 大规模天线阵列、超大规模天线阵列在考虑天线总体尺寸受限、带宽需求增加的情况下,其工作频段可能会主要在毫米波、太赫兹频段。28GHz 毫米波大规模天线阵列的一个实现中,整个阵面包含 768 个双线极化单元,并划分为 4 个子阵。每个子阵对应一条射频通道,由水平 16 个 1 驱 1 单元和垂直 6 个 1 驱 2 单元组成。图 3-4 给出了一条射频通道的架构。该阵列系统在垂直面上的覆盖范围为15。5G 系统在城区场景中的站间距(ISD,Inter-Site Distance)平均为 300m,那么在垂直面上的覆盖范围在百米以内,基本上可以满足高楼覆盖场景的要
53、求。但是,在前述的 6G 通信系统的应用场景中,基站波束还需要连接无人机等高空飞行物体。无人机的飞行高度在几十到几百米量级上,因此现有的毫米波大规模阵列在垂直维度上的覆盖能力不足。另外,在更高的频段上,考虑到路径上更强的物体遮挡损耗和吸收损耗,未来的站间距会进一步减小到 100m 左右,这时超大规模天线阵列需要在垂直维度上具有更高的扫描能力,即辐射波束需要在垂直面上具有更大的扫描范围。例如,若要在垂直高度上覆盖距离达到 200m,阵列的垂直面扫描范围需要超过40。前面的例子中毫米波大规模天线阵列系统采用的是基于移相网络的混合子阵架构,16 子阵在垂直维度上划分,每个子阵所包含的单元数为 2。基
54、于移相网络的混合子阵架构的一般化模型如图 3-5 所示。图 3-4 28GHz毫米波大规模阵列一条射频通道的架构 图 3-5 基于移相网络的混合子阵架构一般化模型 图 3-6 给出了 28GHz 毫米波大规模阵列辐射波束在垂直面上扫描时的垂直面方向图。从扫描方向图结果中,我们可以发现在当扫描到 15 时,在非主瓣方向出现了功率较高的副瓣,旁瓣抑制比大于-10dB。在这种情况下,该旁瓣会成为干扰瓣,增加波束之间的干扰,降低通信容量。同时,当扫描角度越大,干扰瓣的功率越大。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基带处理单元数据流NRF射频链路射频链路功放功
55、放功放NN/Nsub 17 图 3-6 Nsub=2时图 3-5所示阵列在垂直面上扫描的方向图 当改变垂直子阵划分方法时,从图 3-7 的结果中可以得出两个结论。结论一为只有在垂直方向上也采用 1 驱 1 的非子阵架构,才能使得阵列在垂直面上扫描角大于 40 时仍然不出现干扰瓣。结论二为阵列在垂直方向上划分子阵时,子阵所包含的天线单元数越多,出现干扰瓣对应的垂直方向扫描角越小。例如当 Nsub=3 时,不出现干扰瓣的垂直方向扫描范围仅为10。另外,如图 3-7(b)所示,在子阵在垂直方向上包含 3 个单元的情况下,当阵列在垂直方向上的扫描角大于 20 时,在非目标方向的干扰瓣的功率不小于主瓣功
56、率。图 3-7 图 3-5所示阵列在垂直面上扫描时的垂直面方向图(a)N=192,Nsub=1;(b)N=192,Nsub=3 综上所示,现有架构无法满足 6G 垂直覆盖需求的原因是阵列在垂直方向上采用了(a)(b)18 子阵架构,使得垂直方向上相邻子阵之间的间隔远大于半波长,在垂直维度上不可避免地出现了功率较高的干扰瓣。本节给出几种垂直干扰瓣问题的潜在解决方案。3.1.2.1 低功耗非子阵超大规模天线阵列架构低功耗非子阵超大规模天线阵列架构 6G 系统的速率预计会是 5G 系统的 10100 倍。根据香农定理,在流数和带宽不变的情况下,通过扩大天线规模一方面可以提高阵列增益获得更高的系统 E
57、IRP,另一方面还可以减少波束宽度来降低干扰,从而增加通信速率。若天线规模增大到现有的 16 倍,辐射波束的 3dB 宽度约为 1.5,是现有阵列波束宽度的 1/4。因此,在下面的分析中超大规模天线阵列的大小我们选择为 N=3072,NRF=4。图 3-8 所示的三种架构均是非子阵架构,在垂直、水平大范围扫描的过程中均不会出现干扰瓣问题。但是随着天线阵列规模的进一步增大,不同架构的功耗问题也是需要考虑在内的因素。文献23分别给出了毫米波射频部件功耗参考值和不同架构的简单功耗模型。毫米波射频部件功耗参考值如表 3-2 所示。表 3-2 毫米波射频部件功耗参考值 名称 符号 典型值(:mW)功放
58、PA 20 射频链路 PRF 250 功分器 PSP 10 合路器 PCO 10 移相器 PPS 30 开关 PCO 5 19 图 3-8(a)全数字架构;(b)基于移相网络的混合全连接架构;(c)基于开关网络的混合全连接架构 图 3-8(a)、图 3-8(b)、图 3-8(c)所示架构的简单功耗模型分别如下式所示。Pd=NPA+NPRF PP=NPA+NRFNPPS+NRFPSP+NPCO+NRFPRF Ps=NPA+NRFNPSW+NRFPSP+NPCO+NRFPRF 其中 Pd表示全数字架构功耗、PP表示基于移相网络混合全连接架构功耗、Ps表示基于开关网络混合全连接架构功耗。图 3-9
59、不同架构功耗随天线数目变化曲线(b)基带处理单元数据流NRF射频链路射频链路功放功放功放N透透镜镜基带处理单元数据流NRF射频链路射频链路射频链路功放功放功放N基带处理单元数据流NRF射频链路射频链路功放功放功放N(a)(c)20 基于上述功耗模型,图 3-9 给出了不同架构功耗随天线数目增加的变化情况。从图中可以看出,基于开关网络混合全连接架构的功耗是三种架构中最低的。当天线数目增加到 3072 时,全数字架构的功耗为 829.4W,基于移相网络的混合全连接架构的功耗为461.8W,而基于开关网络的混合全连接架构的功耗仅为 154.6W。另外,基于移相网络的混合子阵架构的功耗模型为 PP=N
60、PA+NRFN/NsubPPS+NRFPSP+N/NsubPCO+NRFPRF,垂直方向不同子阵划分情况的功耗和基于开关网络的混合全连接架构功耗的比较如图 3-10 所示。图 3-10 的结果显示,当子阵所包含的天线单元数目小于 3 时,基于开关网络的混合全连接架构的功耗小于基于移相网络的混合子阵架构的功耗;当子阵包含 3 个天线单元时,两者的功耗可比拟;当子阵包含天线单元数目大于 3 时,基于移相网络的混合子阵架构的功耗小于基于开关网络的混合全连接架构。图 3-10 垂直方向不同子阵划分情况的功耗和基于开关网络的混合全连接架构功耗的比较 因此,在考虑功耗的情况下,为满足 6G 垂直覆盖的需求
61、,基于开关网络的混合全连接架构是 6G 毫米波超大规模阵列候选架构之一。3.1.2.2 小型化天线单元去耦阵列小型化天线单元去耦阵列 正如前文所提及,子阵架构在垂直方向上扫描到较大角度时会出现栅瓣的原因在于相邻子阵之间的间距远大于半波长。因此减小单元天线的电尺寸也是解决栅瓣问题的一种潜在途径。如图 3-11 所示的 20GHz 毫米波天线单元在叠加用超材料构成的电抗性阻抗表面的情况下,天线总体尺寸可以降低到 L=0.31。这种天线单元可以在子阵单元数不超过 2 的情况下使得对应的超大规模天线阵列辐射波束在垂直维度上扫描范围扩大到30。进一步缩小天线的尺寸,可以进一步扩大对应阵列在垂直维度上的扫
62、描范围。21 图 3-11 (a)毫米波小型化天线;(b)天线性能 但是小尺寸天线在组阵的情况下会存在单元间耦合严重、增益损耗、波束赋形能力急剧下降的问题,如图 3-12 所示。图 3-12 不同相邻小型化天线单元间距对阵列增益的影响 因此用天线小型化方案来解决毫米波超大规模阵列子阵架构垂直方向扫描范围受限的问题,未来还需要研究紧耦合阵列去耦技术。高速以及超高速移动覆盖高速以及超高速移动覆盖 伴随全球经济发展,高铁将进入新一轮基建浪潮。高速铁路不仅对于地区经济能起到重要的拉动作用,同时还能促进地区之间的交往和平衡发展,具有重要的实际意义与巨大的市场价值。因此,高速铁路的通信保障也越发的重要起来
63、,高速铁路(HST,High Speed Train)也逐渐成为重要的移动通信应用场景。辐射贴片层电抗性阻抗表面LL(a)(b)D=0.31D=0.66 22 在 HST 场景下,基站通常沿铁路连续部署,典型的基站部署架构如图 3-13 所示。不同于传统的宏蜂窝覆盖场景,高速及超高速移动场景,有着以下通信特点:用户分布密集、业务多样:HST 场景下,用户均匀分布在列车内部,且用户密度较大。用户的业务需求多样化,包括语音、高清视频、游戏娱乐等多种业务,不同业务对网络速率、时延的要求也不尽相同。穿透损耗较高:高速列车密闭性较好,无线信号的收发都需要穿透车体,从而产生一定程度的能量损失,这为 HST
64、 的无线覆盖带来了一定的挑战。多普勒效应显著:HST 的时速一般可达数百公里,因此在通信中会产生显著的多普勒频偏,引起更为严重的载波间干扰以及用户间干扰,同时会导致信道发生快速变化,从而使得 HST 通信系统的性能严重下降。移动轨迹固定,视距环境为主:HST 场景的一个典型特点就是具有固定的移动轨迹,列车只能在铺设的铁轨上行驶。一般来说,HST 场景周边较为开阔,基站一般沿铁路连续部署。因此,用户与基站之间以视距(LoS,Line of Sight)通信为主。小区切换频繁、快速:由于 HST 的速度非常快,以面向 NR 的 HST 场景为例,列车时速大于 500km/h,即每秒可行驶 140m
65、 左右,在每个基站的驻留时间非常短。小区间频繁、快速的切换为 HST 场景的连续覆盖以及无线链路的稳定性带来了挑战。图 3-13 HST场景基站部署示意图 从上述通信特点可以看出,HST 场景与传统的蜂窝场景有较大的差异,因此 HST 场景下的通信系统架构也有所不同。结合国际发展情况来看,全球移动通信铁路系统(GSM-R,Global System for Mobile Communication Rail-Way)是目前使用比较广泛的高速铁路通信系统。但是从系统运行效果来看,GSM-R 主要用于低速率列车通信和控制,比如列车调度与监控管理等,仅能承载流量要求较小的专用列控数据,难以满足旅客的
66、通信需求。为了更好的改善铁路通信条件,迎合高铁旅客日益增长的个人通信速率需求,长期演进铁路系统(LTE-R,Long-Term Evolution Railway)逐渐发展起来,旨在为旅客提供大带宽 23 的通信服务。然而,随着新兴数据业务的发展,LTE-R 也难以为高速列车上的每个用户提供满意的宽带无线接入。目前,移动通信已步入 5G 时代,HST 被列为 5G 通信网络的重要使用场景之一,该场景面向 500km/h 的列车时速,以及 10Gbps 级的大带宽连接,致力于为用户提供连续、稳定、大容量的通信保证。为了实现面向 5G HST 场景的性能指标,国内外学者以及 3GPP 国际标准化组
67、织提出将 NR 毫米波频段应用于 HST 场景4-9。一方面,可以充分利用毫米波频段丰富的频谱资源,提升系统容量;另一方面,由于毫米波的波长很短,天线尺寸可以做到毫米级,非常适合超大规模天线的部署,从而可以形成高增益与高指向性的窄波束以追踪高速移动列车,改善信号质量并进一步提升系统容量。另外,高速列车的路线已知、位置可测等特点也有利于 HST 场景的动态波束追踪。尽管毫米波加超大规模天线的技术组合可能可以实现 HST 场景的性能设计指标,但是结合 HST 场景的通信特点来看,仍存在着一系列的挑战,主要表现在以下几个方面:路损、穿透损耗更加突出:由于毫米波的路损、穿透损耗比低频段更加显著,毫米波
68、频段下尤其需要其他的补充技术手段来弥补这部分损耗。另一方面,如果毫米波基站直接与列车内的用户通信,电磁波必须穿透列车外壳,造成额外的链路开销。因此,HST 场景下的传输链路可能需要依赖于中继通信。多普勒频移更加显著:考虑 500km/h 的列车时速以及 30GHz 的系统频段,HST 场景下的多普勒频移可达到数十千赫兹,是 LTE-R 系统的 20 多倍10,显著加剧了载波间干扰以及用户间干扰。因此,多普勒频偏估计及补偿技术对于毫米波 HST 场景尤为重要。切换问题更加严重:对于毫米波系统,在相同功率约束下的有效覆盖距离通常要小于低频。如果沿铁路布设毫米波基站,平均站间距可能仅有百米,这将造成
69、更频繁的小区切换。为了克服上述挑战,国内外学者就 HST 场景下的超大规模天线技术、毫米波技术展开了广泛的研究。针对路损、穿透损耗问题,文献7研究了毫米波 HST 场景下的高速率传输的多路接入技术、帧结构以及列车轨旁网络体系结构。在该文献提出的网络架构中,通过密集部署分布式地面远程无线射频单元(GRRH,Ground Remote Radio Head)以保证铁路沿线的覆盖,每个 GRRH 都可以是一个天线阵列,负责射频信号的传输。地面基带单元(GBBU,Ground Baseband Unit)池通过前传网络与 GRRH 进行连接,负责集中的信号处理和网络优化。另一方面,为了获得空间分集增益
70、,需要在列车顶部部署分布式的中继站,作为基站与用户之间的中继设备。通过这种网络架构,可以避免列车外壳穿透损耗影响,有效的提升信号覆盖性能与系统容量。针对多普勒频移问题,文献5基于高速铁路环境中列车位置与移动路线可预测的特点,提出了一种联合环境地图与导频分段的多普勒频偏估计方法。通过将环境地图与分段导频方法进行联合,并利用最大后验概率方法获得多普勒频偏,满足了毫米波 HSR 场景下多普勒频偏估计范围与精度要求。针对小区频繁切换问题,文献11提出了一种去蜂窝的大规模天线技术,在去蜂窝网络架 24 构下,“小区”的概念不复存在,因此,小区频繁切换的问题有望得到解决。另外,相关研究表明,去蜂窝超大规模
71、天线技术可以有效对抗移动性带来的性能损失。对于高速及超高速移动场景,为实现用户的高品质移动互联网接入,超大规模天线技术将发挥重要的作用。通过集中式部署的超大规模天线阵列,结合波束赋形技术,可以显著提升信号质量与系统容量。通过分布式的超大规模天线部署,可以有效的提升覆盖性能,提高信息传输速率。空间精确定位与感知空间精确定位与感知 近年来,随着行人导航、智能交通等一系列基于位置的服务蓬勃发展,用户位置信息的获取与感知变得愈发重要。对于正逐步投入使用的 5G 网络和未来的 6G 网络而言,高精度定位将是一项不可或缺的使能技术。在城市复杂环境中,GNSS 定位系统的信号易受建筑物的遮挡,定位性能无法满
72、足实际应用需求。超大规模天线技术具备较强的空间感知能力,其在 5G/6G 网络中的应用,将为城市环境中定位技术的研究带来新的机遇。1.城市复杂环境城市复杂环境 城市环境中,建筑物的高度相对较高且排列紧密,对 GNSS 卫星信号与地面蜂窝信号都有很强的遮挡作用,能够被地面或低空的用户设备用于定位的卫星、基站的数目较少。其次,无线信号易在建筑物表面发生反射和衍射,从而造成信号的非视距(NLoS)传播和多径传播,严重影响信号到达时间(ToA,Time of Arrival)和角度(AoA,Angle of Arrival)的测量精度。此外,由于人体、车辆等环境物体所具有的动态性,密集城市中无线信号的
73、传播环境很不稳定。已有研究指出,在城市复杂环境中,任意单一定位技术在精度、可用性和连续性等方面无法有效满足实际应用的需求。因此,综合利用多种系统的定位能力为用户提供位置服务的融合定位技术将是未来城市环境定位技术的主流发展趋势。2.GNSS 系统在城市复杂环境中的性能缺陷系统在城市复杂环境中的性能缺陷 如前所述,城市环境中的建筑物对 GNSS 卫星信号有较强的遮挡与反射作用,使得用户可用的卫星数目较少且接收信号中多径、非视距传播现象显著,严重影响 GNSS 系统的定位性能。下文以城市峡谷、城市路口这两个典型场景为例,详细介绍 GNSS 系统在城市复杂环境中的性能缺陷与面临的挑战。1)城市峡谷场景
74、 如图 3-14 所示,在城市峡谷场景中,用户(行人、车辆)位于道路中,高层建筑物沿道路两侧分布。由于受到建筑物的遮挡,用户无法正常接收和使用跨街方向上的卫星发射的导航信号(红色虚线),仅能使用沿街方向上的卫星(绿色实线)对自身进行定位。如此一来,定位卫星的几何分布非常恶劣,导致定位结果中跨街方向上的定位精度极低,完全无法区分街道两侧,甚至会出现定位到其它道路上的极端情况。25 定位误差范围卫星用户 图 3-14 城市峡谷GNSS定位场景 此外,在较为空旷的环境中,导航信号的多径、非视距传播可以利用冗余测量通过一致性检测等方法进行识别与排除。然而在城市峡谷场景中,由于 GNSS 卫星的可见性有
75、限,用户设备无法获取数量足够多的卫星进行完好性评估与监测,因此信号的多径、非视距传播会严重影响 GNSS 系统的定位精度。LoS信号用户真实位置用户估计位置NLoS信号 图 3-15 信号非视距传播对GNSS定位性能的影响 2)城市路口场景 如图 3-16 所示,相比于城市峡谷场景,城市路口场景中 GNSS 卫星的可见性相对较好。然而,此场景中定位卫星的几何分布仍不容乐观,且信号多径、非视距传播现象依旧非常常见。26 定位误差范围正确车道误判车道 图 3-16 城市路口GNSS定位场景 值得注意的一点是,车辆等动态用户设备在城市路口处可能会出现运动方向的快速变化(车辆转向)。因此,与城市峡谷相
76、比,城市路口场景对于位置服务的精度和连续性有着更高的要求。然而,受到不良几何分布和信号非视距传播的影响,GNSS 系统在路口处的定位误差仍然很大,有较大概率误判用户所在的道路以及运动方向。综上,GNSS 定位技术的性能在城市复杂环境中受到卫星可见性、信号非视距传播等多种因素的影响,无法独立地为用户提供满足其应用需求的位置服务。3.超大规模天线的空间定位与感知能力超大规模天线的空间定位与感知能力 超大规模天线是 6G 系统的核心技术,与大规模天线系统相比,其所使用的天线数目可增加 12 个数量级。在通信服务方面,超大规模天线技术能够有效利用空间资源,提高系统的频谱效率与用户容量。值得注意的是,在
77、位置服务方面,超大规模天线系统也具有较强的空间定位与感知能力,且与已有无线定位系统相比,在某些方面存在明显的技术优势。超大规模天线系统在位置服务方面的技术特点具体如下:1)更高的角度/时间分辨率 超大规模天线系统利用波束赋形技术能够产生很窄的信号波束,不仅具备角度信息的获取能力,且与传统 MIMO 系统相比在角度分辨率方面有显著提升。此外,在 6G 网络中,超大规模天线技术还可以与毫米波/太赫兹通信等技术结合使用,利用毫米波/太赫兹信道的大带宽特点,进一步提升系统的时间分辨率。超大规模天线技术带来的角度/时间分辨率提高不仅能够有效改善位置服务的精度,还有助于信号多径/非视距传播的识别与抑制,从
78、而有助于提升城市复杂环境中位置服务的稳健性。2)单基站定位服务能力 27 GNSS多边定位LTE多边定位(a a)(b b)图 3-17(a)传统多边定位模型,(b)超大规模天线定位模型 如图 3-17(a)所示,已有的 GNSS 系统和信号到达时间差定位(OTDoA,Observed Time Difference of Arrival)技术采用多边定位的方式为用户提供位置服务,即利用多个卫星/基站与用户设备进行距离(伪距)测量,并且仅依据距离测量结果对用户位置进行解算。与传统多边定位技术只能进行距离测量相比,超大规模天线系统能够获得信号到达时间(ToA,Time of Arrival)、信
79、号离去角(AoD,Angle of Departure)、信号到达角(AoA,Angle of Arrival)等更为丰富的观测量,且测量精度相对较高。如图 3-17(b)所示,在下行链路中,单个配备超大规模天线的 6G 基站利用两个波束对信号 AoD 和 ToA 参数进行测量,即可实现定位功能。超大规模天线系统的单基站定位功能极大地减轻了位置服务对于可用卫星/基站数目的依赖,有利于在城市峡谷等卫星/基站可见性受限的环境中实现高精度定位。此外,由于只需使用一个基站,位置解算所需的观测量受到信号多径/非视距传播的影响较小。因此,基于超大规模天线的单基站定位技术在城市复杂环境中有更好的环境适应性。
80、3)航向/姿态测量能力 超大规模MIMOxy用户天线阵列AoDAoA方向角 图 3-18 基于超大规模天线系统的航向/姿态测量 28 如图 3-18 所示,对于一些配备小型天线阵列的用户设备(车辆等)而言,超大规模天线系统在为用户提供位置服务的同时,还能够对用户设备的航向/姿态进行实时测量。超大规模天线系统的姿态测量功能对自动驾驶、车辆避撞等基于位置的服务而言至关重要。4)高精度三维定位能力 用户天线阵列方向角 图 3-19 基于超大规模天线系统的三维定位 对于传统 GNSS 系统而言,导航卫星所处高度远高于用户设备,即定位锚节点的高度层分布过于单一,导致定位结果中垂直方向上的定位误差较大。对
81、于行人、车辆等地面用户而言,可以使用数字高程模型(DEM)来确定用户的三维位置。然而,对于以无人机(UAV)为代表的低空用户设备,GNSS 系统较低的垂直定位精度将直接影响它们的正常运行。值得注意的是,超大规模天线系统能够精确测量用户设备相对于基站的方位角与高度角,即具备较强的单基站三维定位能力。利用波束成形等技术,超大规模天线系统能够对低空用户设备的位置和飞行轨迹进行实时估计与跟踪。4.超大规模天线基站超大规模天线基站与与 GNSS 系统的融合系统的融合 如前文所述,超大规模天线系统具备较强的空间定位与感知能力,且与 GNSS 系统等已有无线定位系统相比,在某些方面存在明显的技术优势。然而,
82、GNSS 系统在技术成熟度、系统可靠性等方面仍远优于超大规模天线系统,以车联网(C-V2X)、5G 无人机为代表的一批新型应用也将 GNSS 定位技术视为位置服务的一项关键使能技术。总体而言,上述两类系统在不同场景中的定位性能各有优劣,存在优势互补的潜力。因此,综合利用 GNSS 系统与超大规模天线系统的定位能力的融合定位技术,是在城市复杂环境中实现高精度、高可靠位置服务的首要选择。本文对以下几个具体研究内容进行深入研究与探讨。1)城市复杂环境中的位置服务覆盖 29 图 3-20 超大规模天线+GNSS系统位置服务覆盖 在高架桥下方、隧道内部等城市空间中,GNSS 系统由于卫星信号易受到遮挡,
83、无法实现位置服务的全面覆盖。以车辆为代表的高动态用户设备在运行过程中会频繁地经过这些 GNSS 信号无法覆盖的空间,卫星信号的频繁中断会严重影响位置服务的连续性与可靠性。针对上述情况,超大规模天线系统可以作为 GNSS 系统的替代,为 GNSS 信号中断环境下的用户提供高可靠的位置服务。因此,需要研究如何利用超大规模天线系统和GNSS 系统的协作实现城市室外环境中位置服务的全面、无缝覆盖。2)超大规模天线+GNSS 系统融合定位 超大规模天线系统所具有的高角度分辨率和单基站定位等特点,有助于解决传统GNSS 系统在城市环境中面临的卫星可见性受限、锚节点几何分布不理想等问题。因此,上述两类系统的
84、定位能力进行融合,利用不同系统的特点实现技术间的优势互补,可以提升城市复杂环境中位置服务的精度。如图 3-21 所示,在城市峡谷场景中,用户设备可见的 GNSS 卫星(绿色实线)几乎完全分布于沿街方向上,这一较差的锚节点几何分布导致 GNSS 系统在跨街方向上的定位误差(黄色椭圆)极大。为了解决上述问题,可在道路一侧的建筑顶部设置一个配备超大规模天线的基站,该基站利用波束成形技术产生宽度较窄的信号波束,所发射的信号能够覆盖一段道路。30 GNSS误差范围大规模天线+GNSS误差范围 图 3-21 城市峡谷超大规模天线+GNSS定位场景 首先,由于波束宽度较窄,利用自身所处波束的标识(ID)信息
85、,用户设备就能够有效减少定位误差范围(绿色椭圆),且在一些区域内能够直接提升跨街方向上的定位精度。此外,超大规模天线基站还能够通过多个波束对用户的方位角进行精确测量。利用卡尔曼滤波、粒子滤波等算法对 GNSS 系统获得的伪距测量结果和超大规模天线系统获得的角度测量结果进行融合、解算,可进一步提升位置估计的精度。如图 3-22 所示,在城市路口场景中,用户所处波束的标识信息同样能够降低定位误差范围,并有助于确定用户在路口处选择的行驶方向。此外,超大规模天线系统具有航向/姿态测量能力,能够对车辆等用户设备的航向/姿态信息进行实时测量。根据 GNSS 系统获得的伪距、速度测量结果以及超大规模天线系统
86、获得的角度、航向测量结果,利用粒子滤波等算法可对用户设备的运行轨迹进行精确预测,提升城市路口场景中位置服务的精度与连续性。GNSS误差范围大规模天线+GNSS误差范围 图 3-22 城市路口超大规模天线+GNSS定位场景 3)针对城市低空用户的高精度三维定位 在未来城市环境中,以无人机为代表的低空设备在物流运输、通信服务以及公共安全等方面有着广阔的应用前景。由于城市中高层建筑众多且排列紧密,高精度三维位置 31 服务对于低空用户设备的飞行安全而言至关重要。此外,政府部门对于民用无人航空器的监管需要也对低空用户的定位性能提出了较高的要求。现阶段主要利用 GNSS 定位技术对低空用户设备进行定位,
87、其三维定位精度尤其是垂直精度尚无法满足低空用户安全飞行的需求。垂直定位误差 图 3-23 超大规模天线+GNSS系统高精度三维定位 超大规模天线系统的部署与应用,给上述问题的解决带来了新的机遇。如图 3-23 所示,超大规模天线基站通常部署于地面或建筑物顶部,其所处高度远低于 GNSS 卫星,甚至会略低于低空用户。因此,将超大规模天线系统用于定位能够有效改善定位锚节点的高度分布,有助于 GNSS 系统三维定位精度的提升。此外,超大规模天线系统本身具备较强的三维定位能力,能够对低空用户设备的方位角、高度角等参数进行精确测量。一方面,可以将超大规模天线三维定位视作 GNSS定位的替代技术,在一些
88、GNSS 信号无法覆盖的城市空间中为用户设备提供三维位置服务。另一方面,可以利用卡尔曼滤波、粒子滤波等融合算法对超大规模天线系统和 GNSS系统获得的多种参数测量结果进行融合,综合两种系统的定位能力,进一步提升三维位置服务的精度。32 第四章第四章 关键技术关键技术 信道建模信道建模 信道建模是无线通信系统仿真和性能研究的基础。在 5G通信系统的建模与评估中,终端与基站间的信道建模基于终端天线与基站天线处于互相间的远场的假设进行,接收到的电磁波建模成平面波,且假设处于平稳状态。在超大规模天线系统中,基站天线有可能分布在一个较大的区域,从而形成超大孔径天线阵列。在超大孔径天线阵列下,终端处于天线
89、阵列的近场,此时接收到的电磁波不能近似为平面波,而且具有非平稳特性,现有系统的远场建模方式不再适用。本节将概述多天线系统的经典信道建模方式和 3GPP的大规模天线信道模型,给出超大规模天线系统信道建模的研究建议。信道建模方式概述信道建模方式概述 多天线系统的信道建模方式主要包括:基于几何散射体的统计随机模型、基于几何散射体的确定性模型和基于相关性的统计随机模型。(1)基于几何散射体的统计随机模型 基于几何散射体的统计随机模型是基于空间几何体(散射体)的分布来建模无线信道,通常用于多天线衰落信道的建模。由于散射体的存在,信号在传输过程中会经历多个不同的传播路径,这些传播路径(多径分量)的叠加形成
90、无线信道。散射体的分布决定了多径分量的时延、功率和角度。通过对散射体簇、散射体数目、大小、几何分布等的统计拟合可以获取信道的特征参数,从而实现信道建模。由于在不同环境下散射体的分布不同,基于几何散射体的统计随机建模在不同部署场景下使用不同的统计参数。(2)基于几何散射体的确定性模型 在基于几何散射体的确定性模型中,真实的物理信道是基于准确的信道环境信息进行重建,而非统计信息确定信道参数。在该模型下,无线信道的物理传播参数,如多径分量的幅度、相位、时延等都是完全确定的,通过射线跟踪、信道测量等方式获得。(3)基于相关性的统计随机模型 基于相关性的统计随机模型是通过建模信道矩阵中各元素之间的相关性
91、来建模MIMO 信道。这种信道建模方式精确性较低,复杂度也较低。常用的基于相关性的统计随机模型有独立同分布模型、Kronecker 模型等。不同的应用场景可以考虑不同的信道建模方式。在可以进行精确的信道测量时,使用基于几何散射体的确定性模型可以最为准确地建模信道。在进行多天线系统的理论分析时,可以使用复杂度较低的基于相关性的统计随机模型。在通信系统的标准化中,综合考虑信道建模的准确性和普适性,通常采用基于几何散射体的统计随机模型,如 3GPP的 3D MIMO 信道模型,WINNER II 模型、COST2100 模型等。3GPP 大规模天线的信道建模方法大规模天线的信道建模方法 3GPP 大
92、规模天线的信道建模是一个 3D 信道模型,以 WINNER 模型和 ITU 的 2D 33 信道模型为基础,综合考虑了水平和垂直两个维度的空间信道特性。无线通信系统的信道建模通常包括大尺度衰落和小尺度衰落的建模。在不同的部署场景下,基站和终端的地理位置、天线高度、建筑物的分布、终端的分布等都有所不同,这些因素直接影响信道的大尺度参数。因此,3GPP 针对 Uma、UMi、Indoor office 和 RMa场景分别进行了信道建模。信道的大尺度衰落包括路径损耗、穿透损耗和阴影衰落。在自由空间传播中,路径损耗仅与传输信号的载波频率、传输距离以及收发天线的增益有关。在实际的无线信道环境中,散射体对
93、无线信号的反射、绕射及散射影响着路径损耗、直射径的概率等。因此,不同部署场景下有着不同的路径损耗、直射径概率等的建模方式。小尺度衰落是指无线电信号在短时间或短距离传播后其幅度、相位或多径时延的快速变化。通常是由于多径分量的叠加引起的。小尺度信道建模主要考虑时间色散参数、频率色散参数及空间色散参数的建模。这些参数的建模与天线的极化方向、收发天线的相对位置等有关。色散参数相关的统计特性多通过实测获得。在 3GPP 的信道模型中,均假设电磁波为平面波,并且针对所有的收发天线使用相同的散射体分布和相同的路径角度进行信道建模。针对大规模天线阵列,仅仅考虑了对散射体数量、散射体角度范围和时延范围进行扩展。
94、3GPP 大规模天线信道建模的下行信道参数生成过程如图 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:图 4-1 3GPP 大规模天线信道参数生成过程12 34 超大规模天线系统信道建模超大规模天线系统信道建模 相对于传统的大规模天线系统,超大规模天线系统的天线阵列规模更大。在未来的网络部署中,超大规模天线阵列有可能出现以下形态:(1)天线规模很大,但天线阵列的尺寸与现有系统的阵列相当
96、甚至更小;(2)天线规模很大,天线阵列的尺寸也很大;(3)分布式天线阵列。考虑到天线收发效率,传统的金属天线的尺寸通常与波长成正比(一般为 1/2 波长或 1/4)。因此只有在超高频段,超大规模天线阵列的天线尺寸才有可能很小。以 1THz 频段为例,由于波长只有 0.3 毫米,理论上在几十厘米的距离内可以放置上百根天线。随着天线技术的发展,使用新型材料,相对于金属天线,可以在更小的尺寸内放置更多的天线。文献13给出了一种超材料新型天线,4.9GHz 频段时两根天线在间距 1mm(0.017 波长)时仍能保证良好的天线隔离度和天线性能。文献14给出了一种用于太赫兹频段的石墨烯等离子天线阵列,理论
97、上 1 平方毫米的尺寸上可以放置上千根天线。信道建模需要考虑新型天线设计的影响。传统 MIMO 通信系统中,由于天线数量较少,天线阵列的近场区域范围很小,终端到基站之间的空间距离往往远超过瑞利距离(22/,其中,L 表示天线孔径,表示波长),满足远场传播条件。此时可认为所有收发天线对间的信道经历相同的散射体和路径角度(AOA、AOD、ZOA、ZOD),同一个散射路径到达天线阵列的各天线阵元近似平行,球面波前近似为平面波前。图 4-2(a)给出了一个二维平面信道的平面波前的示意图,从该图可以看出,发射天线与第 k 个接收天线阵元的距离可近似表示为=1+(1)cos,其中,表示发射天线距离第 k
98、个接收天线阵元的距离,表示发射天线距离第 k 个接收天线阵元与第 1 个接收天线阵元的距离差,表示路径与天线阵列的夹角。1k.(a)平面波前示意图 (b)球面波前示意图 图 4-2 电磁波波前示意图 随着天线阵列尺寸的增加,天线阵列的瑞利距离也会增大,终端与基站之间的距离可能不再满足远场条件。此时,到达天线阵列不同阵元的电磁波会呈现出球面波特性。在这种情况下,无法用单一的角度来建模所有天线的路径,即不能使用平面波来近似球面波。图 4-2(b)给出了一个位于近场的终端球面波示意图。可以看出,在进行球面波信道建模时,应当为各个天线阵元独立地建模空间距离、AOA、AOD、ZOA、ZOD 和多普勒频移
99、等。35 对于超大孔径天线阵列来说,多个天线阵元经历的信道将呈现出非平稳特性。文献15针对工作在 2.6GHz,发送端包含 128 个天线单元的虚拟线阵进行了信道的测量。其测量结果显示,以包含 10 个天线阵元的滑动窗内进行窗滑动时,滑动窗在不同位置时测量到的信道增益、快衰系数、角度功率谱等都会产生较大差异。这表明,对于大孔径天线阵列,平稳信道建模将不再合适,应考虑非平稳的信道建模方式。虽然当采用球面波对超大规模天线系统进行信道建模时,通过对不同的天线收发对分别建模路损、角度参数、多普勒频移等可以更精确地进行信道建模,但由于天线规模巨大,信道的建模也将变得非常复杂。超大规模天线系统的信道建模需
100、要考虑一些简化的方式,例如,基于终端与基站的相对位置简化部分天线的信道建模等。综合以上分析,超大规模天线系统的信道建模研究可考虑如下方向:(1)针对远场场景和近场场景考虑不同的信道建模方法。(2)对于新型天线,基于新型天线的电磁波传播特性、天线形态对信道进行建模。(3)对于近场信道建模,使用更为精确的信道建模方式代替平面波信道建模。例如,进行球面波建模。如果进行球面波信道建模,需要考虑复杂度与精确性的折中。(4)对于近场信道建模,可以考虑针对不同的天线阵元差异化建模散射体,以建模信道的非平稳特性。例如,信道环境中的一些散射体只对部分天线阵元可见、在建模终端在系统中的移动时增加散射体的生灭过程(
101、即随着终端的移动,部分原本不可见的散射体变得可见,部分原本可见的散射体不再可见)等。波束管理波束管理 背景介绍背景介绍 高增益天线是实现高频通信的必要技术之一,通过高增益天线弥补高频信道带来的大传输损耗,这不仅要求基站采用高增益天线,终端也可能需要定向天线/波束。如何保持基站与终端之间的波束是对准的,特别是在用户移动或者周围环境发生变化的情况下快速对准波束是技术上的难点。gNB1234UL/DL beam#TRP panel 1 4UE(1 active panel for UL/DL transmission)UL/DL beam#UE panel-1 图 4-3 波束管理示意图 36 高频
102、信道的特征对波束跟踪策略有着重要的影响:1)信道在空域上表现为反射损耗大,关键路径有限,信道在空间上呈现稀疏性。因此如何利用空间稀疏性来加速波束跟踪是重要研究方向;2)高频带宽大,信道在时间上的分辨率可以达到纳秒级;3)角度域在时间上呈现连续变化,部分呈现角度跳跃。这对应于终端移动、翻转等情况。如何设计波束来有效跟踪角度变化是关键。目前波束成形主要分为两类:1)基于预编码技术的波束,这是比较实用的方法,特别是在超大规模模拟阵列天线下,能够快速有效地成形波束;2)自适应波束成形技术。前者是预先定义好要发送的波束或者预编码,后者是根据信道自适应生成波束,或者联合信道估计与波束成形技术。利用信道在空
103、域上的稀疏特征,采用感知压缩技术,能够有效降低波束的个数(远小于天线单元数),使得波束训练开销大大降低。例如 256 根天线阵列下,可以在损失 2-3dB 的条件下,把训练开销降低 75%,只有传统波束训练过程开销的 1/4。另外采用类似两层或者多层的波束成形和跟踪方法,也能有效提升高频性能。基于预编码(固定多波束)的方法在实现方面更具备优势。考虑未来的高低频组网,也有单位提出先利用低频段初步搜索波束方向,达到粗对准,高频基站终端再利用粗对准信息优化波束和跟踪。在高速移动场景下,基站和用户之间需要实现快速的波束管理操作,涉及高效的波束报告、低延迟的波束指示等。以高速列车为例,需要研究新型的通信
104、架构,例如以高速列车为中继节点的传输模式,将传统意义上的基站与用户之间的波束管理,转变成基站与高速列车节点和高速列车节点与 UE 之间的波束管理。考虑移动轨迹的可预测的特性,可以运用 AI 技术到波束管理中,对于一段时间内的波束切换图谱进行预测和事先配置。波束波束训练训练和和波束追踪策略波束追踪策略 在给定波束码本的情况下,波束成形(也称为波束训练)的目标就是要为随后数据传输分辨出最优的收发波束组合;而波束追踪的目标就是在设备角度旋转或位置移动下确保所选波束的半功率衰减波瓣覆盖最优发送和接收方向,即维护波束对准。最优波束组合的判定准则主要包括最大化信道容量和最大化接收端 SNR 两种,而这两种
105、判定准则都需要获得备选波束组合的信道估计结果。波束训练的直观策略就是穷举搜索,即测量所有备选波束组合下的信道质量并且找到最优波束组合。然而,穷举搜索策略需要高昂的训练花销,因此有很多文献研究低训练花 销的 波 束训 练方 案,例如 5G-NR/IEEE 802.15.3c 多 层反 馈波 束训 练方 案、IEEE802.11ad 单层反馈波束训练方案等。需要说明,在训练的过程中,相对于最优方向的备选波束的偏离角的变化范围可能会从 0 度变化到 180 度,因而系统可能会多次经历波束对准和未对准这两类情况。基站必须使用多个不同指向的波束才能完全覆盖小区。如图 4-4 所示,基站使用了8 个波束覆
106、盖其服务的小区。在下行过程中,基站依次使用不同指向的波束发射无线信号,该过程被称作波束扫描(Beam sweeping);与此同时,用户测量不同波束发射出的无 37 线信号(Beam measurement),并向基站报告相关信息(Beam reporting);基站根据用户报告确定对准该用户的最佳发射波束(Beam determination)。更为复杂的是,用户也有天线阵列。这意味着,我们在波束对准的过程中既要考虑发射波束,也要考虑接收波束。为此,5G 标准允许用户对发射波束变换不同的接收波束,并从中选择最佳接收波束,由此产生一对最佳发射接收波束。在图 4-4 中,用户 1 和 2 所对应
107、的最佳波束对分别为(t4,r3)和(t6,r2)。图 4-4 多用户场景下的波束管理 在实际情况下,为了保证最终得到足够的信号增益,超大规模天线阵列所产生的波束通常需要变得很窄。付出的代价是,基站需要使用大量的窄波束才能保证小区内任意方向上的用户都能得到有效覆盖。在此情况下,遍历扫描全部窄波束来寻找最佳发射波束的策略显得费时费力,与所期望的用户体验不符。为快速对准波束,一般采用分级扫描的策略,即由宽到窄扫描。图 4-5 基于分级的波束扫描策略 第一阶段为粗扫描,基站使用少量的宽波束覆盖整个小区,并依次扫描各宽波束对准的方向。如图 4-5 所示,基站在此阶段使用了宽波束 tA 和 tB,且只为用
108、户对准宽波束,对准方向精度不高,所建立的无线通信连接质量亦比较有限,一般只用于连接的建立,传输必要的控制信息,和完成一些基本的测量。第二阶段为细扫描,基站利用多个窄波束逐一扫描已在第一阶段中被宽波束覆盖的方向。对单个用户而言,尽管此时的扫描波束变窄,但所需扫描的范围却已缩小,扫描 38 次数便相应减少。如图 4-5 所示,在第一阶段宽波束对准的基础上,基站只需继续细化扫描与各用户有关的 4 个窄波束,比如为用户 1 扫描波束 t1-t4,为用户 2 扫描波束 t5-t8。此时,基站改善了对准每个用户的波束方向的精度,所建立的无线通信连接质量得到提高。因此,在图示的两级波束管理过程中,基站只需为
109、每位用户扫描 6 次,而无需对全部 8 个窄波束都进行扫描。获得窄波束后可以用于高速的数据传输。相应地,波束追踪的常用策略就是对于相邻波束组合的扫描搜索。例如,在 16 天线单元的高频通信系统中,定向波束的半功率衰减波瓣宽度(HPBW,Half-Power Beam Width)3dB大约为 22.5 度,而由人体肘关节和手腕驱动下的设备旋转可以导致高频段收发机在很短的时间内发生波束未对准。一旦接收信号功率低于预先设定的门限后,系统需要通过相邻波束扫描的方法来追踪新的最优波束组合。在这种情况下,波束追踪的备选波束的偏离角可能会大于3dB/2,即出现波束未对准。手持设备的移动特性,是区别于一般固
110、定设备的主要特征。具体而言,手持设备的移动是由设备位移和设备旋转两种运动形式构成。如果目的设备距离源设备 1m,2m/s 的步行速度所带来的设备位移在最恶劣的情况下每 196.3ms 就会发生 22.5 度旋转。与设备位移相比,设备旋转带来的天线角度的旋转会更为明显。通过智能手机中内嵌的加速度传感器和陀螺仪传感器的测试,文献16给出了各种常见场景下手持设备的旋转速度,如表 4-1 所示。在极限情况下,手持设备在28.1ms 内就会发生 22.5 度旋转。而在常见的阅读和浏览网页时,每 62.5 至 375ms 的时间内就会发生一次 22.5 角度旋转。表 4-1 手持设备的旋转测量 活动活动
111、旋转速度旋转速度(revolutions per minute,rpm)每每 100ms 内角度内角度旋转旋转 阅读,浏览网页(屏幕方向未旋转)10-18 6-11 阅读,浏览网页(屏幕方向旋转,从水平显示切换到竖直显示,或相反)50-68 30-36 玩游戏 120-133 72-80 由此可见,当设备位移和旋转同时发生时,仅需要百毫秒左右的时间,高频段接收信号就会发生 3dB 功率衰减,数据传输定向波束不再对准。若不进行定向链路维护,高频段系统需要不断执行波束训练。为了便于理解,本节描述了一次波束训练与追踪的执行过程。图 4-6 显示了一对互联站点(即 STA-a 和 STA-b,其 HP
112、BW 分别为3dB和3dB)之间数据定向传输的场景。假定,在 0 时刻下,站点 STA-a 和 STA-b 之间发起定向链路传输,(0)和(0)分别 39 表示最小路径损耗的物理路径方向。此时,站点 STA-a 和 STA-b 需要进行波束训练。如果使用穷举搜索的训练策略,两站点需要扫描所有可控的波束组合,测量相应的信道质量,最后选择出最优波束组合用于随后的数据传输。假设通过波束训练,系统成功的从所有可控波束组合中选择 STA-a 的波束 a2和 STA-b 的波束 b2来形成一条定向链路。但是,由于不可预期的旋转或者位移,在 n 时刻最优收发方向分别旋转到了()和(),并且超出了波束 a2和
113、 b2的有效覆盖范围。若接收信号衰减超过预设门限,系统将启动波束追踪。根据高频段信道的空时一致性和上一时刻的先验信息,上一时刻的数据传输波束 a2和 b2以及他们的相邻波束,即波束 a1、a3、b1和 b3构成新的备选波束集合。系统通过扫描这些波束组合和测量相应的信道质量,进而选择出新的最优的波束组合(a3,b3)用于执行后续的数据传输。3a1a3a2aSTA-aa(0)fa()f n2a1a3b1b3b2bSTA-bb(0)fb()f n2b1b最优方向角度旋转 可选波束b-3dBqa-3dBq有效路径 图 4-6 站点STA波束训练与追踪场景(阴影部分表示波束a1的半功率衰减波瓣)为了获得
114、显著的天线增益以对抗路径损耗,高频段无线信号采用波束赋形技术来实现高度方向性传输,物理多径的分集效应被大幅度限制。当终端或其它物体发生移动时,一旦物理传播链路被遮挡,通信链路将会直接面临中断。为了解决这种问题,系统通过维护多个独立的波束可以实现吞吐量或链路鲁棒性的提升。高速移动场景下波束管理高速移动场景下波束管理 本节考虑毫米波/太赫兹通信基站与高速运行的高铁进行通信的场景,如图 4-7 所示。通过提前获知高铁运行的轨迹和时段,路边基站的波束提前照射在列车可能出现的位置,由此进行快速的波束赋形,而列车车厢间的固定天线的波束赋形则采用传统的遍历式波束赋形。因为收发天线均是固定的,在收发天线完成了
115、一次波束赋形后,可在此基础上进行持续的进行数据传输,无须进行波束搜索,只有当信道质量变差时再进行新的波束搜索。40 图 4-7 高速移动场景下的波束管理 此外,在高速移动场景下,波束管理需要有效的解决快速波束上报和波束指示的问题。在高铁等场景下,用户的移动轨迹相对稳定,因此可以考虑波束管理结合 AI 的框架来进行移动轨迹的预测和时域波束变化图谱的事先指示等。信道预测的思想,可以减小反馈开销,应对高速移动的场景。其关键思想是通过一阶马尔可夫过程对相邻时隙中的时变信道进行建模,然后可以利用经典卡尔曼滤波器来跟踪时变信道。但这类方案不能直接扩展到太赫兹频段超大规模天线系统,因为具有特殊稀疏结构的太赫
116、兹波束空间信道不能用一阶马尔可夫过程建模。基于一些假设可以对移动性建模,比如短时间内为线性的移动,可以根据前几个时刻的位置信息来预测下一个时刻的位置,如图 4-8 所述。由于高速移动场景下,例如高铁与基站之间,物理信道通常以 LOS 信道为主,位置可以采用分布式的基站加多个站点波束的训练结果来确定。该方法可以一定程度减小波束管理的开销,同时提升在数据传输阶段对于波束的实时调整速度。图 4-8 移动场景下的用户位置建模 41 波束管理与太赫兹通信波束管理与太赫兹通信 太赫兹(THz,Terahertz)波是指频率在 0.1THz-10THz(波长在 0.03 mm-3mm)之间的电磁波。太赫兹波
117、正好位于电磁辐射的毫米波波段的高频边缘和低频率的远红外光谱带边缘之间的过渡频带,它的长波段与亚毫米波重合,短波段与红外线光波重合,因此该波段兼顾电子学和光学的特点,可有效弥补微波通信和光波通信的不足。近年来的一系列研究表明,太赫兹频率存在着巨大的开发潜力和应用价值。它可以广泛地应用于爆炸物检测、药品检测、成像、雷达和无线宽带通信。在典型的太赫兹应用系统中,主要包括 3 个部分:太赫兹波源、太赫兹传输以及辐射、太赫兹探测。随着太赫兹技术的不断发展,太赫兹天线技术也会进一步得到发展。文献17提出了利用角度功率谱的相关性对太赫兹信号到达角进行测量的测量算法,该文献提供的方法是在首先利用超宽带(5GH
118、z-13GHz)对信号源的位置进行初判,然后再利用该位置信息,让天线对准该方向进行监听,以此来快速确定信号到达角。测试平台系统如图 4-9 所示。将信号发射设备和接收设备放置在两个可控制的旋转单元上,使收发设备在水平面上旋转,并让天线主瓣方向扫描的入射角和发射角的尽可能的进行组合,记录传播路径的空间分布。图 4-9 太赫兹信号到达角测量场景 图 4-10 表示了对不同频率进行试验采集到的角度功率谱,角度功率谱的局部最大值是可能的传播路径,也就是图中黄色部分。从图中可以看出采用了超宽带(5GHz-13GHz)角度功率谱局部最大值的角度范围是包含了 300GHz 的角度功率谱的局部最大值的。也就是
119、说,先通过超宽带对到达角的初步判断,然后在该基础上进行 300GHz 的到达角判断是完全可行的。对比图 4-10(a)及 4-10(b),我们可以看出太赫兹和 60GHz 的传播路径的区别。42 之所以 60GHz 的传播路径要比太赫兹的传播路径多,是因为 60GHz 的波束是存在信号强度较强的旁瓣的,旁瓣也能形成传播路径,然而由于太赫兹的高频特性,旁瓣会小很多,无法形成有效的传输路径。这也说明太赫兹的波束训练不能采用 60GHz 分阶段训练的原因:波束窄,要形成有效的传播路径只能进行波束的对准。图 4-10 不同频率进行试验采集到的角度功率谱 考虑空域稀疏特性,可以在太赫兹通信中考虑基于压缩
120、感知方式进行波束训练的方案。简单而言,基站端需要发送多个导频,这些导频并不是 DFT 波束,也不是定向波束,而可能是一些随机的波束,比如采用+1 和-1 的随机伯努利序列生成的波束,如图 4-11所示。导频-0导频-1导频-TX AWV:0tu1tutuRX AWV:0ru1ruru -15 dB -10 dB -5 dB 0 dB5 dB302001800 -15 dB -10 dB -5 dB 0 dB5 dB302001800 -15 dB -10 dB -5 dB 0 dB 5 dB30210602
121、409027001800 -10 dB 0 dB 10 dB302001800 -15 dB -10 dB -5 dB 0 dB 5 dB302001800 -10 dB 0 dB 10 dB302001800 图 4-11 基于压缩感知的波束训练方法 接收端接收也可以采用类似的方法,采用非定向波束。在信噪比足够的情况下,在波束训练阶段使用非定向波束,可以比较快从信道响应中检测所期待的数据传输阶段使用的定向波束组合,可以避免了训练中间阶段的波
122、束对准信息的反馈,从而实现基站和多个 UE 之间的波束组合同步搜索,大幅度降低波束训练花销。43 发射端处理技术发射端处理技术 超大规模天线技术是现有 4G 和 5G 网络中大规模天线技术的扩展和延伸。在超大规模天线阵列系统中,基站侧配置超大规模天线阵列(从几十至上千),利用有效的预编码/波束成形技术,可在同一时频资源上服务多个用户,带来巨大阵列增益和干扰抑制增益。然而,采用全数字链路的基站方案意味着每一个天线阵元都需要一条对应的射频链路(包括数/模转换器,功放,混频器等),从而极大地增加基站的硬件成本和功耗。因此,基于硬件受限条件下的高频段超大规模天线系统设计就成为一个亟待解决的问题。为了降
123、低超大规模天线系统的硬件成本和功耗,很多的技术和设计应运而生:模拟波束成形(ABF,Analog Beamforming)技术只采用一条射频链路与所有天线阵元连接,并且在射频前端加入移相器来实现模拟波束成形,但是这项技术由于移相器的引入会带来额外的恒模约束,增加问题的复杂度,并且由于只有一条射频链路,无法获得阵列的复用增益。天线选择(AS,Antenna Selection)技术用开关网络结构来替代移相器,一定程度上降低了系统的硬件成本,针对不同的用户,采用不同的天线阵元组进行波束聚焦,但是由于降低了有效阵元数目,会带来性能上的损失。混合预编码技术(HP,Hybrid Precoding)将预
124、编码的实现分为两个模块,在基带采用数字预编码方案,而在射频端采用移相器来实现模拟波束赋形方案,从而降低射频链路的数目和能耗。这项技术目前面临的主要问题是移相器带来的额外的硬件成本。近年来有研究提出了基于透镜天线阵列的系统设计,利用透镜天线阵列具有基于信号发射角/到达角的能量聚焦特性,通过在系统设计中使用开关阵列网络来替代移相器,有效地降低系统的硬件成本和能耗。接下来,我们将对预编码算法的基本原理和常见的几种线性全数字预编码算法进行描述,并介绍最新的基于透镜阵列的预编码和波束选择算法,探讨他们在超大规模天线阵列中应用的可能性。全数字预编码基本原理及算法全数字预编码基本原理及算法 在多用户 MIM
125、O 通信场景下,一个配置有多个发射天线的发射端,同时和下行多个用户进行数据的交互,不同用户的数据流之间会相互干扰。在上行链路中,用户之间数据流的干扰可在接收端通过联合检测的方法消除。而在下行链路中,一方面各个用户之间难以协作,单个用户很难预知其他用户的信道状态。另一方面用户终端受体积、功耗和设备成本等因素的限制,终端的处理算法复杂度不能太高。基于这两点,多用户 MIMO系统下行链路数据流间干扰的消除需要在发射端进行,预编码技术则是解决这一问题的重要方法。按照反馈链路是否受限,预编码技术可以分为无限反馈时的预编码技术和有限反馈时的预编码技术。在无限反馈的预编码技术中根据处理方式的线性与否又可以进
126、一步划分为线性预编码与非线性预编码。线性预编码包括基于迫零准则(ZF,Zero Forcing)的预编码,基于最小均方误差准则(MMSE,Minimum Mean Square Error)的预编码,基于最大比发射(MRT,Maximum Ratio Transmitting)的预编码等。基于 ZF 的预编码和基于 MMSE 的预编码相当于将接收端的检测工作转移至了发射端进行,所以又称为线性 44 预均衡。基于 MRT 的预编码是一种简单的根据信道信息对不同数据流分配不同权重的预编码算法,它的好处是可以获得最大的系统信噪比。图 4-12 多用户全数字预编码系统模型图 图 4-12 给出了一个多
127、用户全数字预编码系统的模型框图。其中基站作为发射机,配备了tM个天线阵元,服务于 K 个单天线用户,每个用户在下行链路中都收到基站所发送的数据流。对于全数字的 MIMO 系统而言,基站端最多可以同时支持tM个数据流的发送。假设基站发送的数据流为1KCs,对应的数字预编码矩阵为tMKCW,基站与所有用户之间的信道定义为tK MCH。那么,从基站所发出的信号为:x Ws 而所有用户的接收信号1KCy为:yHxnHWsn 其中1KCn表示接收机处的加性高斯白噪声(AWGN),服从期望为 0,方差为2KI的高斯分布,即2(0,)KCNIn。对于不同的预编码方式,预编码矩阵 W 是不同的。在本小节中,我
128、们将分别介绍前述几种线性预编码算法的推导和特点。ZF 预编码算法原理预编码算法原理 ZF 预编码的处理方式是发射端在信号发射之前对其乘以信道的逆矩阵(如果信道矩阵为方阵)或者伪逆矩阵(如果信道矩阵非方阵),并通过一个功率控制因子对发射信号的总功率进行控制。在经过这样的处理之后,当信号经过传输信道到达接收端时,数据流之间的干扰已经得到了消除。接收端首先通过自动增益控制对信号的功率进行补偿,之后即可进行信号的判决、解调等工作。下面将具体介绍这种预编码方式的处理过程。ZF 预编码矩阵的形式为:1()HHWHHH 45 其中为预编码矩阵的增益控制因子,1()HHHHH为信道矩阵 H 的伪逆。之所以需要
129、一个增益控制因子,是因为 ZF 预编码矩阵不一定是正交矩阵,所以有可能会改变信号的发射功率,而发射端在发射信号时通常对发射功率都是有限制的。所以为了使信号的发射功率保持恒定,满足发射端的功率约束条件,需要增加这样的一个功率控制因子,其值为:信号到达接收端后,接收端通过自动增益控制对该值进行补偿,此时接收信号的表达式为:由上式可以看出,这种预编码方式中,由于信号的检测工作已经等效地在发射端完成了,所以接收端接收到的各路信号之间理论上是没有干扰的。不过由于增益控制因子的存在,预编码矩阵可能会对噪声有放大作用,系统性能也会因此受到一定的影响。也就是说,如果信道矩阵接近病态的话,它的条件数很大,即矩阵
130、最大特征值与最小特征值的比值很大,此时归一化系数就会很小,有用信号的功率也会被削弱,使得接收信噪比减小。MMSE 预编码算法原理预编码算法原理 与 MIMO 检测过程类似,基于 MMSE 的预编码矩阵在设计时考虑了对噪声分量的抑制,因而相对于 ZF 预编码而言,可以进一步提升系统的性能。在设计 MMSE 预编码矩阵时,接收信号的表达式为:如前所述为增益控制因子,该接收信号与原始信号的均方误差可以表示为:为了使均方误差最小,需要求解如下关于预编码矩阵和功率控制因子的优化问题:其中tP为总的发送功率,求解上述优化问题可得 21=()HHKWPHHHI 212111=()()HHHTrTrWWH W
131、W 11()yHWsnsn 1()yHWsn 22221=EEysHWss 2,2221min.tEsst EPWHWsWs 46 其中增益控制因子为 MMSE 预编码很好地处理了用户间干扰,且相对于 ZF 预编码,它能够控制干扰和噪声的影响。该算法的缺点在于计算复杂度较大。对抗多用户间干扰比较有效的预编码算法,比如 ZF 算法和 MMSE 算法,需要进行高复杂度的矩阵运算(收发端天线阵列规模越大,计算复杂度越高)。针对采用超大规模天线的 6G 系统,在可预见的未来,商用硬件承担这类预编码算法所产生的计算负荷将会是一个巨大的挑战。针对 TDD 系统,可以考虑采用基于信道状态信息使用有效期(后续
132、简称为“有效期”)来实现这类预编码算法,从而获得算法复杂度与性能增益的良好折中。这种方法的关键特点简述如下:1)一个有效期可包含多个连续的信道状态信息更新周期,从而可以把计算负荷分摊在多个更新周期里。2)有效期的长度可以进行自适应的调整。3)由于用户移动性或业务量变化,在某个有效期内,下行 MU-MIMO 的配对用户集发生变化时,基于调度器的评估,如果将新用户添加至配对用户集可提升吞吐量,则用该新用户来补充移出的用户所产生的空位,并且该补充用户可以使用移出用户先前所使用的基于预编码矩阵,避免重新计算预编码矩阵。MRT 预编码算法原理预编码算法原理 在本小节中,我们将介绍一种基于 MRT 的次优
133、预编码算法。根据前面的描述,MMSE 预编码算法中的矩阵求逆会带来较高的计算复杂度,而在 MRT 算法中,只根据信道来确定预编码矩阵,没有 MMSE 预编码算法中的矩阵求逆操作。下行链路中 MRT 预编码矩阵其实也就是通信系统中常常提及的匹配滤波器,而超大规模天线系统中的 MRT 算法处理性能很大程度上取决于信道传输环境。理想的环境就是从基站到不同用户终端的信道要尽可能的相互独立。MRT 预编码的表达式为:HWH 这种算法的本质就是最大化用户的信噪比,也就是最大化用户的可达速率。MRT 预编码不会考虑对其它用户造成的干扰。但是在超大规模天线系统中,理想情况下,随着天线规模增加,用户间的干扰将趋
134、于消失,MRT 预编码将逼近最优的预编码性能。基于透镜阵列的预编码与波束选择算法基于透镜阵列的预编码与波束选择算法 透镜天线阵列的工作原理是对到达透镜上不同位置的电磁信号进行不同的相移,从而达到使波束聚焦在焦点上的目的。透镜阵列能够产生的空间波束数目与阵列天线的阵元数相同,且相互正交,能够覆盖整个空域。在实际系统中,部署了超大规模阵列的基站在相同时频域上服务的用户数往往远小于阵元数(也即透镜阵列产生的波束数目),所以用少量的波束就能够满足这些用户的服务需求。由于一个波束对应着一条射频链路,在用开关网络代替移相器网络以后,基站侧只需要提供跟用户数量相同的射频链路即可 2211=()HHTrPPP
135、P 47 满足用户的需求,从而大大减少了系统所需要的射频链路数目,极大降低了系统的硬件成本和功耗。由于透镜阵列的基于角度的能量聚焦特性,它能够将传统的空域 MIMO 信道等效地转化为波束域的信道,因此,混合预编码结构中的波束赋形向量设计问题可以转化为一个波束选择问题。如图 4-13 所示,以一个下行毫米波超大规模天线系统为例,包含一个基站和若干单天线用户,其中基站侧在射频前端配置一个透镜天线阵列,包含RFN条射频链路和sM个天线阵元,同时服务 K 个单天线用户。为了服务到每个用户,射频链路的数目需要满足RFNK。不失一般性,我们此处假设=RFNK。在下行链路中,基站产生 K 个独立的数据流,数
136、据流首先在基带进行数字预编码然后向所有用户同时发送,经过预编码后的发送信号为:1KkkkxssPp 其中,ks是第 k 个用户的复基带信号,其均值为 0,方差为 1,即21kE s。12=,RFNKKCPp pp表示基带预编码矩阵,而kp则是第 k 个用户对应的预编码向量。数据信号在经过基带数字预编码后被送入射频链路,然后通过模拟开关阵列与不同的天线阵元连接。我们假设信道是平坦衰落的,那么所有K个用户收到的1K维信号向量y可以表示为:=HyH FPsn 其中 sMKCH表示波束域信道矩阵,sRFMNCF表示波束选择矩阵,它的元素服从 0-1 约束,对应着模拟开关阵列中开关的打开和关闭。我们用
137、20,KCNnI表示1K维的加性高斯噪声,其均值为 0,方差满足2HKEnnI。透镜天线阵列可以将传统的空域信道通过一个离散傅里叶变换转化为波束域信道 H:1212=,KKHh hhUg UgUg 其中ssMMUC是透镜阵列所等效的 DFT 矩阵。1sMkCg表示基站和第 k 个用户的之间的空域信道向量,由于透镜阵列往往应用于毫米波/太赫兹等超高频段,这里我们可以采用比较经典的 Saleh-Valenzuela 信道模型:001Lllkkkkklgaa 其中 00kka和 llkka分别表示基站与第 k 个用户间的视距信道和第 l 个非视距 48 信道矢量,相应地,0k和 lk分别表示视距信道
138、和非视距信道的复增益,0k和 lk表示对应的空域方向。图 4-13 基于透镜的超大规模天线阵列系统 透镜天线阵列作为一种新型的超大规模天线阵列架构,目前主要处于原型机验证阶段。在基于透镜天线的超大规模天线阵列系统设计和波束成形算法这些方面,学术界进行了广泛和深度的研究,目前已经具备比较完备的理论基础,因此在未来的产业化层面很有实现前景。然而基于透镜天线的超大规模天线阵列通信系统尚需要进行专利技术积累、原型机设计、测试、生产、推广等漫长的产业化道路,目前而言,国内外学者已经做出了工作在 550GHz 频段的原型通信系统18,实现了25 度的波束扫描,为未来原型机的进一步迭代打好了基础。49 第五
139、章第五章 新技术新技术 深度学习与人工智能深度学习与人工智能 背景背景 预计 2030 年前后,通信技术将进入 6G 时代。6G 将与人工智能、机器学习、深度学习等技术融合,充分利用和高效处理万物互联产生的海量数据信息。与 5G 相比,6G的整体性能将会有十倍到百倍提升19。深度学习是机器学习领域中一个新的研究方向,通过训练大型的多层神经网络,学习大量采样数据的内在规律和特征,从而准确识别文字、图像或语音等数据。近几年来,由于软、硬件技术的快速发展,推动了深度学习模型在实时通信,特别是超大规模天线技术中的快速运用。将深度学习用在通信中,即利用深度学习来代替通信中的部分模块,相比人为设计的算法,
140、可以更加灵活地拟合真实环境。因为人为设计的算法往往基于一些特定的假设,比如高斯分布等等,但实际环境是非常复杂和极其多变的,这些人为设计的算法一般都不是最优的,适用性有限。而深度学习可以模拟任意模型,从而能够有效适应实际环境,获得更好的性能。深度学习在通信的主要应用场景可大致划分如下:各类编码算法,如信源编码、信道编码、信道状态信息反馈;各类信号处理算法,如信号估计、检测与解调;各类网络优化问题,如用户调度、网规网优等。目前深度学习技术已经应用在超大规模天线的多个研究领域中,来实现波束的跟踪、预测和管理,信道的估计、预测、压缩和反馈,功率控制,链路自适应,用户配对和调度等等。通过神经网络模型的训
141、练和学习,有助于进一步提升超大规模天线的使用效率和系统容量,降低系统开销、延时和实现复杂度。目前手机终端的嵌入式神经网络处理器(NPU,Neural-network processor unit)的处理能力与日俱增,具体数据如图 5-1 所示。在 2018 年以前,手机终端尚无专门的 NPU模块,从 2018 年开始,手机终端的 NPU 处理能力每年都提升数倍。按照这个速度,2030年手机终端的 NPU 处理能力将持续高速提升。50 图 5-1 手机终端NPU能力增长图 表 5-1 列出了一些典型的复杂神经网络的复杂度,以及这些神经网络占据目前典型芯片的 NPU 1 秒计算能力的比例。通过将现
142、有手机 NPU 的处理能力与经典的神经网络的复杂度进行比较,可发现目前手机 NPU 处理能力已经非常强大。神经网络的复杂度一般以 OP 为单位计算,即一次实数乘法或一次实数加法为一个 OP。以 GoogleNet 为例,它的复杂度为 2G OPs,但它只占据目前典型芯片的 NPU 1 秒计算能力的 1.3e-4(即 1 秒可以计算 7500 次,或执行一次网络只需 0.13 毫秒)。表 5-1 典型的复杂神经网络的复杂度列表 神经网络复杂度(OPs)神经 网络 占据 目 前典 型 芯片的NPU 1 秒计算能力的比例 Inception V2 4.1G 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 无线通信中深度学习使用的神经网络一般是轻量级神经网络,复杂度不高。因此,在手机终端上执行基于神经网络的运算已成为现实。随着手机终端 NPU 处理能力的快速增长,在手机上支持更复杂的深度学习成为可能。深度学习对于无线通信的标准化和产业化可能存在如下影响:1)无线通信深度学习中的数据获取和 AI 模型参数更新,可能需要通信标准定义相应的流程,或者部分功能基于终端和网络设备的实现,并且要从法律法规和隐私保护方面进行慎重探讨。2)由于无线通信深度学习可以实
144、现相关通信模块的联合优化,传统通信标准中所涉及的内部接口将被简化,相关的信令过程也会有一定的改变,信令、参考信号的开销也051015202017Q42018Q42019Q42020Q4NPU 能力(TOPs)时间手机终端NPU能力增长图 51 将会降低。3)不同阶段的无线通信深度学习对标准化和产业化的影响不同。在初始阶段,将会以辅助工具或优化方案来提升现有无线通信系统的性能,其标准化影响相对较小。随着无线通信深度学习技术的成熟和无线通信系统对深度学习的开放性和支持度的提高,多个功能模块会逐渐被性能更好的深度学习模块所替代,其标准化影响将会更大。基于深度学习的超大规模天线信道反馈技术基于深度学习
145、的超大规模天线信道反馈技术 要充分发挥超大规模天线技术的优势,需要及时准确地测量和反馈超高维的信道状态信息,不可避免地会增加系统上行和下行的信令开销和用户的实现复杂度。为此,我们可以采用深度学习的模型,揭示并利用大量信道数据元素之间的相关性,从而改善超大规模天线的信道反馈性能。深度学习技术,通常采用端到端的多层神经网络训练,实现信道状态信息的压缩、反馈和重构20。如图 5-2 所示,训练的神经网络包括两个部分,第一个部分称为编码器,第二个部分称为解码器。神经网络的编码器,通常位于用户侧,它将用户测量的下行信道数据,进行转换、压缩和量化,并通过上行反馈信道,上报给基站设备。当基站接收到反馈的信道
146、状态信息,它在解码器中恢复重构出原始的下行信道数据。大量的训练数据样本,输入到神经网络模型中进行端到端的训练,最终获得优化的神经网络结构和大量含有加权系数的参数集。训练出来的参数集,分别在用户侧构造神经网络的编码器,以及在基站侧构造解码器。神经网络的两个部分,由于在端到端的神经网络中训练,实际系统中通常成对使用,以保证优异的信道重构性能。神经网络的编码器神经网络的编码器神经网络的解码器神经网络的解码器上行反馈信道上行反馈信道测量的信道数据测量的信道数据重构的信道数据重构的信道数据 图 5-2 信道训练的多层神经网络架构 由于基站具备强大的神经网络处理的能力,因此通常在基站侧进行神经网络的训练。
147、实际系统当中,有两个问题需要解决:第一、基站如何获得大量的来自多个用户的信道样本信息,来执行端到端的神经网络训练?第二、基站训练出来多个神经网络的参数集,如何通知给每个用户来使用?1)基站如何获得多个用户的信道样本信息?在 TDD 系统中,基站可以检测上行探测信号,利用上下行信道的互易性,从而获取多个用户的下行信道信息的数据,为神经网络的训练提供了比较准确可靠的信道数据样本。但 FDD 系统由于不具备上下行信道的互易性特征,只能靠用户的反馈获得训练数 52 据样本。为提高 FDD 系统中样本的精度,可以考虑不等间隔的反馈机制设计。如图 5-3 所示,FDD 系统配置了两种不同间隔的信道状态信息
148、反馈类型。例如,红色方块代表高精度信道状态信息反馈的时刻,有较长的反馈间隔时间;蓝色方块代表低精度信道状态信息反馈的时刻,有较短的反馈间隔时间。低精度反馈间隔高精度反馈间隔 图 5-3 不等间隔信道状态信息反馈的配置 当该参数配置为“高精度”,用户反馈高精度的信道状态信息,当基站收集到足够多的高精度反馈的信道数据,准备做神经网络的训练和学习。为了保证信道训练和重构的准确性,基站可以针对不同的信道类型,例如 UMi,UMa,Indoor 或者它们之间的混合类型,分别训练出来不同的神经网络模型和参数集。为此,用户首先需要识别出当前信道场景的类型,并将信道类型编号的指示,连同高精度信道信息一起,上报
149、给基站侧。基站将收到的来自不同用户的信道信息进行分类,针对不同信道类型,训练不同的神经网络,训练出来的参数集将按信道类型进行分类。当该参数配置为“低精度”,用户仍然需要识别出当前信道场景的类型,根据信道类型选用相应的经过训练的神经网络的参数集,配置神经网络的编码器,然后将用户测量的信道数据压缩并量化成低精度的信道状态信息,反馈给基站,信道类型编号的指示也将一并反馈。基站根据反馈的信道类型编号,配置同一个神经网络的解码器,将接收的低精度信道信息恢复成原始的信道数据。用户侧和基站侧进行协调,确保成对地使用经过训练的神经网络的编码器和解码器,从而有效地重构信道信息。2)用户如何获得训练的神经网络参数
150、集?如上所述,基站利用用户的高精度信道反馈数据,训练出来多个适用于不同信道场景的神经网络参数集,但是用户如何获取这些参数集来优化自己的信道信息反馈呢?基站可以将训练出来的多套神经网络参数集,存储服务器上,用户将根据当前的信道场景,从服务器中下载相应的神经网络的参数集,因此用户与基站之间将通过同一个神经网络,协同处理信道数据的反馈和重构。基于神经网络的解调参考信号估计基于神经网络的解调参考信号估计 解调参考信号(DMRS,Demodulation Reference Signal)估计,是通信系统中非常重 53 要的一个环节。接收端基于 DMRS 估计出信道,用于有用信号的解调。如果 DMRS
151、估计的精度不够,接收端获取的信道信息不够准确,会大大降低有用信号解调的准确度,从而降低系统的吞吐量、可靠性等关键指标。传统的算法,一般基于卡尔曼滤波等经典滤波算法,估计出时域和频域的信道特征,然后基于部分资源上的 DMRS,估计出有用信号占据的资源上的信道信息。这样做的缺点在于,实际环境非常复杂,这些滤波算法能够提取的时域和频域的信道特征有限,从而使恢复的信道信息与实际信道信息存在较大误差。深度学习,采用合适的网络结构后,理论上可以获得时域和频域的所有可获得的信道特征,从而大幅度提升 DMRS 估计的精度,进而改善系统性能。图 5-4 即为神经网络用于 DMRS 估计的一个结构示意图,采用一个
152、经典的全连接网络。图 5-4 神经网络用于DMRS估计的结构示意图 这里为了保证网络的稳定性,采用了输入归一化的操作,即为神经网络输入的所有数据求最大值 max_in,然后将神经网络输入除以 max_in 进行归一化,作为输入层的输入。这些数据经过神经网络后,对输出层的所有数据进行逆归一化,即乘以 max_in,作为最终的神经网络输出。图 5-5 为常用激活函数示意图,其中 Leaky ReLU 函数是近年来发现的非常优秀的激活函数,具有复杂度低、性能好的优点,并且从生物学上符合生物神经元对生理信号的反应,因此这里采用 Leaky ReLU 函数作为隐藏层的激活函数。Leaky ReLU 采用
153、一个常用的配置,即 Alpha=0.3。而在输出层,由于输出的+1 和-1 是等概率出现的,因此采用符合此特征的 Tanh 函数。54 图 5-5 激活函数示意图 以下为一个 DMRS 估计的示例。考虑一个下行通信系统,基站配置单根发送天线,用户配置单根接收天线,频域有一共 20 个资源块(RB,Resource Block),每个 RB 有 12个子载波,时域考虑基站按时隙发送,每个时隙有 14 个符号。DMRS 每个 RB 占据 6 个子载波,每个时隙占据 1 个符号。此时,输入层为 240 个神经元,即 1 基站天线*1 用户接收天线*20 个 RB*每个 RB的 6 个子载波*一个时隙
154、的 1 个符号*2(一个实部和一个虚部);输出层为 6720 个神经元,即 1 基站天线*1 用户接收天线*20 个 RB*每个 RB 的 12 个子载波*一个时隙的 14 个符号*2(一个实部和一个虚部)。接下来,采用 3GPP 协议中定义的 TDL-C 信道模型,时延为 300 纳秒,载频为 3.5G赫兹,信噪比设置为 10dB,移动速度设置为 3 公里每小时。训练集和验证集数目分别为12 万和 4 万。损失函数为最终网络输出与真实值之间的均方误差(MSE,Mean Square Error)。训练方法为神经网络常用的 Adam 算法。试验不同的网络结构后,发现两层隐藏层的效果最好,相比传
155、统算法,MSE 大幅度降低,性能良好。表 5-2 20RB时,神经网络与传统算法的结果比较 算法细节 MSE AI 网络 4.9e-3 传统算法(基于维纳滤波的 MMSE 算法)7.9e-3 图 5-6 为神经网络的训练效果,其中横坐标为训练的轮数,纵坐标为 MSE。可以看出神经网络均收敛,MSE 随着训练次数的增加而不断降低,而且基本没有过拟合现象,可能的原因是网络结构较为简单。一般来说,神经网络结构越复杂、层数越多,神经网络能够模拟更加复杂的模型,但过拟合的情况会增加,泛化能力下降;若神经网络构越简单、层数越少,神经网络的泛化能力会越强,过拟合的概率会降低,但模拟复杂模型的能力会下降。Si
156、gmoid ReLU Leaky ReLU 55 图 5-6 神经网络的训练效果 然后,考虑更大的带宽和更多的符号对神经网络的影响,即带宽为 50 个 RB、DMRS每个时隙占 2 个符号。仿真结果如下表所示。表 5-3 50RB时,神经网络与传统算法的结果比较 配置 算法细节 MSE 带宽为 20 个 RB、DMRS 每个 slot 占 1 个符号 传统算法 7.9e-3 AI 4.9e-3 带宽为 50 个 RB、DMRS 每个 slot 占 2 个符号 传统算法 5.4e-3 AI 8.5e-4 可以上表看出,两种配置情况下,AI 都获得了明显的性能增益。另外,当带宽更大、DMRS 占据
157、更多的资源时,AI 获得了更大的增益,MSE 从 4.9e-3 降低到了 8.5e-4,即降低了 82.7%,而传统算法仅降低了 31.6%。接下来,考虑利用多个时隙的时域相关性,来进一步提升神经网络的性能。考虑一个周期包含 10 个时隙。第一个时隙为正常开销,DMRS 在每个 RB 占据 6 个子载波,即240=1 基站天线*1 用户接收天线*20 个 RB*每个 RB 的 6 个子载波*一个时隙的 1 个符号*2。第二个时隙至第十个时隙为低开销,DMRS 在每个 RB 占据 1 个子载波,即其开销 为 第 一 个 时 隙 的 1/6。一 个 周 期 内,DMRS 开 销 降 低 为 之 前
158、 的25%,即(240+40*9)/(240*10)=0.25。仿真结果如 表 5-4 所示。隐藏层神经元数目为 960,3840 隐藏层神经元数目为 2400,12000 56 表 5-4 考虑时间相关后,神经网络与传统算法的结果比较 算法细节 MSE AI 网络 1:正常 DMRS 开销,未利用时间相关性 4.9e-3 AI 网络 2:25%的 DMRS 开销,利用时间相关性 5.7e-3 传统算法(基于维纳滤波的 MMSE 算法)7.9e-3 可以看出利用时间相关性后,DMRS 的开销极大降低,并且相比传统的基于维纳滤波的 MMSE 算法,性能也得到了提升。基于神经网络的码本反馈技术基于
159、神经网络的码本反馈技术 由信息论可知,准确的信道状态信息(CSI,Channel State Information)对信道容量的至关重要。尤其是对于多天线系统来讲,发送端可以根据 CSI 优化信号的发送,使其更加匹配信道的状态。如:信道质量指示(CQI,Channel Quality Indicator)可以用来选择合适的调制编码方案(MCS,Modulation and Coding Scheme)实现链路自适应;预编码矩阵指示(PMI,Precoding Matrix Indicator)可以用来实现特征波束成形(Eigen beamforming)从而最大化接收信号的强度,或者用来抑制
160、干扰(如小区间干扰、多用户之间干扰等)。因此,自从多天线技术被提出以来,CSI 获取一直都是研究热点。如果存在信道互易性,如 TDD 系统,终端向网络发送探测参考信号(SRS,Sounding Reference Signal),然后网络根据 SRS 做信道估计,从而获得上行信道的信息。如果不存在信道互易性,如 FDD 系统,从 SRS 获取的上行信道,无法准确获知下行信道的信息,此时就需要网络发送信道状态信息参考信号(CSI-RS,CSI Reference Singal),终端根据 CSI-RS 做信道估计,获得下行信道的信息,然后用协议规定的码本,反馈 PMI 给网络,网络基于码本和 P
161、MI 可以恢复出下行信道的信息。5G NR 的码本分为 Type I 码本和 Type II 码本,它们的核心思想都是基于过采样的2 维离散傅里叶变换向量,通过一定规则人为构造出码字,通过 PMI 的比特信息,可以检索到相对应的信道向量或矩阵。Type I的单面板 CSI 码本中的预编码矩阵 W 可以表示为两个矩阵 W1和 W2的乘积,W1和 W2的信息会分别上报。其中 W1代表长期的且和频率无关的信道特性,终端对整个上报带宽只汇报一个 W1;而 W2则试图捕捉短期的且和频率相关的信道特性,终端对每个子带都会上报一个 W2,或者不报 W2。W1和 W2由过采样的 2 维离散傅里叶变换向量组成。
162、Type II 与 Type I 不同的地方在于,Type I 最终只上报一个向量,而 Type II 则上报最多 4 个正交的向量。对每一个向量,以及该向量的两个极化方向,上报的 PMI 都会提供一个与之对应的幅度值(宽带和子带)和一个相位值(子带)。这样 Type II 就捕捉了主要的传播路径和相应的幅度与相位,从而提供了更详细的信道信息。当然,Type II 的开销一般也大于 Type I。57 但是,目前协议的 Type I 和 Type II 码本有如下缺陷及待改进点:1.只利用了信道的部分特征信息;2.码本构造存在一定的冗余信息,例如 PMI 涵盖整个向量空间,向量空间等分划分,而
163、不等分划分可以提高 PMI 的压缩率。神经网络,能够克服上述码本的这些缺点。通过合理的神经网络结构和信道数据,能够充分学习信道的所有特征信息,并且最大程度地消除码本的冗余信息,使每一个比特表征的信息最大化。图 5-7 为基于神经网络的 CSI 反馈示意图。网络和终端使用相匹配的神经网络,网络发送 CSI-RS 后,终端对 CSI-RS 进行信道估计,然后将估计后的结果作为终端侧神经网络的输入,经过隐藏层和量化层后,神经网络的输出即为 PMI。网络接收到 PMI 后,将 PMI 作为网络侧神经网络的输入,经过隐藏层和输出层,神经网络的输出即为恢复的信道信息。其中量化层将浮点数量化为二进制比特,量
164、化层有几个节点,即 PMI 包含几个比特。考虑一个下行通信系统,基站配置 8 根发送天线,用户配置 2 根接收天线,频域上考虑 1 个资源块,基站恢复的信道为 1 层的信道。采用 3GPP 协议中的 CDL-C 和 CDL-D 模型,时延配置为 30/100/300 纳秒,载频配置为 4G 赫兹,移动速度为 3 公里每小时。此时,采用经典的全连接神经网络。其输入层为 32 个神经元,即 8 基站天线*2 用户接收天线*1 RB*2(实部+虚部)。PMI 发送端和接收端的隐藏层都采用单层的结构。恢复层为 16 个神经元,8 基站天线*1 层*1 RB*2(实部+虚部)。每种信道模型的训练集和验证
165、集数目分别为 6 万和 1 万,若采用更大的样本,则神经网络的性能能够进一步提升。损失函数为最终网络输出与真实值之间的均方误差(MSE,Mean Square Error)。训练方法为神经网络常用的 Adam 算法。试验不同的网络结构后,发现两层隐藏层的效果最好,相比传统算法,MSE 大幅度降低,性能良好。图 5-7 基于神经网络的CSI反馈示意图 58 表 5-5 为不同信道环境下,神经网络与 Type I 码本的结果比较,其中神经网络的 PMI发送端的隐藏层神经元为 800,PMI 接收端的隐藏层神经元为 400。神经网络 N 比特表示神经网络的量化层的神经元数目为 N,即 PMI 采用
166、N 个比特。第一个情况采用 CDL-D 信道模型,时延 100 纳秒,模拟一个直射径较强的信道环境;第二个情况采用 CDL-C信道模型,时延 300 纳秒,模拟一个散射径较多的信道环境,第三个情况采用 CDL-D 和CDL-C 混合的信道模型,各占一半,而且 CDL-D 采用时延 30 纳秒,CDL-C 采用时延300 纳秒。可以看出在不同的信道环境下,神经网络采用 6 比特都能达到或接近 Type I码本 8 比特的性能,增益明显。表 5-5 不同信道环境下,神经网络与Type I码本的结果 恢复的信道与实际信道的相关性平方 CDL-D 信道模型,时延 100 纳秒 CDL-C 信道模型,时
167、延 300 纳秒 CDL-D 30 纳秒+CDL-C 300 纳秒 Type I 码本 0.87 0.75 0.80 神经网络 2 比特 0.58 0.57 0.56 神经网络 4 比特 0.76 0.69 0.72 神经网络 6 比特 0.85 0.77 0.80 神经网络 8 比特 0.90 0.82 0.85 神经网络 12 比特 0.94 0.86 0.89 神经网络 16 比特 0.95 0.89 0.91 接下来考虑神经网络的简化。考虑不同的网络结构,得到表 5-6 和 表 5-7。其中 200+6+100 表示 PMI 编码侧的隐藏层节点数为 200,量化层节点数为6,PMI 译
168、码侧的隐藏层节点数为 100。可以看出,64+6+32 有着较好的性能,即隐藏层为输入节点是输出节点数的 2 倍。此时小型 AI 网络就能达到很好的性能,应该是因为相关性的要求不高,达到 0.76 就非常好了,且待拟合的数学模型不复杂。计算所有的乘法、加法等操作后,可以得知 64+6+32 仅为传统码本选择算法复杂度的 20%,可以看出相比传统码本选择算法,AI 算法的复杂度也很低。表 5-6 不同PMI译码侧隐藏层大小的结果 Type I 码本 AI 200+6+100 AI 200+6+50 AI 200+6+32 AI 200+6+16 AI 200+6+8 恢复的信道与实际信道的相关性
169、平方 0.76 0.78 0.77 0.77 0.76 0.74 59 表 5-7 不同PMI编码侧隐藏层的结果 接下来,我们考虑网络侧 32 根发送天线的情况。此时采用 CDL-C 300 纳秒的信道。基于表 5-8 可以看出,AI 网络采用 6 比特的开销,就可以达到 Type I 码本 10 比特的性能,增益明显。表 5-8 不同信道环境下,网络侧32发时,神经网络与Type I码本的结果 恢复的信道与实际信道的相关性平方 Type I 码本(10 比特)0.58 神经网络 2 比特 0.25 神经网络 4 比特 0.47 神经网络 6 比特 0.60 神经网络 8 比特 0.67 神经
170、网络 10 比特 0.72 可以看出,为了达到 Type I 码本的性能,AI 网络的开销并没有增加。一方面,由于网络侧天线数量显著增长,基于码本的反馈方案的码本设计复杂度和相应的反馈量会显著增长,因此码本方法面临较大的技术挑战;另一方面,当网络侧端天线数量增加时,信道矩阵在角度域上的解析度更高,具有更强的稀疏特性,如图 5-8 所示。因此,推测随着天线数增加,基于 AI 的反馈方案相比于码本方法的性能优势会更明显。Type I 码本 AI 200+6+32 AI 100+6+32 AI 64+6+32 AI 32+6+32 AI 16+6+32 恢复的信道与实际信道的相关性平方 0.76 0
171、.78 0.77 0.76 0.73 0.67 60 (a)8 基站天线 (b)32 基站天线 图 5-8 不同基站天线数下单个样本的稀疏性 当深度学习技术应用在超大规模天线系统的其它领域,例如波束管理、信道预测、功率控制、用户调度等等,也将不可避免地带来一系列新的系统实现的问题,期待未来6G 系统进行深入地研究和讨论,让神经网络模型更好地服务于未来超大规模天线系统的广泛应用。61 第六章第六章 天线结构与部署方式天线结构与部署方式 分布式超大规模天线分布式超大规模天线 随着 5G 应用的快速渗透,移动终端数量将呈现指数式增长,由此带来更高的系统容量需求。大规模天线技术可显著提升频谱效率、降低
172、干扰,已在 4G 网络和 5G 网络规模商用。目前 5G 网络中部署的为集中式大规模天线,在低频已经达到 192 阵子和 64 通道,高频预计达到 512 阵子和 4 通道。面向 6G 网络,更大规模天线系统对一体化、集成度提出了更高要求,此时分布式大规模天线系统作为另一个解决方案,可以在提升频谱效率的同时有效扩大覆盖范围。分布式超大规模天线系统将在更广域地理范围内部署大量分布式射频和天线。通过基站之间的智慧交互与智能协作,6G 网络将真正实现无边界用户体验。技术原理技术原理 6G 网络中的分布式超大规模天线系统呈现天线数更多、分布地理范围更广、智慧协同作用更深的显著特征。分布式超大规模天线系
173、统由大量分布在不同地理位置的站点构成,并在多个站点以及各站点的一个或多个天线通道形成一个分布式超大规模天线簇。站点间按需进行不同层级的智慧交互与智能协作:对于基础性简单业务,多站点开展简单的信息交互,协同完成资源分配调度、波束赋形等过程;对于增强型复杂业务,多站点深度协作,开展充沛的信息交互,有效转化干扰源为有用信号。通过智慧交互与智能协作,一方面有效消除干扰,增强信号接收质量;另一方面有效增强覆盖,消除用户边界感。应用场景及部署方式应用场景及部署方式 分布式超大规模天线系统主要应用于大容量场景,特别是人流量密集,数据业务爆发式增长的流量密集场景,例如高校、CBD 热点区域、大中型场馆以及交通
174、枢纽站点等。应用分布式超大规模天线技术,可以灵活、有效地根据不同环境,构建星形、树形、链形、环形等拓扑结构的网络,有效消除干扰快速提升容量。针对高校、CBD 等热点区域,采用室外覆盖室内的方式时,将多个节点连接到 BBU,实现控制信道合并,数据信道复用。62 图 6-1 热点区域部署方式 针对大中型场馆以及交通枢纽等室内密集场景(体育场、火车站、大礼堂等),通过室分系统升级,实现数据信道复用,提升容量。图 6-2 室内密集区域部署方式 针对灾情、偏远山区等信号突然中断或人员难以到达的地方,可采用多个可飞行基站及时构建起分布式超大规模天线系统,以满足应急通信需求。图 6-3 偏远山区部署方式 针
175、对高速移动场景,终端移动速度将超过 1000km/h,大量分布式天线系统将满足超高移速下高业务质量的需求。控制信道合并 数据信道复用 63 0RRH0RRH1RRH2RRH3 图 6-4 高速移动场景部署方式 此外,一种新型天线结构以及低成本的无线条带系统如图 6-5 所示。每个条带包括:电缆或带状保护壳、阵元、电路安装芯片(APU:包括功率放大器、移相器、滤波器、调制器、A/D 和 D/A 转换器)。每个条带都连接到一个或多个 CPU。图 6-5 无线条带系统21 当阵元采取分布式结构放置时,可应用至一些现有的建筑体表面,构成分布式超大规模天线系统。无线条带系统潜在应用场景及部署方式如图 6
176、-6 所示。图 6-6 无线条带系统潜在应用场景及部署方式 64 关键技术研究方向关键技术研究方向 随着新材料、新技术的突破与发展,面向 6G 的分布式超大规模天线系统有望在架构形态、部署方式等方面纵深演进。为满足新业务、新场景的个性化和多元化需求,分布式超大规模天线系统仍需在以下关键技术点实现突破:(1)全动态协作簇构建 向 6G 倍增的节点数和用户数,分布式超大规模天线系统中,终端开机后不仅需要选择主服务小区还需要选择服务的协作节点,不同终端选择的协作节点可能不同且是动态变化的。传统的静态分簇虽然复杂度低但其提升性能有限,对抑制簇间干扰有局限性,无法满足 6G 更灵活分簇的需求,因此需要考
177、虑全动态协作簇方案。如何确定协作簇和协作用户的范围,如何实现用户移动时协作簇的构建,如何实现簇内各站点的高效精细管理以及簇间的干扰协调等,在保证频谱效率提升的同时降低系统复杂度,是需要研究的关键问题。(2)空口通道校准技术 TDD 系统的上下行互易性的实现前提是收发通道满足一致性。然而,在物理实现上,分布式超大规模天线系统面临着互易性受损的挑战。每根天线的射频端需要两套电路来分别完成信号的发送和接收,由于硬件方面的工艺误差,放大器的非线性失真,以及每个射频电路的特征响应随着环境(如温度,湿度等)和时间的变化而变化,从基带信号角度看,发送通道和接收通道对信号乘上了不同的系数,从而导致了信道的互易
178、性受损。为了实现信号的相干传输,需要保证协作簇内各节点通道的一致性。因此,分布式节点需进行节点间通道校准,以补偿上行和下行射频链路的差异。例如,考虑空口校准方案,分布式节点之间发送校准信号或者通过终端辅助进行空口的通道校准。(3)新型用户调度算法 分布式超大规模天线系统提升频谱效率的有效方式是多用户 MIMO 传输,通过节点间交互信息,协调调度相互干扰小的多用户进行服务。传统的用户配对方案主要包括基于容量最大化的多用户调度方案、基于用户相关性的调度方案。基于容量最大化多用户配对方案包括基于信道 F-范数的配对方案,将单用户 MIMO 信道容量作为 MU-MIMO容量上界的配对方案,综合考虑正比
179、公平的调度算法。基于用户相关性的调度方案兼顾平均吞吐量和边缘吞吐量,包括基于用户位置的调度方案,基于相关系数的调度方案。在分布式超大规模天线系统中,分布式节点构成的协作簇具有多样化和动态变化的特性,各用户所选择的分布式节点不尽相同,需要更具灵活性、低复杂度的新型用户配对算法,满足分布式超大规模天线系统更为挑战的配对需求。(4)预处理算法 集中式大规模多天线技术的预编码算法包括 MRT 预编码、ZF 预编码和正则化迫零(RZF)预编码等线性预编码算法,以及 THP 和 VP 等非线性预编码算法。这些预编码算法在分布式超大规模多天线仍然可以使用,但是要考虑分布式系统的特点进行优化设计。首先要考虑分
180、布式站点间信息交互的问题。根据站点间信息交互程度的不同,预编码算法可以分成两类:65 a)站点间协作预编码算法 站点间交互用户的信道状态信息,但是不交互用户的数据信息,多个基站联合完成计算或者各基站独立计算,各基站独立传输数据。c)站点间联合预编码算法 站点间交互终端的信道状态信息和数据信息,多个站点联合完成计算,联合传输数据,对应于联合传输方案。协作预编码算法相对于联合预编码算法,不需要在站点间交互终端的数据信息,此外,终端的信道状态信息交互量也更少。对于协作预编码算法,系统内的每一个站点可以独立的计算预编码,只要站点可以获得其到区域内所有用户的信道状态信息。而对于联合预编码算法,需要有一个
181、中心处理单元(可以是某一个站点)进行计算,中心处理单元需要知道区域内所有站点到所有终端的信道状态信息。例如,采用 ZF 算法,中心处理单元需要对扩展信道矩阵求逆,用到了所有相关的信道矩阵。当分布式天线规模变大时,协作预编码和联合预编码算法需要在站点间交互的信息量也线性增加。此外,各种预编码算法对于信道状态信息的实时性有比较高的要求。也就是说,站点间需要频繁的交互信道状态信息以保证预编码算法的性能,这就给实际的应用带来了很大的挑战。如何降低站点间的交互量以及在站点间信息交互的容量和时延受限的情况下的设计预编码算法是分布式超大规模天线需要进一步探索的问题。第二个需要考虑的问题是单站点或者天线的功率
182、约束问题。MRT 或者 RZF 一类算法计算出来的预编码权值是非横模的,也就是说不同天线的发射功率不同。对于集中式大规模天线,不同天线到终端的路径损耗几乎没有差异,不等功率发射不会带来什么问题。但是对于分布式的超大规模多天线系统,不同站点到终端的路径损耗差异非常大,在计算预编码时必须考虑功率约束的问题。传统预编码算法需要在有单站点功率约束的条件下重新设计才能工作于分布式超大规模多天线系统。(5)信道状态信息获取 超大规模多天线技术的效果取决于基站侧所能获得的信道状态信息的准确程度。FDD 系统主要依靠终端通过上行信道的反馈获得信道状态信息。5G NR 设计了高精度的码本结构,极大的提升了信道状
183、态信息获取的精度,同时开销相对于普通精度的码本也有显著提升。随着天线规模的进一步扩大,反馈开销也将急剧增加。为了降低反馈开销,NR Rel-16 引入了码本压缩方案,利用信道参数的频域相关性降低反馈开销。NR 的 Rel-15 和 Rel-16 的码本设计的基本假设都是集中式大规模天线,不适用于分布式超大规模天线。对于分布式超大规模天线,如何使得基站获得高精度的信道状态信息是一个重要的研究问题。(6)站点间信息交互 分布式超大规模天线技术通过回程链路在不共站址的站点之间交互终端的数据信息、信道状态信息等。理想回程链路为吞吐量非常高,时延非常低的回程链路,如采用光纤或 LOS 微波的点到点连接。
184、非理想回程链路为广泛使用的典型回程链路,如 xDSL,NLOS微波和其他回程链路如中继。表 6-1 和表 6-2 分别给出了理想回程链路和非理想回程链路的典型参数。网络中的回程链路有各种形式,所能提供的信息交互能力也不同。分布式超大规模天线技术方案需与回程链路的能力相匹配。66 表 6-1 理想回程链路典型参数22 回程链路技术 延时(单路)吞吐量 光纤 2-5 ms 50M-10Gbps 表 6-2 非理想回程链路参数22 回程链路技术 延时(单路)吞吐量 光纤接入 1 10-30 ms 10 M-10 Gbps 光纤接入 2 5-10 ms 100-1000 Mbps DSL 接入 15-
185、60 ms 10-100 Mbps 电缆 25-35 ms 10-100 Mbps 无线回程链路 5-35 ms 典型值 10 Mbps 100 Mbps,可能达到 Gbps 联合预编码方案由于其交互量大,对时延的要求高,只能基于理想回程链路实施。而协作预编码方案,在部分非理想回程链路上也具有实施的可能性。以现有的通信系统设计为例,数据包经 MAC 层处理之后,在物理层基带的处理过程包括信道编码、速率匹配、加扰、调制、层映射、资源映射、预编码、OFDM 调制。基带生成的信号经过数模转换和模拟波束赋形后发射出去。完整的处理过程如图 6-7 所示。信道编码速率匹配加扰调制层映射资源映射OFDM调制
186、数模转换模拟波束赋形预编码L1RF信号生成层映射MAC数据信道参考信号(CSI-RS,DMRS)图 6-7 下行数据传输处理过程 67 联合预编码方案完整的实施上述过程需要多个网络实体的参与,包括中心处理单元和分布式站点。上述处理过程在各个实体之间的如何划分会影响到回程链路上的信息交互量和交互内容。a)中心处理单元将 OFDM 调制之后的基带数据通过回程链路分发给各个站点,如图 6-8(a)所示。所有的计算集中于中心处理单元,回程链路上的数据传输量极大,数据量正比于系统带宽和天线数量。优势是通过集中处理简化了远端站点的实现,较容易实现计算负荷的均衡,可以充分利用网络的计算能力。b)中心处理单元
187、将高层的数据包直接发送给各站点,由各站点完成信道编码、调制、OFDM 调制以及预编码等计算,如图 6-8(b)所示。中心处理单元负责完成预编码的计算,并将计算得到的预编码发送给各个站点。这种方式在回程链路上的数据量最小,数据量和待传输的终端数据量有关。上述是两个极端,分别为信息交互量最大和最小的方式。实际上还可以有介于两者之间的处理方式,例如中心处理单元将预编码后的数据发送给各站点,由各个站点进行后续的 OFDM 调制等操作。具体使用哪种信息交互方式需根据回程链路的容量、各节点的处理能力等综合考虑确定。OFDM 调制中心处理单元RFRF回程链路MAC 中心处理单元RF回程链路MAC信道编码RF
188、信道编码(a)(b)图 6-8 基站间信息交互方式(7)站点间时频同步 分布式超大规模天线传输中,终端需要从多个站点接收数据。各站点到终端的距离不同,无线信号的传播时间不同,所以即使是各个站点同时发射出的信号,到达终端的时间也不相同。采用 OFDM 调制的系统,一般来说信号的到达时间差远小于 CP 的长度就不会对数据的接收产生不良影响。按照 5G NR 系统的设计,CP 的长度与子载波间隔之间是反比关系。15kHz 和 60kHz 子载波间隔对应的 CP 长度分别约为 4.7 微秒和 1.18微秒。未来移动通信系统的工作频段更高,带宽更大,预期子载波间隔会进一步增加,对应的 CP 长度也会随之
189、缩小。这个情况下,分布式超大规模天线对时间同步的要求将更加严格。频率同步误差,一方面会破坏子载波之间的正交性,引入干扰。另一方面,会增加信道的时变特性,引起信道在时域内的波动,影响信道状态信息获取时效性和精确性。68 综上,站点之间的时间和频率同步精度直接影响了分布式超大规模天线的性能。并且由于其分布式的特点,站点之间实现精确时频同步有很高的工程难度。针对这一问题,未来移动通信系统中,需要研究基于空口无线信号传输的站点间时频同步技术。(8)信道建模 对于分布式超大规模天线技术,需要采用与之匹配的信道模型对技术方案进行评估和甄选。国际标准化组织开展了集中式大规模天线的信道建模的研究工作。其中,3
190、GPP针对 6GHz 以下和 6GHz 以上分别定义了信道模型,以 WINNER 模型2324和 ITU 的 2D信道模型为基础,综合考虑水平维和垂直维两个维度的空间信道特性定义的信道模型,主要用于大规模天线技术的研究、性能评估及标准化。上述信道模型的基本假设是远场传播,不适用于分布式超大规模天线。另一方面,终端之间的距离可能远小于天线系统的规模,终端的信道之间的相关性也是在建模之中必须考虑的因素。(9)对波形设计的影响 4G 和 5G 系统都是以 OFDM 波形为基础进行设计。OFDM 波形的优势在于实现简单,小区内正交化,避免了小区内的干扰。超大规模天线系统,无论是集中式还是分布式,终端之
191、间在空域内都已经接近正交化,对频域正交化的需求降低。在未来通信系统的波形设计上,有可能打破 OFDM 波形的设计,引入效率更高的波形设计。(10)网络结构设计 分布式超大规模天线将网络设备推进到终端的附近。从结构上说,无论移动到什么位置,终端的附近都会有一些天线为之服务,真正实现以用户为中心的网络结构。因此在物理层之上的网络协议和网络结构设计也需要与之匹配。产业化特点 分布式超大规模天线从理论分析和技术试验上能获得较大增益,但是实际性能直接依赖于应用场景、产品实现能力等因素。结合不同应用阶段的需求,预期该技术早期将局部应用于热点场景,且需要分析确定部署场景的选取准则,后逐步扩大应用范围。同时该
192、技术性能的发挥依赖于空口校准、调度方案、组网及协作簇等方案在产品中的具体实现能力。产业成熟度 分布式超大规模天线理论、技术较为成熟,但目前尚未走向大规模商用。从 4G 到5G,产业持续开展了对分布式 MIMO 的理论研究、可行性分析、系统方案设计和技术验证工作,在北京、上海、成都等地校园/CBD 热点场景开展了多次试验,为 6G 开展分布式超大规模天线系统研究奠定理论和应用基础。分布式 MIMO 创新试验结果表明,该技术能显著提升用户体验速率,带来较大性能增益。然而,受限于应用需求,目前分布式MIMO 并未走向大规模商用,随着流量需求的爆炸式增长,预期未来分布式超大规模天线核心技术可实现商用部
193、署,提升产业竞争力。69 模块化天线模块化天线 超大规模天线的应用部署,天线阵面的形态及革新是运营商非常关注问题。从目前的大规模天线发展来看,大规模天线阵面将天线振元及射频处理单元集成在统一的天线模块中,这种一体化模块称为有源天线单元(AAU,Active Antenna Unit)。其设计优势在于:简化了天面配套要求,通过将天线单元与射频单元的集成处理,降低了馈线损耗,有利于系统容量的提升。然而,这种一体化的设计增加了天线阵面的整体体积、重量,对其施工部署产生了一定的影响。同时,由于射频链路数量庞大,当某个射频链路产生损坏时,故障检测及维护比较困难。出于对上述问题的考虑,业界提出了模块化超大
194、规模天线的思路,将超大规模天线阵面分为若干子天线阵面,这些子阵面可以根据场景的具体需求进行组合或拉远。通过这种分割,既降低了天线检测的难度,又降低了每个天线模块的重量,减轻了天线安装、维护的难度。通过对模块化超大规模天线阵面的初步实践,以及对模块化天线的权值兼容性、天线拉远方向图的外场定点测试表明:模块化天线在常规状态与面阵大规模天线的波束方向图类似,可以满足广播赋形要求,原有面阵的权值可以复用。模块天线在拉远状态下,通过适当的权值优化,可使模块化天线广播波束满足或接近常规天线阵面广播波束要求。模块化天线与传统面阵大规模天线的速率相近,并且当使用水平折叠的模块化天线时,可以提升天线折叠方向的用
195、户性能。因此可以根据用户分布,灵活的配置模块化天线的波束方向,从而提升热点覆盖,并且可以使得基站部署的选址更加灵活。虽然模块化天线较常规面阵天线存在其特有的优势,但在设备实现层面仍有大量的研究与验证工作需要完成,包括:模块化天线阵面结构设计,研究天线阵面空间位置灵活调整的方法及相应硬件实现方案;更进一步对模块化天面的功能以及性能进行实验室验证与外场验证等。智能超表面智能超表面 研究背景研究背景 无线通信系统中,从发射端发射的信号,在经过具有衰落、反射、折射等特征的无线信道后到达接收端。一般而言,收发链路间的信道时变且不可控,为了获取理想的传输性能,发射端需要动态地获取信道的状态信息(CSI),
196、以此来完成发射端的预编码、功率分配等,进而保证传输信号随信道的变化自适应的调整。上述过程的实质体现在对信道的准确建模。随着无线通信传输内容的多样化、通信形式的灵活性、收发设备的小型化、传输的低功耗低时延等要求的提高,适应信道传播特性愈发困难。当前,一项新颖的技术智能超表面技术,有望改变上述困窘。利用智能超表面技术,可人为地设计 70 可控信道,并利用可控的信道完成信号的传输。超表面(meta-surface)是超材料(meta-material)的一种具体实现。超材料的“超”,体现在人工合成材料对自然原有材料性质的突破,如负折射率等。当超表面上有可变参数的器件时,通过控制这些器件,可以使超表面
197、的电磁特性动态变化,进而改变入射电磁波的相位和传播方向,形成可控的信号传输链路。超表面的引入,使无线通信系统设计更具有灵活性。通过合理地设计和布置超表面,人为地构造良好的传输信道,提升系统整体性能。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。传统的无源超表面在设计完成之后,其功能基本确定,用途较为单一。加入诸如变容二极管、PIN 二极管等有源器件,可以赋予超表面自由度,增强超表面的功能。通过改变有源器件两端的电压,即可改变超表面的等效阻抗,进而改变其对应的电磁波的透射系数或反射系数。通常,控制有源器件的电压为连续的模拟量,为了便于控制,将模拟量进行量化,形成“数字超表面”,进而
198、使用数字量来控制超表面25。超表面一般由许多超单元(meta-atom)组成,如图 6-9 所示,超单元之间等距排列。使用控制器(如 FPGA)控制超表面上的每一个超单元。图 6-9 超单元组成的超表面,其中黑色方框为超单元 超表面上的超单元具有相同的结构,其结构简图如图 6-10 所示。超单元是一个扁平的立方体。从上到下分别为金属结构、基底和电源/地端。上下层之间通过一个通孔相互连接。金属结构上存在有源器件,如可变电容、二极管、开关等等,用于改变上层金属结构的反射系数或透射系数。71 图 6-10 超单元结构简图 文献26设计了一种反射型超单元。这种超单元的工作频率为3.6GHz,尺寸约为1
199、8.8mm x 16.1mm x 4mm。超单元反射系数与有源器件两端电压、入射电磁波频率之间的关系如图 6-11 所示。图 6-11 超单元反射系数与有源器件两端电压、入射电磁波频率之间的关系26 由图可知,在入射电磁波频率为 3.6GHz 时,调节有源器件(文献26中为变容二极管)两端之间电压,超单元反射系数的幅度在 0.7 至 1.0 之间变化,相位在 140 至-180之间变化。通过简单的改变有源器件两端的电压,即可改变超单元的反射系数,进而影响反射电磁波的幅度和相位。超表面除了能够改变反射电磁波的幅度和相位,还能够改变其传播方向。广义反射定律(generalized laws of
200、reflection)27描述了电磁波的反射角与电磁波的入射角、超单元反射系数的相位之间的关系,该定律表示如式(1)所示,sin sin=2dd (1)其中,和分别为电磁波的入射角和反射角;为媒介的折射率,空气的折射率约为 1;为入射电磁波的波长;为超单元反射系数的相位;d/d为超单元反射系数的相位在超表面上单位长度的变化量。图 6-12 广义反射定律示意图28 72 假设d/d为较小的正数,逐步改变入射电磁波的入射角,根据广义反射定律,其反射电磁波变化如图 6-13 所示。图 6-13 分界面为超表面时,入射电磁波与反射电磁波的关系 当 时,为全折射,没有反射电磁波,为临界角度;当0 时,入
201、射角小于反射角;当 0时,反射电磁波与入射电磁波位于法线同侧;当 0时,在绝对值上,入射角大于反射角。由此可以通过调节超单元反射系数,改变反射电磁波的传播方向。上述示例中的超表面为反射型超表面。透射型超表面的原理与反射型超表面类似,通过调节超单元的相位来改变透射电磁波的传播方向。超表面的作用超表面的作用 如图 6-14 所示,超表面在超大规模天线系统中的应用包括反射式和透射式两种结构。反射式结构中,入射电磁波发射源与超表面信号辐射区域位于超表面的同一侧,透射式结构中,入射电磁波发射源与超表面信号辐射区域位于超表面的两侧。反射式超表面的设计相对更为简单。73 图 6-14 超表面的两种结构 超表
202、面在超大规模天线系统中的一些典型作用如下:1)作为信号传输的中继 超表面作为信号传输的中继多使用反射型超表面。超表面可以反射电磁波,并且改变反射电磁波的相位和传播方向,因此可以借助超表面来协助信号传输29303132。超表面在无线信号传输当中充当可控的反射源,人为地增加可控的多径链路,将来自发送端的部分能量反射至接收端,增加接收端的接收功率。此外,超表面可以改变信号的相位,利用电磁波的相干相消,增强所需信号,抵消干扰信号,提高接收端 SINR。下面参照文献29,构建超表面辅助的下行链路模型,并从接收端平均接收功率的角度,分析超表面作为信号传输中继的作用。下行链路模型如图 6-15 所示,该模型
203、由三部分组成:M 根天线的基站,N 个超单元的超表面,以及单个单天线用户。图 6-15 超表面辅助的下行链路模型 基站与超表面之间、超表面与用户之间、基站与用户之间的小尺度衰落信道分别为1、2和,均为莱斯衰落信道,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,独立同分布且服从(0,1),1、2和3是莱斯 K 因子。用户接收信号为 =(121+)+(3)s为发送信号,均值为零,方差为 1;为噪声,服从(0,1);为发射功率;1为波束赋形因子;采用 MRT,则=121+
204、121+,1和为大尺度信道增益;=diag1,,表示超表面上每个超单元的反射系数,反射系数的幅值取 1,相位为 0,2),=1,。从而,用户平均接收功率可以表示为=12 1+22 (4)为了便于建模,将基站和超表面建模为均匀线阵(ULA),此时 1=(2)(2)=(2)(5)其中,2、2为基站到超表面的出射角和入射角,2为基站到用户的出射角。根据广义反射定律,2由和2共同确定。可进一步求得=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)若认为超单元辅助链路和直连链路相互正交,则有=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,用户平均接收功率会受到超表面辅助链路的1、2和2 1、超单元数量、路径损耗1的影响。显然,当超表面辅助链路中 LOS 占主导即1,2 时,增加;当超表面距离基站和用户较近即1较大时,增加;若超单元数量增多,增加,此现象可认为是超表面带来的天线数量增益;若合理地选择,使得2 1上升,增加,此现象可认为是超表面带来的波束赋形增益。我们下面通过仿真简单验证上述分析,仿真模型如图 6-16 所示。75 图 6-16 超表面辅助下行链路仿真模型 基站与用户中心位于同一条直线上,=25,=50。超单元与基站-
206、用户中心线平行,距离该中心线为=5。每米路径损耗为-30dB,即=(m0.1 m)3。此外,默认情况下,基站天线数量为=8,超单元数量为=20;发射功率=1W;莱斯 K 因子1=2=3=3。在确定2时采用了广义反射定律,涉及到了正弦函数,因此是关于的非线性函数,采用粒子群优化算法(Particle Swarm Optimization,PSO)近似求解max。仿真结果如图 6-17、图 6-18 所示。图 6-17 为用户平均接收功率与超表面、超单元数量 N、超单元反射系数相位之间的关系。图 6-17 用户平均接收功率与超表面、超单元数量N、超单元反射系数相位关系图 图 6-17 中曲线从上到
207、下分别对应:超单元相位经过优化的超表面辅助链路、超单元相位全零的超表面辅助链路、没有超表面辅助的链路,分别记为曲线 1、2、3。随着超单元数量的增加,用户平均接收功率(曲线 1、2)相应增加,与预期相符。对比有超表面辅助情况(曲线 2)和没有超表面辅助情况(曲线 3),超表面显著地提升用户平均接 76 收功率,提升幅度约为 9dB,此即为超表面的“天线数量增益”。对比超单元相位优化情况(曲线 1)与超单元相位全零情况(曲线 2),优化超单元反射系数的相位,也可以提升用户平均接收功率,提升幅度至少为 6dB,此即为超表面的“波束赋形增益”。因此,通过合理地部署和配置超表面,可以得到显著的性能提升
208、。图 6-18 为用户平均接收功率与超表面、距中心线距离、超单元反射系数相位的关系。图 6-18 用户平均接收功率与超表面、距中心线距离、超单元反射系数相位关系图 类似地,图 6-18 中的曲线从上到下记为曲线 1、2、3。通过合理地部署和配置超表面,可以提升用户平均接收功率。然而,当超表面与用户和基站的距离逐渐变远时,路径损耗对多径传输的影响逐渐显著,超表面对系统的增益也逐渐下降。考虑到超表面制造的多径带来的多径效应,超表面适合于与收发端距离较近的场景。综上所述,超表面辅助链路能够显著地提高接收端的平均接收功率,且与收发端的距离不宜过远。2)作为发射机天线阵列的扩展 传统的超大规模天线阵列发
209、射机需要通过大量的移相器和放大器来进行天线阵列幅度和相位的调整,形成波束赋形。超表面通过改变变容二极管、PIN 二极管等的电压即可实现波束赋形,无需移相器和大量的放大器。通过在传统的 MIMO 发射机前端放置反射型或透射型超表面来实现波束赋形,可以以较低的能耗有效地实现天线单元规模的扩展,提高发射机的性能。这是超大规模天线技术实现更大阵列规模的一种低成本、轻量化、低功耗实现方式。3)作为信号调制器 超表面能够动态地改变信号的相位,将需要传输的信息表示为不同的相位,即可实现 PSK。77 超表面可用于高频混频26。当使用周期性的数字量控制超表面时,超表面的电磁特性会周期性地发生变化,此时利用超表
210、面会产生不同频率成分的电磁波。不同的频率成分对应于不同的编码,由此实现 FSK。上述用途中均需收发两端已知载频信号。当然,也可以直接使用环境当中已有的任意电磁波来进行信号传输。如图 6-19 所示,基站向周围广播参考信号,如导频信号,超表面调制参考信号,并将信号反射给解调端。解调端根据参考信号解调被超表面调制的信号,得到超表面调制信号时所采用的数字序列,由此可将信息从调制端传输至解调端。发射电磁波需要较高的功耗,而超表面调制电磁波的信号为低频信号,且仅需改变超单元的反射系数即可,功耗较低。对于能耗要求较高的设备,如可穿戴设备,可借助超表面实现低功耗的信息传输。图 6-19 超表面调制环境中已有
211、信号30 4)用作实现全息 MIMO 实现全息 MIMO 需要使用连续孔径(或近似连续孔径)的天线。传统的阵列天线难以实现连续孔径,超表面可以实现连续孔径或近似连续孔径,用来记录电磁波的“全息图”,以实现全息波束赋形。与光学全息类似,超表面实现全息波束赋形的原理包括训练过程和赋形过程。训练过程(全息记录过程)的步骤如下:终端发送上行训练信号(假设为 1),则到达基站连续孔径天线处的复信号为 00,exp,H x yHx yjx y 参考波可在基站天线面板上直接生成:0,expsinR x yRx yky 物波与参考波叠加(干涉)之后的复振幅为,x,(,)u x yRyH x y。全息图记录干涉
212、图样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 赋形过程(全息重现过程)的步骤如下:使用参考波的共轭“照射”全息图(或者说用 I 调制 R)可得到加权矩阵 W:*2222*0000,I,=,expsin,exp2sin,W x yRx yx yRx yRx yH x yRx yjkyRx yH x yjkyRx yHx y 通过合理的选择,即可进行2*0,R Hx y与其他几项衍射波的分离,(,)即为终端的波束赋形。国内外研究现状国内外研究现状 近几年超表面的研究是天线技术领域的研究
213、热点。国内外有很多团队进行相关研究,目前已取得很多成果。研究内容包括超表面的设计、信道建模、信道容量分析、自由度33、定位发射端的 CRLB34、基于超表面的通信系统的能耗、波束赋形、用户分配策略35等。在验证平台方面,欧盟 VISORSURF36项目致力于开发控制超表面的硬件和软件,目前已取得了一些成果。意大利的 Stefano Maci 团队对超表面天线进行了大量研究,实现了多波束、多极化和波束扫描特性37。美国麻省理工学院所研发的 RFous 可重构智能超表面集成了自主调控入射波反射与透射的能力38,它将波束赋形功能从无线电端点移至环境当用户与基站处于超表面的两侧时,使用透射模式对基站发
214、出的信号进行聚焦,使接收端能够接收到较强的信号;当用户与基站处于超表面的同侧时,使用反射模式对基站发出的信号进行调制。国内的超表面研究也取得了很多成果。文献39于 2014 年提出了一种数字可编码超材料,并于 2018 年提出了“时空编码”超表面的概念,利用超表面同时实现了高阶调制和 MIMO 传输。文献40中设计了双频智能超表面,并搭建了智能超表面辅助的通信系统平台。将超表面用于通信系统,实现基于超表面的超大规模系统的应用仍面临着诸多挑战。这些挑战不仅仅包括实用化硬件设计,还包括信道建模、CSI 测量等技术层面的挑战。超表面超表面关键技术研究方向关键技术研究方向 目前,将超表面应用于无线通信
215、场景以构建基于超表面的超大规模天线系统还存在诸多的挑战和待研究的问题。一些待研究的关键问题如下:1、适用于无线通信系统的硬件设计。由于实际的通信环境通常较为复杂,适用于无线通信系统的超表面硬件设计仍是一个重要研究方向。2、超表面调制技术。如何根据通信环境实现超表面的快速调制是基于超表面的超大规模天线系统的一个待解决的问题。尤其当超单元数量增加时,超单元调整将会变得十分复杂。若接收端快速运动,超表面需及时地调整超单元以跟踪接收端。3、实用化应用场景和信道建模。超表面调控电磁波的原理与传统天线阵列不同,产生的影响也不同。构建基于超表面的超大规模天线系统的应用场景,并进行信道测量和建模,是一个重要的
216、研究方向。79 4、信道状态信息获取。超表面作中继时,若优化超单元的反射系数,需要获知超表面辅助链路的 CSI。由于超表面目前只能够反射信号,即不能够通过导频估算 CSI,从而难以获取超表面辅助链路的 CSI,进而无法优化超单元的反射系数。因此,需要探寻其他合适的方法来进行优化。智能中继智能中继 6G 系统将可能采用低频段、毫米波、太赫兹和光波等频谱资源,具有超高的传输速率、超低的通信时延和更广的覆盖深度,同时融合地面移动通信、近地空间平台、无人机平台、中低轨卫星等技术,解决海陆空天覆盖,实现全球的无缝覆盖。但是,毫米波和太赫兹频段同时也有信号衰减强、易受遮挡和覆盖距离近和穿透固态物体的能力差
217、等弊端。在保持通信质量不变的情况下,会严重限制系统的传输距离;在保持传输距离不变的情况下,易造成通信质量恶化,甚至信息传输中断。因此,基于超大规模天线的智能中继通信技术是一种能够有效补偿无线电波传输损耗的技术。超大规模天线智能中继通信系统可充分发挥带宽优势,实现超高速和较远距离的传输。值得注意的是,毫米波、太赫兹和光波等频段的无线通信系统均基于波束进行通信,对设备硬件成本代价提出了新挑战,造成现有通信系统协作中继技术不再适用。因此,适用于毫米波、太赫兹和光波等频段通信的超大规模天线技术的多连接技术,以及基于超大规模天线通信的中继设备物理层设计、中继设备波束管理方案成为亟待解决的重要问题。智能中
218、继波束预测与搜索方案智能中继波束预测与搜索方案 6.4.1.1 智能中继通信的波束管理流程智能中继通信的波束管理流程 在 5G 以及未来 6G 的系统中,如果要加入高频段的毫米波、太赫兹和光波中继,首先要做到的是能够对波束管理进行全面的支持。在此基础上,中继需要具有增强非视距区域(NLOS)的盲点覆盖以及热点增容等功能。(1)盲点覆盖)盲点覆盖 在小区边缘,受传播环境的影响,可能存在覆盖盲点,因此在基站尚可覆盖的范围内增加中继站,通过基站与中继站、中继站与移动台之间相互通信,可以达到弥补覆盖盲点的目的。(2)热点增容)热点增容 在热点区域,本小区的系统资源可能存在暂时短缺的现象,那么利用中继站
219、引入相邻小区的部分剩余资源,可以达到热点增容的效果。因此,由高频段毫米波、太赫兹和光波等频段中继所需功能出发,并结合波束管理协议,同时考虑到设备复杂性,尽量做到“构造简单”而“功能强大”。在基于超大规模天线的智能中继设备参与的通信链路中,空闲态用户通过智能中继进行初始小区搜索和随机接入过程中的波束管理流程,由图 6-20 给出。80 小区搜索(下行同步)随机接入(上行同步)UE开机后进行初始小区选择,mmWave Relaye跟随gNB/ng-eNB周期性的朝不同方向发送包含SSB的波束,UE从可接收到的波束中解析出SSB信息,完成下行同步并为接下来的随机接入过程获取相关信息MSG11:PRA
220、CH PreambleUE根据接收到的SSB,选择满足RSRP门限要求的SSB向mmWave Relaye发送前导码 PRACH PreambleRAPIDRAR WindowMSG42:RRC Contention Resolution(PDCCH2/PDSCH2)MSG4主要用来解决竞争。网络从MSG3确定UE是否存在有效的C-RNTI,从而采用不同的竞争解决机制:若UE已有有效C-RNTI,则通过用C-RNTI在PDCCH上对UE进行寻址解决竞争,终端在PDCCH上检测到自己的C-RNTI就宣告随机接入成功,并上行发送HARQ确认。由于C-RNTI对终端是唯一的,非目标终端会忽略该PDC
221、CH;若终端没有有效的C-RNTI,竞争解决消息通过TC-RNTI来寻址,通过DL-SCH发送竞争解决消息,UE比较MSG4中接收到的标识和第三步中发送的标识,若匹配则随机接入过程成功,MSG2的TC-RNTI变为C-RNTI,并上行发送HARQ确认。若UE没有在PDCCH上检测到C-RNTI或者没有匹配到标识,或者MSG3发送后的特定时间内UE没有接收到MSG4,随机接入过程失败,需要从第一步重新开始随机接入过程。MSG22:RAR(PDCCH2/PDSCH2)UE发送PRACH Preamble之后就会等待随机接入响应,并根据PRACH的时域位置计算RA-RNTI,在RAR window内
222、监听PDCCH,若接收到该RA-RNTI对应的RAR,则继续进行MSG3的发送,若未接收到则考虑在原先SSB波束上进行功率抬升或者选择其他的SSB发送Preamble。RAR包括该响应属于哪个前导序列、基于该前导码的定时修正、用于MSG3的调度授权和用于UE和网络之间进一步通信的TC-RNTI。UE通过MSG2完成上行时间同步。(若采用非竞争的随机接入,终端已经分配了唯一标识C-RNTI,MSG2是随机接入最后一步)MSG31:RRC Connection Request(PUSCH1)UE发送唯一标识,用于MSG4中的竞争解决。RRC_CONNECTED态的UE,唯一标识是C-RNTI;RR
223、C_IDLE态的UE,唯一标识是来自核心网的S-TMSI或一个随机数,gNB/ng-eNB在响应MSG3之前先与核心网通信;RRC_INACTIVE态的UE,唯一标识是来自核心网的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将MSG11中接收到的PRACH Preamble进行放大,并根据SSB将其转发至gNB/ng-eNBgNB/ng-eNB周期性的朝不同方向发送包含SSB的波束,每个SSB和波束之间是一一映射关系,mmWave Relay对可接收的SSB波束进行接收和放大,在发送端恢复原SSB波束信息并发送(以单gNB/ng-eNB和单mmWave Relay为例,但不限于此)MSG21:RAR(PDCCH1/PDSCH1)mmWave Relaye接收gNB/ng-eNB发送的RAR信号进行放大,并将其转发至已经发送过该RAR对应PRACH Preamble的UEMSG32:RRC Connecti
225、on Request(PUSCH2)mmWave Relaye接收UE发送的MSG31,并将其放大转发至gNB/ng-eNBMSG41:RRC Contention Resolution(PDCCH1/PDSCH1)mmWave Relaye接收gNB/ng-eNB发送的MSG41,并将其放大转发至UEHARQ ACK(PUCCH2)RRC Connection Setup(PDCCH1/PDSCH1)HARQ ACK(PUCCH2)DCI(PDCCH1)RRC Connection Setup Complete 图 6-20 基于超大规模天线的智能中继波束管理流程 6.4.1.2 基于边缘云
226、架构的智能中继波束预测与搜索方案基于边缘云架构的智能中继波束预测与搜索方案 当毫米波、太赫兹甚至是可见光的新增频谱应用到无线通信中,UE 与 BS 之间的上下行信号传输将会基于波束进行,对于超大规模天线智能中继设备参与的通信链路中,智能中继与 BS 之间以及与 UE 之间的上下行通信同样基于波束进行。此时,BS 与智能中继设备之间的最优波束确定与连接,以及 UE 与智能中继设备之间的最优波束确定与连接成为关键问题。通过对基于边缘云架构的 AI 智能推荐算法研究,可以运用 AI 智能推荐算法来搜寻匹配移动终端设备与各基站间的最优波束,从而提升高频段通信的速率与稳定性。为了提升方法的可行性,将分散
227、部署的若干中继组成中继网络,并选择中心的一个中继装载智能计算存储模块成为智能中继网关,位于中继网络中心的智能中继网关通过实时监测相关 KPI 并配合一定的匹配算法分析该中继网络中设备间的最优波束匹配,并将匹配信息传输告知该中继网络中的各个设备,各个设备则可以根据智能中继网关的分析结果实现设备间的最优波束匹配。基于边缘云架构的智能中继波束预测与搜索优化架构如图 6-21 所示,智能中继网关能够智能分析相关 KPI 的变化,根据终端设备的运动轨迹以及通信需求进行最优波束匹配,并将匹配结果传输告知该中继网络中的各个设备,使设备根据匹配结果智能调整上下行通信链路所选的波束,建立最优波束。81 图 6-
228、21 基于云架构的智能中继波束预测与搜索优化架构图 基于云架构的智能中继波束预测与搜索优化工作流程如下:1、准备阶段:(1)首先需要对该中继网络覆盖区域进行一定精度的位置标定,每一个基站设备的位置或者移动终端设备的运动轨迹都可以由标定好的坐标点表示;(2)根据实际情况的需要设定该小区波束信号强度的阈值,并且认为大于该阈值的波束连接可取,主要用于匹配阶段在推荐的若干波束方案中筛选可用的波束方案;(3)按照传统的波束管理方案进行运作一段时间,并将各类终端设备(需要区分到设备种类、品牌甚至型号,通过分析终端设备通信上传的入网号即可知晓)在该区域各点位置的若干优质波束方案结合相关信息记录存储在智能中继
229、的存储模块中。2、完成了前期准备工作之后,正式工作阶段:(1)将各设备的通信连接需求以及相关信息上传至智能中继网关,需要的相关信息在后文会有补充说明;(2)智能中继网关根据信息先智能预测分析终端设备在本基站覆盖小区的运动路径,并且将预测连贯的运动路径离散化为点位置信息;(3)根据预测的运动路径对每一个点位置基于终端设备提供的信息利用推荐算法或匹配算法,在历史案例库中获得匹配合适的若干候选波束方案;(4)以无缝覆盖和保持信号连续性、尽量减少切换次数等原则,选定预测路径中各点位置的波束方案,并且连结成最终动态运作的波束方案,传递给终端设备以及相应的基站;(5)当完成了初始信息匹配后,开始实施匹配推
230、荐的波束方案后,终端设备以及其连接的基站与智能中继网关进行周期性的通信匹配分析,判断是否需要重新匹配;(6)直到终端设备离开该智能中继网关覆盖区域,切换到其他区域连接后,则结束对该设备的波束智能管理。以上便是该架构的工作流程,如下是针对上述工作流程需要补充的细节:(1)每个点位置的波束方案,指的是在该点位置上终端设备与基站建立波束连接时分别使用的收、发波束分支。完整的动态运作波束方案即随着终端用户运动前行时,82 终端设备以及基站建立连接使用的收、发波束对信息以及变动情况;(2)推荐算法或匹配算法 基于所服务终端设备提供的若干指标,构建匹配模型或偏好描述,在历史案例库中进行基于案例的学习(CB
231、L,Case Based Learning)或一对多稳定匹配或相关性的求解,从而获得候选方案集合。算法可分步骤级联,初步筛选时的信息指标可以是:终端设备类型(可参照设备的入网号从而得知设备的类别、品牌、型号),小区内标定的位置信息。最终输出的结果是将各点的方案以连续性原则连结成连续动态的波束方案输出给终端设备。基于基于 DDPG 算法的中继选择和精细波束搜索与对准算法的中继选择和精细波束搜索与对准 采用毫米波甚至是太赫兹技术的超大规模天线系统将超大规模天线的空间资源与高频段可用大带宽结合,提供高数据速率传输。但是,在波束传播过程中产生的过多路径损耗和穿透损耗会严重影响超大规模天线中继系统的传输
232、范围。此外,毫米波和太赫兹频段相较于微波频段所形成的波束变窄,在超大规模天线场景下必然存在能耗增高等相应问题。如何在搜索到精细波束并完成精准对齐的同时,尽可能降低功耗,做到绿色通信,是在中继设备设计时亟需研究的问题。在基于超大规模天线的中继网络中研究波束对准问题中,我们所考虑的场景是存在多个微基站,并且有多个用户设备需要接入智能中继才可以进行数据传输,用户设备类型包括移动电话、车联网汽车、无人机、送货机器人等。对于用户侧的精细波束对准问题,需要根据用户所处的位置、信号强度、信道质量等为用户提供合适的中继选择。为了使基于超大规模天线的中继设备尽可能做到绿色通信,我们提出基于深度强化学习的半盲波束
233、对准技术,即不需要任何标记的数据集即可训练。对于用户侧,通过使用全向信标信号产生的用户的 RF 指纹,预测每个用户最适合接入的中继以及传输的波束形成矢量,实现波束对准;对于基站侧,中继获取基站所发送的 CSI 信息中的位置信息及信号强度,选择最适合的基站,进行波束对准。6.4.2.1 信道模型信道模型 以高频段的毫米波为例,令BSN代表 BS 的数量,UEN代表 UE 的数量,RPN代表中继的数量。每个 BS 带有TN个发射天线,每个 UE 带有RN个接收天线,UE 可进行全向传输。在 BS 和中继处均使用均匀面阵(UPA,Uniform Planar Aray)天线。BS 和中继、中继和 U
234、E 之间的信道基于 SaleW-Valenzuela 信道模型建模。发射机和接收机之间的信道由下式给出*1,LrrttTRlrlltlllN NL Haa 83 其中 L 是传播路径的数量,l是与第 l 条路径相关的信道增益。,ll 分别是第 l个波束在 BS/中继处的偏离方位角和俯仰角。假设 UPA 天线在 yz 平面上,,t hN和,t vN分别 UPA 天线在 y 和 z 轴上的天线数量,并且,tt ht vNNN。发射机的阵列响应矢量由下式给出,22(sin sincos)1 sin sin1 cos1(,)1,t ht vTjd mnjdNNteeN a 其中,01t hmN和,01
235、t vmN,d 是振元间距。毫米波传播的路径损耗(以dB 为单位)建模为,0101004(,)20log101log()dBdBfffPL f dnbdXcf 其中 n 是路径损耗指数,0f是固定参考频率,b 捕获路径损耗指数的频率依赖性,dBX是阴影衰落项(以 dB 为单位)。第 i 个 UE 与第 j 个中继的下行链路信干噪比(SINR)传输由下式给出:2,22,1,BSTXi jjiNTXi k kkkjPPH fH f 其中,,i jH为第 i 个 UE 与第 j 个 BS 之间的信道,jf为中继使用的波束赋形向量,,jijij fa,2为噪声功率。6.4.2.2 基于基于 DDPG
236、算法的中继选择和精细波束搜索与对准算法的中继选择和精细波束搜索与对准 每个 UE 在下行链路的时间周期内都会使用全向传输,周期性地发送唯一可识别的信标信号。系统中的所有中继/基站均可接收该唯一可识别的信号,并以此构建 RF 签名。强化学习(RL,Reinforcement Learning)是人工智能的子类。学习算法与环境交互作用,以学习最佳行为,从而最大限度地提高奖励。它与传统机器学习(ML,Machine Learning)的不同之处在于如何为学习过程获取样本。机器学习依赖于标记的数据反馈给算法进行学习,而强化学习是由智能体本身获取样本来进行的。深度强化学习(DRL,Deep Reinfo
237、rcement Learning)是一种采用神经网络来促进学习过程的技术,对于波束对准问题在实现快速对准、降低功耗等方面有很高的实用价值。神经网络可以看作是一系列函数,通过非线性变换将其输入转换为一组输出。在 DRL 中利用神经网络的函数逼近 84 功能将观察结果映射到最佳动作。在超大规模天线的中继系统中,由于用户侧所对应的动作空间是连续(用户位置、角度值)和离散(中继个数)维度的混合体,因此如上所述的波束对准问题对于深度强化学习来说是具有挑战的。深度确定性策略梯度(DDPG)算法是一种在连续动作域上训练深度强化学习智能体的 actor-critic 方法。在这项工作中,我们选择使用 DDPG
238、 作为学习算法。同时由于我们的问题有一个混合离散中继选择和连续波束对准角度选择的动作空间,因此我们提出需要可以同时处理伪离散和纯连续动作空间以预测动作。DDPG 采用的是一个两步的迭代过程,也就是使用现在的参数集评估来策略的质量,然后策略会沿最大回报的一个上升方向来更新参数。DDPG 有两个神经网络:一个是 actor网络,基于当前状态预测动作,采用a参数;另一个是参数是c的 critic 网络,它是预测动作计算 Q 值的。DDPG 还使用了有参数a和c的目标网络。每个时刻,状态和动作都与奖励一致,然后把下一个状态存储到缓冲区。为训练 actor 和 critic 网络,就会取N 个样本,用于
239、计算梯度。为了使 critic 网络c计算每个状态动作对的 Q 值,每个样本中的状态的收益估算如下:11,|aciiiiyrss 基于回报的估算,均方贝尔曼误差(MSBE)计算为 21,|ciiiiys aN 然后,critic 网络参数更新为 cccc 其中1c是随机更新的步长。对于 actor 网络,更新取决于动作梯度以及 Q 值的提高。critic 网络c参数的最终更新()1()(,)aaaaaasiss aN 其中1a是更新步长。最后,在每个时间步更新目标网络参数,以使用指数加权更新作为参数来提供稳定的值估算(1);(1)cccaaa 1。传统的 DDPG 算法所采用的是连续动作空间,
240、但由于中继选择问题是离散问题,而UE 位置角度更新是连续的,因此无法直接使用 DDPG 算法,而是采用神经网络逼近器架构,作用于离散和连续动作空间。critic 网络预测的是每个状态-动作对的估计 Q 值,Q 值是连续的,因此可以采用与DDPG 相同的 critic 网络。但是,actor 网络负责预测离散空间和连续空间的状态下的最 85 佳动作,因此考虑把每个 UE 的预测拆分成子网。所有子网共享一个公共特征提取器,为每个 UE 子网提供一组可用于选择的动作。令0txs作为公共特征提取器网络的输入。actor 网络的前 L 层构成公共特征提取器网络。每一层创建来自上一层特征的线性组合,然后通
241、过非线性激活函数传递,即令,l ol iddlW和,l odlb,是与层 l 相关联的权重和偏差,以,l id和,l od为第 l 层的输入和输出维度。然后,将特征提取器层的输出计算为1llllxg W xb,1,lL,其中 g()是非线性激活函数。将最终提取的特征集LdLx R馈送到每个子网,以针对每个 UE进行动作预测。每个 UE 的 Actor 子网都使用单层进行中继选择。第 i 个 UE 的 actor 子网使用 softmax层预测所有中继的归一化数值,(),softmaxii rprpirLpaWxb 其中,RL oPNdi rpW,,RPNi rpb。然后,选择服务于第 i 个
242、UE 的中继的标准是 irpa最高的中继。6.4.2.3 超大规模天线中继的精细波束对准流程超大规模天线中继的精细波束对准流程 现在的问题存在于如何使用 RF 签名以及 UE 报告的 SINR 预测哪个中继为该 UE 服务。因此建议在超大规模天线场景下,中继设备的波束对准策略如下:(1)UE 使用全向传输发送唯一可识别的信标信号;(2)中继处接收到所有 UE 发送的信标信号,并构成 UE 的 RF 签名;(3)中继同时获得 UE 的下行链路传输的 SINR;(4)基于 UE 的 RF 签名和 SINR,中继设备基于联合连续 UE 位置角度更新和离散中继选择的 DDPG 算法,在云端匹配 UE
243、的最佳波束角度的中继设备;(5)相应的中继根据云端的传输指令进行波束对准,直至更新为止。基于深度强化学习的超大规模天线中继与快速移动用户波束对选择算法研究基于深度强化学习的超大规模天线中继与快速移动用户波束对选择算法研究 高频段信号对阻塞敏感、路径损耗高,尤其在高速移动场景中难以维持稳定的通信。因此,如何利用超大规模天线中继为高速移动用户提供快速并且稳定的数据传输具有研究意义。超大规模天线系统将空间维度考虑在内,通过与太赫兹结合,利用高维信号空间,在合理使用波束资源的情况下,可以实现多路数据流的空间复用,使频谱效率显著提高。高频信号存在路径损耗高、信号穿透低等问题,在高速移动场景下难以保证长期
244、可靠且快速的波束链路通信。因此如何选择合适的波束对进行数据传输、如何避免波束对链路在通信时中断等与波束有关的问题仍是使用波束资源的瓶颈,尤其是在用户相对运动频 86 繁且速度快的场景下。为了使移动用户能够通过中继设备实现稳定高速的通信,我们提出了一种配备高频段中继的超大规模天线无线网络架构,并在此架构下提出利用多波束传输提高快速移动用户传输速率并解决中断问题。考虑到每个用户和每个中继所能支持最大传输波束数的约束,我们以最大化系统和速率并最小化每个用户速率低于阈值的概率为目标,设计具有局部交互作用的多波束分配方案。6.4.3.1 系统架构系统架构 配备高频段中继的超大规模天线无线网络架构如图 6
245、-22 所示,包含一个超大规模天线宏基站、若干个智能中继网关和多个高频段中继。宏基站具有从物理层到网络层的全部通信功能,主要用于传输控制面信号,而在高频段运行的中继仅具有部分物理层功能,用于用户面的高速数据传输。在中继无法覆盖到的范围,用户数据传输仍由宏基站执行。图 6-22 系统模型 在系统中,每个中继都能打出一定数量的波束对准用户,同时每个用户也能打出多个定向波束,因此用户可以使用多个波束对进行数据传输。当用户进入超大规模天线宏基站时,先通过与传统蜂窝网络类似的过程与宏基站连接。当用户想要接入中继时,广播随机接入前导码以扫描不同角度方向。每个中继将现有的信息转发给其所属的中继网关,由中继网
246、关决定各个中继与每个用户的最佳波束对,并将结果转发给宏基站,宏基站决定用于分配给该用户的波束对。在系统中假设所有中继网关是同步的,并通过中央基带连接。网络中非激活状态的用户连接到某些中继,并且网络可以配置所有中继传输的所有波束。因此,在没有无线资源控制的情况下,该架构可以实现用户和中继间的多波束分配。87 6.4.3.2 信道模型信道模型 在系统中,考虑采用超大规模 MIMO 均匀天线阵的高频段三维统计空间信道模型(SSCM)信道模型,则用户k和中继l之间的信道模型为 H=()2 a()a()其中,aRX和aTX分别是接收和发射阵列响应向量,分别为:a()=1(2(1)sin(),=1,2,,
247、a()=1(2(1)sin(),=1,2,,其中,天线单元间距=/2,为方向角。()为全向路径损耗(即大尺度衰落)包括了阴影衰落和路径损耗,即41 P()=20log10(4)+10 log10()+(0,),考虑到快速移动场景下用户的移动特性,将相位表示为两部分,分别是距离决定的相位改变和速度引起的多普勒频移,即42 =+=2(+)=2(+cos(),其中,为载频,为多普勒频移。发送端使用两级预编码,即基带预编码(BB)和射频预编码(RF),分别为F=f1,f2,f和F=f1,f2,f。假设发射信号x=1,2,,经过预编码后为x=FFs。设接收编码器为W=w1,w2,w。由于射频预编码器和接
248、收编码器是用移相器实现的,因此F和F矩阵的元素被约束为恒定大小(相位可变)。根据43,用基于接入点处的 AoD 角和每个用户的 AoA 角的导向矢量作为预编码器和接收编码器的射频波束赋型器,即 F,=1,=a(),W,=1,=a()。因此,用户k和中继l之间的波束对链路信干噪比为,=|wHFf|2|wHFf|2+2,所以用户k和中继l之间的单个波束对链路的可达数据率为,=log2(1+,)。用户k和超大规模天线宏基站l之间的波束对链路的可达数据率为44,=(1+1,1+,),其中是基站天线数量,是基站负载参数,表示可以服务多少用户,l,k大尺度衰减系数,小尺度衰落忽略不计。88 定义辅助变量为
249、,=,如果 是中继,如果 是宏基站,定义辅助变量,k lx,当,k lx=1 时表示用户k和中继l或基站l相连,当,k lx=0 时表示中断。因此,用户k的总可达数据率为=,,系统总数据率为=。6.4.3.3 超大规模天线中继的多波束分配方案超大规模天线中继的多波束分配方案 向快速移动用户提供不间断服务是 6G 无线网络中一个重要且具有挑战性的目标。为了保证每个移动用户的通信都不中断,我们制定相应的优化问题,在最大化所有快速移动用户的平均数据传输总速率和最小化每个用户的平均数据传输速率低于预先设定的阈值的概率二者之间进行优化权衡。仅在前一个度量上进行优化可能会引起资源分配不均,导致某些用户的平
250、均速率过低。因此,将优化指标设定为 Th,111()PKttk lkRRf xRKtt 其中为权重,用于权衡最大化预期和速率和最小化低于阈值概率二者之间的比重。整体优化问题为:,:max()s.t.C1:,C2:,C3:0,1,xk lk lbk llkck lklk lf xxNlxNkxk lP1 现有使用优化技术解决环境高度变化中用户关联问题时大都假设较大相干时间和基站间理想协作,需要运行高复杂度的算法。这些解决方案不适用于高频段场景,尤其是超大规模天线网络。为了解决上述混合整数非线性规划问题,同时控制系统开销,我们利用深度强化学习,以一种高计算效率的方式执行高频段超大规模天线网络中移动
251、用户的多波束分配任务。在移动环境中应用机器学习可以利用过去的经验和环境统计数据来学习环境,通过与环境的交互来学习模型,不需要预先使用任何模型。同时在离线阶段训练完模型后,能够大大减小在线波束选择的开销。我们用马尔科夫决策过程表示移动用户的环境。在系统中,设定行动者(actor)为所有的智能中继网关,每一个中继运行一个强化学习智能体。状态(state)包含三个部分,分别是在最后 m 个时间内的观测信道、中断指示器(=(),()=Pr1=1())和用户传输速率,。信道变化转化为移动用户速率和中断概率,从而影响整个状态。设定动作(action)为中继波束和用户波束之间的连接情况,用于确定最优波束对。
252、奖励(reward)为,()k lf x,为了最大化长期折扣奖励,引入折扣因子,89 因此 00jtjtjFf。整体的训练流程如图 6-23 所示。因为中继的计算功能较弱,我们使用中继网关,让地理位置距离较近的若干个中继共享信息。首先智能体与环境交互,观察每个用户的信道状态、传输速率和中断概率。每个中继网关都建模一个神经网络,其中包括行动者(actor)网络和批判者(critic)网络。行动者网络根据不同动作的概率分布来制定策略,判断该中继与各用户相连所能获得的奖励,而批判者网络利用由时间差分误差得出的价值函数对行动者的策略进行批评。加快系统的收敛,我们让若干个距离较近的中继网关协作。为了减小
253、学习输入状态和输出动作之间的映射时密集型计算训练所造成的开销,离线训练每个中继的神经网络。在在线学习阶段,所有训练好的神经网络都部署在一起,利用超大规模天线宏基站作为奖励累积器,它根据所有中继网关的动作计算全局奖励,累积的全局奖励由宏基站传回中继网关,中继网关利用传输回的全局奖励判断其连接中继的最佳波束-用户配对情况。同时,每一个中继网关也将其训练好的最佳波束-用户配对情况传输给宏基站,宏基站根据全局信息作出决策,判断该时刻每个用户连接的中继。图 6-23 训练流程 90 终端新型天线结构终端新型天线结构 超大规模天线的部署,对基站和终端都会带来深刻的影响。对于基站,其天线数目成百上千倍的增加
254、,对基站的天线结构是一大挑战。对于终端,虽然单个终端的天线数目不会达到非常大的量级,但是由于终端在功耗、大小等方面严重受限,同样需要对天线结构做出较为深刻的变革。目前在终端侧主要考虑 AiP、AoC、AoD 等先进天线技术。AiP AiP 即为封装天线(Antenna in Package),是把天线阵列封装到芯片内的一项技术,目前对 AiP 技术在毫米波终端上的应用研究较多,且已有部分商用终端或天线模块采用这项技术。图 6-24 展示了一种可行的 AiP 结构剖面图,是当前终端毫米波天线阵列可行的实现方式,又常称为控制塌陷芯片连接 C4 封装。AiP 中 RFIC 放在基板底层,RFIC 呈
255、现倒装形态通过焊盘植凸块后连接至有若干层金属的基板,基板底层植入焊球与 PCB 焊接。AiP 顶层没有其它器件完全由天线阵占据,便于直接向外发射接收电磁波信号。其中 RFIC 集成射频前端器件,包含混频器、功分/合路器、PA、LNA、移相器等。图 6-24 AiP结构剖面图 AiP 解决方案不占用主板面积,天线到 RFIC 之间差损小,天线辐射效率高,很好兼顾了天线性能、成本及体积,代表着近年来天线技术的重大成果。传统的 AiP 技术也存在一些缺陷,如对于使用金属边框和金属外壳的终端来说,直接使用 AiP 会带来的较大的遮挡损耗,针对这个问题,业界也提出了一些新的增强方法来应对,如针对金属边框
256、设计的将 AiA(Antenna in Antenna)与 AiP 相结合的 AiAiP 技术等。91 AoC AoC 即为片上天线(Antenna on Chip),是将天线和射频前端在晶片级别设计集成到同一芯片内的一种技术。目前 AoC 技术的较大缺陷在于损耗较大,电磁辐射效率较低,这也是目前业界研究AoC 技术增强的一个重要方向。在 6G 研究目前的讨论中,太赫兹频段被密切关注。相较于微波通信,太赫兹通信的容量有了极大的提升,它可以提供高达 10Gb/s 的通信速率。另外太赫兹波具有更好的方向性、更高的分辨率、保密性和抗干扰能力更高以及相对较短的波长所带来的天线尺寸更小和其他电路更加简单
257、紧凑等优势。随着工艺的提升,AoC 在太赫兹方面可能是一个比较好的应用。AoD AoD 即为屏上天线(Antenna on Display),是一种将天线与显示屏集成在一起的一种较新的天线技术,目前 5G 毫米波终端已有部分厂家尝试引入。随着触摸屏取代物理键盘作为主要的手持终端输入方式,尤其是随着近年来全面屏手机的普及,留给传统天线的可用空间越来越小,而屏幕越来越大,此时,考虑将天线与屏幕集成在一起不失为一种好的解决方法。图 6-25 手持终端屏上天线概念图 图 6-25 是一种手持终端 AoD 的概念图。针对 AoD,最大的挑战和技术难点在于如何实现光学隐身技术,即肉眼不可见,这一点类似于传
258、统的触摸屏传感器。92 平面透射表面相控阵平面透射表面相控阵 现有大规模天线结构及其规模扩展瓶颈现有大规模天线结构及其规模扩展瓶颈 图 6-26 给出了现有 5G 大规模天线架构的示例图。5G 低频大规模天线阵列包含 96个双极化单元,图 6-26(a)、图 6-26(b)分别表示了 5G 低频 32TRx、64TRx 天线阵列结构。5G 高频大规模天线阵列包含 768 个双极化单元,并划分成 4 个子阵。每个子阵对应一条射频通道,子阵的天线结构如图 6-26(c)所示。从图 6-26 中可以看出,无论是 5G低频,还是 5G 高频,现有的大规模天线为了控制功耗在垂直方向都采用的是 1 驱 N
259、 的结构(低频:N=3;高频 N=2)。鉴于典型基站天线 120 的波束宽度,现有大规模天线在水平方向上的扫描覆盖范围约为60,在垂直方向上的扫描覆盖范围则约为15。垂直方向上的扫描覆盖范围受限于阵列垂直方向的架构。图 6-26 现有5G大规模天线架构示意图(a)5G低频32TRx结构;(b)5G低频64TRx结构;(c)5G高频子阵结构 对于未来 6G 通信,为了获得更高的通信速率,天线阵列的规模势必会进一步增加。在现有架构的基础上有两种直接扩展阵列规模的方式。其中一种方式是增加子阵数目,子阵数目的增加既可以通过增加射频链路数实现,也可以通过增加子阵中移相器的数目实现,分别如图 6-27(a
260、)和图 6-27(b)所示。但是这种实现方式会使阵列的功耗成倍增加,不能获得较优的能量效率。第二种直接扩展阵列规模的方式是增加子阵所包含的天 93 线数目。然而这种扩展方式会加剧波束在垂直方向扫描时的栅瓣问题。例如,当 5G 低频天线阵列在垂直方向上由 1 驱 3 的结构扩展成 1 驱 6 的结构的情况下,其辐射波束在垂直方向上扫描到 7时,会在-7 的方向上出现一个栅瓣,如图 6-28 所示。栅瓣会在通信中引入干扰,还会使主瓣方向的天线增益下降;而子阵在垂直方向上包含的天线数目越多,出现栅瓣的垂直扫描角度越小。因此,增加子阵所包含天线数目的阵列扩展会使阵列在垂直方向上的扫描范围缩小,无法满足
261、 6G 通信 3D 覆盖的需求。综上所示,未来6G 超大规模天线阵列需要考虑新的天线架构。图 6-27 子阵数目增加方式(a)增加射频链路;(b)增加移相器 图 6-28 大规模天线垂直1驱6结构当辐射波束在垂直方向上扫描到7时的辐射方向图 新型大规模天线结构新型大规模天线结构平面透射表面相控阵平面透射表面相控阵 平面透射表面相控阵是一种超大规模天线阵列结构的实现形式。图 6-29 给出了该结构的示意图,其主要包含了平面透射表面和全数字相控阵两个部分。其中,平面透射表面由若干个 Nb比特可调相位的单元构成,该表面主要通过波束赋形,对基站发射能量进行区域优化分配;而与平面透射表面平行放置的全数字
262、相控阵则用来对不同流的数字信号进行预编码,以减弱用户之间的干扰。94 图 6-29 平面透射表面相控阵的结构示意图 平面透射表面相控阵结构可以改善 6.6.1 节提及的基于现有架构直接扩展阵列规模方式出现的问题。针对通过增加子阵所包含天线数目的扩展方式所带来的垂直扫描范围缩小的问题,平面透射表面相控阵结构可以避免辐射波束在垂直方向上出现栅瓣,从而实现垂直方向上的大角度扫描。例如,当设置仿真参数如下:平面透射表面的尺寸大小为 21 单元21 单元,每个单元可调相位的比特数 Nb=3;全数字相控阵的尺寸大小为 4 单元4 单元,阵列单元间距为 0.5 波长;平面透射表面与全数字相控阵之间的间距为
263、10波长。该结构所辐射的波束在垂直方向上扫描到40 时,没有出现栅瓣,二维辐射方向图如图 6-30 所示。图 6-30 平面透射表面相控阵结构辐射波束在垂直方向上扫描到40 时的二维辐射方向图(a)=40;(b)=-40 95 另外,平面透射表面是一种被动器件,可以通过电压控制开关器件的通断来实现单元透射相位的调节,然后通过调控平面透射表面的幅相分布实现远大于全数字馈源相控阵口径的波束成形,在不使用有源放大器的情况下提高辐射波束的增益。6.6.1 节提及的增加子阵数目的扩展方式包括增加射频链路数和增加移相器两种方式,从表 3-2的毫米波射频部件功耗参考值中可以看出,开关的典型功耗仅为移相器典型
264、功耗的1/6,射频链路功耗的 1/50。因此与通过增加子阵数目的扩展方式相比,通过平面透射表面构成超大规模天线阵列可以大幅度地降低功耗,提高超大规模天线阵列的能量效率。基于平面透射表面相控阵的超大规模基于平面透射表面相控阵的超大规模天线天线方案方案 本小节给出了将平面透射表面相控阵用于超大规模天线的一种实施方案。其基本步骤如图 6-31 所示。该方案是基于基站已经获知用户位置和系统工作在 TDD 频段这两个假设条件下设计的。图 6-31 基于平面透射表面相控阵MIMO方案的基本步骤 在基于平面透射表面相控阵的超大规模天线方案中,第一步是进行宽波束扫描,获知用户位置。在宽波束扫描过程中,全数字相
265、控阵的天线端口等幅同相馈电,通过改变平面透射表面的相位分布实现宽波束扫描。图 6-32 表示了一种扫描方式,在一个时刻波束在某个垂直平面内覆盖一个扇区 120 的区域范围,不同时刻扫描覆盖不同的垂直平面。图 6-32(a)至图 6-32(f)分别覆盖 0 7、7 13、13 17、17 23、23 27、27 33的垂直角度范围内的垂直平面。同样也可以覆盖负垂直角度范围内的垂直平面区域,这里不再赘述。96 图 6-32 一种平面透射表面相控阵宽波束扫描方式波束辐射方向图 该通信方案的第二步,再根据用户的位置分布确定波束辐射区域。图 6-33 表示了三种用户位置的分布情况,图 6-33(a)表示
266、用户集中分布在垂直角度=-9、水平角度=0空间区域附近,图 6-33(b)表示用户集中分布在垂直角度=-9、水平角度=0 和垂直角度=-9、水平角度=-55 空间区域附近,图 6-33(c)则表示用户集中分布在垂直角度=-9、水平角度=0 和垂直角度=20、水平角度=-50 空间区域附近。上述空间分布所需的波束辐射区域分布如图 6-34 所示。图 6-33 三种用户位置分布情况 97 图 6-34 图 6-33所示的用户分布所需的波束辐射区域 第三步再根据所需的波束辐射区域,通过如下公式确定平面透射表面的相位分布 P(dx_TA,dy_TA),(_,_)=A(22+2+2+2sincos+2s
267、incos)其中 dx_TA,dy_TA表示平面透射表面单元位置;D 表示平面透射表面和全数字相控阵之间的距离,i,i表示所需波束覆盖区域的空间位置,A 表示求角度运算。用 6.6.2 小节所述平面透射相控阵成形图 6-34 所示的所需波束辐射区域,对应的平面透射表面的相位分布如图 6-35 所示。图 6-35 图 6-34所示的所需波束辐射区域对应的平面透射表面的相位分布 在前三步中,保持全数字相控阵的端口等幅同相辐射,确定平面透射表面的相位分布;并在后续步骤中保持该相位分布,通过用户的上行信道,在基站侧进行信道状态测量;最后根据由信道状态测量得到的信道状态矩阵,得到预编码矩阵,进行下行通信
268、。产业成熟度分析产业成熟度分析 平面透射阵列是将超表面透镜作为移相结构应用于天线阵列。平面透射阵列有利于锐化波束,实现和 3D 龙勃透镜相类似的功能,提高波束增益和等效覆盖距离并降低功耗。龙勃透镜天线在产业化方面,不仅已经成为专业运动场馆(例如:Amalie Arena)蜂窝电话解决方案的重要组成部分,还在高速铁路、高速公路的大站间距场景下成功试点。98 但是从材料、工艺各方面来看,龙勃透镜天线都还没有到大规模低成本生产制造的程度;而且龙勃透镜天线属于专利技术,只有少部分厂商掌握。因此,目前运营商暂时将龙勃透镜的产业化方向放在应急保障等特殊场合,并密切观望其后续发展状态。平面透射阵列作为超材料
269、表面的一种应用形式,我们先从超材料技术标准化方面分析平面透射阵列的产业化特点。在技术标准化和专利覆盖方面,我国在超材料领域内的研究起步较早,2013 年我国就已经在全球范围内率先启动电磁超材料标准化工作,成立了全国电磁超材料技术及制品标准化技术委员会。而光启技术作为超材料方面的龙头企业,截至 2020 年 7 月在超材料领域的专利授权量达 2070 件,实现了超材料底层技术的专利覆盖。因此,平面透射阵列在我国具有较好的产业化基础。我们再从平面透射阵列的生产材料和工艺方面分析其产业化特点。平面透射阵列的关键部件超表面透镜的实现方式包括多层印刷电路板(PCB)工艺外加可调谐电子器件(例如:PIN
270、二极管开关、微电机系统 MEMS 开关)、向列相液晶等。其中多层 PCB 工艺已成熟并趋于完善,国内较大的覆铜板供应商和 PCB 制造商包括生益科技、沪电股份以及深南电路;另外在 PCB 工艺中,最为成熟的减层法制造方法具有 0.05mm 的工艺精度,能够满足微波、毫米波超表面透镜对工艺精度的要求。对于可重构超表面透镜来说,射频 PIN 二极管开关是不可或缺的元器件,可以通过在射频 PIN 二极管两端加载电压改变表面性能。而目前射频 PIN 二极管的产业也是较成熟的,全球较大的半导体供应商包括英飞凌、恩智浦、三星等。因此,和龙勃透镜天线相比,基于超表面透镜的平面透射阵列具有更容易实现大规模低成
271、本的生产制造的产业化特点。而对于基于液晶的超表面透镜的制作工艺可以兼容液晶显示器(LCD)制造工艺,从而其制造成本较低,有实现大规模量产的良好基础。平面透射阵列的关键部件超表面透镜在高校等研究机构已经有相对成熟的研究成果。但是转化成成熟的商业产品的例子较少,目前仅有一些商业卫星终端天线(例如Isotropic System 透镜相控阵)。由此,我们判断平面透射阵列正处于产业转化期。稀疏阵列天线架构稀疏阵列天线架构 在下一代移动通信中,超大规模天线系统期望将规模扩展到上千单元以便通过提升波束空间分辨能力和波束增益来进一步增强多用户 MIMO 能力、提高无线通信系统的频谱效率。但是,如果不改变天线
272、架构,仅仅通过增加通道数来实现超大规模天线系统的话,上千射频通道对超大规模系统的成本和功耗提出了巨大的挑战。在功耗方面,5G NR 基站的功耗主要由负责处理信号编解码的基带单元的计算功耗和负责执行基带信号与无线信号转换的射频有源天线单元的传输功耗组成,如图 6-36所示。再结合表 6-3 数据,我们可以发现采用大规模天线(例如 64T64R)的 5G NR 基站的功耗主要来源于射频有源天线单元,和 4G LTE 基站的射频拉远单元的功耗相比增加了两倍左右,而其功耗大幅度增加的原因在于射频通道数的成倍增加。而在保证无栅瓣扫描性能不恶化的情况下,上千单元的超大规模阵列所需的射频通道数至少是 64T
273、64R 的10 倍,那么在功放效率没有提升的前提下其功耗将高达几万瓦。这个数量级的功耗是未来基站不能承受的。虽然也可以通过应用新工艺、新数字预失真算法来提升功放的效率,99 但是大幅度功放效率的提升需要长期的研究和突破。因此,对于超大规模天线系统来说,堆叠射频通道的方案对其在功耗方面提出了巨大的挑战,需要应用新天线架构来减轻超大规模天线系统功耗压力。图 6-36 5G NR基站功耗组成示意图 表 6-3 5G NR基站设备功耗 基带处理单元(S111)有源天线单元(64T64R)基站 厂商 1 200W(典型)810W(典型)2630W(典型)厂商 2 230W(典型)1120W(最大)359
274、0W(最大)厂商 3 160W(典型)1050W(最大)/800W(典型)3310W(最大)/2560W(典型)厂商 4 470W(典型)1050W(最大)/800W(典型)3620W(最大)/3050W(典型)在成本方面,5G NR 基站典型射频通道包含巴伦匹配结构、滤波器、低噪放、功放、开关、环形器等,其成本约为 11.3 美元,每个器件具体成本分布如图 6-37 所示。若依然采用通道堆叠的方式,下一代超大规模天线系统在通道堆叠到 1024 个时,成本就会高达上万美元,高成本问题也不容忽略。图 6-37 5G NR基站典型射频通道成本分布 由此看来,无论是从功耗还是从成本方面看,超大规模天
275、线系统需要在尽量不增加甚至减少通道数的情况下,通过前端天线架构的优化来达到波束空间分辨能力以及增益提升的效果。100 稀疏阵列架构稀疏阵列架构 天线阵列的波束增益主要是由阵列口径尺寸决定。对于当前基站采用的均匀间隔阵列来说,只有满足相邻阵元间距不大于半波长,才能保证在可视区内不出现栅瓣,如图 6-38 所示。因此,超大规模天线系统在均匀天线阵列的架构下,需要成倍增加天线及其相关的射频通道来同时保证波束增益和扫描性能,从而正如上节所述会给上千单元超大规模天线系统带来巨大的成本和功耗压力。图 6-38 不同阵列间距的均匀阵列辐射波束(阵列口径1616)稀疏阵列4546是在保证阵列口径的情况下,从均
276、匀间隔满阵中通过优化算法选择稀疏掉部分阵元,其结构示意图如图 6-39 所示。和传统间隔不超过半波长的均匀阵列相比,稀疏阵列架构使用较少的天线阵元数和射频通道数,显而易见可以有效降低天馈系统成本和功耗。而接下来,我们将通过分析在上千单元超大规模天线中应用稀疏阵列方案对波束辐射扫描性能的影响来探讨其可行性。101 图 6-39 稀疏阵列的结构示意图 图 6-40 给出了在保证阵元间距不小于半波长以及阵列口径为 1616 的情况下,对以半波长单元间距均匀排布的 1024 单元阵列进行不同程度稀疏化后的稀疏阵列波束辐射图,波束主瓣指向(30,0)方向。有效辐射单元的位置选择以最小化旁瓣电平为目标,通
277、过使用遗传算法47来实现;36 单元、64 单元、256 单元稀疏阵列的有效辐射单元位置分布示意图如图 6-41 所示。从图 6-40 的计算结果中可以看出,不同有效辐射单元数的稀疏阵列在阵列口径均为 1616 时,辐射主瓣的 3dB 波束宽度均为 3.2;从而说明只要保证口径尺寸,对阵列的稀疏化处理并不影响辐射波束的空间分辨率。另一方面,36 单元、64 单元、256 单元稀疏阵列辐射波束的旁瓣抑制比分别为-8.6dB、-11.8dB和-16dB,如图 6-40 所示;因此稀疏阵列所使用的有效辐射单元数越多,更有利于获得更小的旁瓣干扰。图 6-40 不同程度稀疏化后的稀疏阵列的法向波束辐射图
278、 102 图 6-41 不同程度稀疏化后的稀疏阵列有效辐射单元位置分布示意图(a)36 有效辐射单元;(b)64 有效辐射单元;(c)256 有效辐射单元 而以 256 有效辐射单元的稀疏阵列为例,在用稀疏阵列实现波束扫描时,仍可保持较好旁瓣抑制性能,如图 6-42 所示。(a)(b)图 6-42 256有效辐射单元稀疏阵列的辐射波束扫描 103(a)俯仰角方向扫描(方位角为 0 度);(b)方位角方向扫描(俯仰角为 60)综上所述,在超大规模天线系统中可以采用稀疏阵列的架构仅用不到 50%的有效辐射阵元来实现高增益、高空间分辨率的波束辐射和扫描。在稀疏阵列架构中,我们还可以利用缺省单元的位置
279、进行相关降低风载荷的结构设计。另外,在稀疏阵架构的有效辐射阵元射频输入端还可以通过使用开关结构来控制对应射频通道的通断;在通信环境对波束旁瓣抑制性能要求较低时,还可以选择关闭部分有效辐射阵元的射频通道来进一步降低系统功耗。小结小结 在下一代超大规模天线系统中,在功放效率和工艺没有突破性进展的情况下,上千辐射单元和通道将引入上万瓦的功耗和上万元的射频通道成本,这是未来使用超大规模天线系统的基站所不能承受的。与相同口径以半波长为单元间距的均匀阵列相比,稀疏阵列架构在获得高增益、高空间分辨率的波束的同时,还可以通过以最小化旁瓣为目标的优化算法仅选择不到 50%的有效辐射阵元和射频通道来获得更优的旁瓣
280、抑制性能,从而可以有效地降低超大规模天线系统的成本和功耗。而且由于在稀疏阵列架构中有效辐射阵元数目和其辐射波束的旁瓣抑制性能成正比;那么在实际应用中如果在有效辐射阵元的射频输入端设置开关,我们还可以在环境对波束旁瓣抑制性能降低时智能地选择关闭部分有效辐射阵元的射频通道来进一步降低系统功耗。另外,稀疏阵列架构中的缺省单元位置也为降低风载荷提供了设计空间。104 第七章第七章 总结总结 超大规模天线在大规模天线(Massive MIMO)基础上的进一步扩展。超大规模天线可以认为是大规模天线技术的进一步演进升级,提供更高的频谱效率、更高的能量效率、新型的应用等。超大规模天线不仅仅是天线规模的增加,同
281、时也涉及到创新的天线阵列实现方式、创新的部署形式、创新的应用等。本文首先分析了超大规模天线技术的在未来 6G 网络中的应用方式和性能指标,在此基础上对超大规模天线技术的关键技术展开研究,包括信道建模、波束管理和发端处理技术等。本文也探讨了超大规模天线与新兴的技术(如人工智能)的结合方式。超大规模天线技术走向实用化的前提是低成本、可靠和易部署的天线技术。从部署方式角度,本文对分布式超大规模天线技术和智能中继进行了研究,识别出待解决的关键技术问题。本文对模块化天线、智能超表面和终端新型天线结构做了初步的探索,对于增加部署灵活性和降低成本、功耗都有一定的增益。105 参考文献参考文献 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 上行多用户系统中多普勒频偏估计方法J.南京邮电大学学报:自然科学版,2019,39(6):28-34.6 艾渤,章嘉懿,何睿斯等.面向智能高铁业务和应用的 5G 基础理论与关键技术J.中国科学基金.2020.7 Song H,Fang,X,Fang Y.Millimeter-wave network architectures for future high-speed 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 白皮书“6G 无线智能无处不在的关键驱动与研究挑战”,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-.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 孙彦彦等.用于相位突变界面的广义的反射定律和折射定律.物理学报,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 缩略语缩略语 3GPP 3rd Generation Partnership Project 第三代合作伙伴计划 4G 4th Generation 第四代 5G 5th Generation 第五代 6G 6th Generation 第六代 AAS Active Antenna System 有源天线系统 AAU Active Antenna Unit 有源天线单元 ABF Analog Beamforming 模拟波束成形 ACK
306、Acknowledgement 确认 A-CSI Aperiodic Channel State Information 非周期信道状态信息 ADC Analogue-to-Digital Converter 模拟-数字转换器 AL Aggregation Level 聚合等级 AMC Adaptive Modulation and Coding 自适应调制编码 AoA Angle of Arrival 信号到达角度 AOA Azimuth of Arrival 水平到达角 AoD Angle of Departure 信号离去角度 AOD Azimuth of Departure 水平发射角
307、 AR Augmented Reality 增强现实 AS Angle Spread 角度扩展 ASA Azimuth Spread of Arrival Angle 水平到达角角度扩展 ASD Azimuth Spread of Departure Angle 水平发射角角度扩展 ATG Air to Ground 空地通信 BER Bit Error Rate 误比特率 BLER BLock Error Rate 误块率 BM Beam Management 波束管理 BPSK Binary Phase-shift Keying 二进制相移键控 BS Base Station 基站 BWP
308、 BandWidth Part 带宽部分 CA Carrier Aggregation 载波聚合 CBL Case Based Learning 基于案例的学习 CDD Cyclic Delay Diversity 循环时延分集 CDM Code Division Multiplexing 码分复用 C-JT Coherent Joint Transmission 相干联合传输 CMAS Commercial Mobile Telephone Alerts 商业移动警报服务 CoMP Coordinated Multiple Points 协作多点传输 109 CP Cyclic Prefix
309、 循环前缀 CPA Cross-Polarized Array 交叉极化阵列 CPE Common Phase Error 共相位误差 CP-OFDM Cyclic Prefix OFDM 循环前缀 OFDM CQI Channel Quality Indicator 信道质量指示 CRB Common Resource Block 公共资源块 CRC Cyclic Redundancy Check 循环冗余校验 CSI Channel State Information 信道状态信息 CSI-IM CSI Interference Measurement CSI 干扰测量资源 CSI-RS
310、Channel State Information-Reference Signal 信道状态信息参考信号 DAC Digital-to-Analogue Converter 数字-模拟转换器 DFT Discrete Fourier Transform 离散傅里叶变换 DFT-s-OFDM Discrete Fourier Transform-Spread-Orthogonal Frequency Division Multiplexing 基于离散傅立叶变换的扩频正交频分复用 DL DownLink 下行 DM-RS DeModulation-Reference Signal 解调参考信号
311、 DOA Direction-of-Arrival 到达方向 DPB Dynamic Point Blanking 动态传输点静默 DPS Dynamic Point Switching 动态传输点切换 DRL Deep Reinforcement Learning 深度强化学习 DS Delay Spread 时延扩展 EBB Eignvector-Based Beamforming 基于特征向量的波束赋形 EIRP Effective Isotropic Radiated Power 等效全向辐射功率 eMBB enhanced Mobile Broadband 增强移动宽带 EOA El
312、evation of Arrival 到达仰角 EOD Elevation of Departure 离开仰角 EPRE Energy Per Resource Element 每资源单元发送能量 ETWS Earthquake&Tsunami Warning System 地震和海啸预警系统 EVD Eigen Value Decomposition 特征值分解 EVM Error Vector Magnitude 误差矢量幅度 FDD Frequency Division Duplex 频分双工 FDM Frequency Division Multiplexing 频分复用 110 FE
313、C Forward Error Correction 前向纠错 FFT Fast Fourier Transform 快速傅里叶变换 GCS Global Coordinate System 全局坐标系 gNB next Generation NodeB 下一代 B 节点 HAPS High Altitude Platform Station 高空平台 HBF Hybrid Beamforming 混合波束赋形 HPBW Half-Power Beam Width 半功率衰减波瓣宽度 HST High Speed Train 高速铁路 IAB Integrated Access and Bac
314、khaul 一体化接入与回传 IFC In-Flight Connectivity 空中互联网 IFFT Inverse Fast Fourier Transform 反快速傅里叶变换 IMT-2020 International Mobile Telecommunication-2020 国际移动通信-2020 IRC Interference Rejection Combining 干扰抑制合并 ITU International Telecommunication Union 国际电信联盟 JT Joint Transmission 联合传输 LCS Local Coordinate S
315、ystem 局部坐标系 LMMSE Linear Minimum Mean Squared Error 线性 MMSE LOS Line-Of-Sight 直视径 LS Least Square 最小二乘 LTE Long-Term Evolution 长期演进 LTE-A LTE-Advanced 先进 LTE MAC Medium Access Control 媒体接入控制 MCS Modulation and Coding Scheme 调制与编码方案 MIB Master Information Block 主信息块 MIMO Multiple Input Multiple Outpu
316、t 多输入多输出 ML Maximum Likelihood 最大似然 MMSE Minimum Mean Square Error 最小均方误差 mMTC Massive MTC 海量机器间通信 MPR Maximum Power Reduction 最大功率回退 MRC Maximum Ratio Combining 最大比合并 MRT Maximum Ratio Transmitting 最大比发射 MRT Maximum Ratio Transmission 最大比发送 MTC Machine Type Communication 机器间通信 111 MU-MIMO Multi-Use
317、r MIMO 多用户 MIMO NC-JT Non-Coherent Joint Transmission 非相干联合传输 NLOS Non Line Of Sight 非直射径 NR New Radio 新空口 OFDM Orthogonal Frequency Division Multiplexing 正交频分复用 OFDMA Orthogonal Frequency Devision Multiple Access 正交频分多址接入 OTDoA Observed Time Difference of Arrival 信号到达时间差定位 PAPR Peak-to-Average Powe
318、r Ratio 峰值平均功率比 PC Precoder Cycling 预编码矩阵轮询 PMI Precoding Matrix Indicatior 预编码矩阵标识 PN Phase Noise 相位噪声 PRB Physical Resource Block 物理资源块 QAM Quadrature Amplitude Modulation 正交幅度调制 QCL Quasi Co-Location 准共站址 QPSK Quadrature Phase-shift Keying 四进制相移键控 RB Resource Block 资源块 RBG Resource Block Group 资源
319、块组 RF Radio Frequency 射频 RL Reinforcement Learning 强化学习 RMa Rural Macro 乡村宏小区 RMR Rate Matching Resource 速率匹配资源 RMSI Remaining Minimum System Information 剩余最小系统信息 Rx Reception/Receiver 接收/接收机 SCS Subcarrier Spacing 子载波间隔 SDMA Spatial Division Multiple Access 空分多址 SF Shadow Fading 阴影衰落 SFBC Space Fre
320、quency Block Coding 空频分组编码 SINR Signal-to-Interference plus Noise Ratio 信干噪比 SISO Single Input Single Output 单输入单输出 SNR Signal-to-Noise Ratio 信噪比 SRS Sounding Reference Symbol 探测参考信号 SU-MIMO Single-User MIMO 单用户 MIMO 112 TDD Time Division Duplex 时分双工 TDM Time Division Multiplexing 时分复用 THz Tera Hert
321、z 太赫兹 ToA Time of Arrival 信号到达时间 TP Transmission Point 传输点 TRP Transmission/Receiption Point 传输/接收点 TTI Transmission Time Interval 传输时间间隔 Tx Transmission/Transmitter 发送/发射机 TXRU Transceiver Unit 发送接收单元 UAV Unmanned Aerial Vechicle 无人机 UE User Equipment 用户设备 UL UpLink 上行 ULA Uniform Linear Array 均匀平面
322、阵 UMa Urban Macro 城区宏小区 UMi Urban Micro 城区微小区 URA Uniform Rectangular Array 均匀矩形阵列 URLLC Ultra-Reliable&Low Latency Communications 超高可靠低时延通信 VR Virtual Reality 虚拟现实 XPD Cross Polarization Discrimination 交叉极化鉴别率 ZF Zero Forcing 迫零 ZOA Zenith of Arrival 垂直到达角 ZOD Zenith of Departure 垂直发射角 ZSA Zenith S
323、pread of Arrival Angle 垂直到达角角度扩展 ZSD Zenith Spread of Departure Angle 垂直发射角角度扩展 113 贡献单位贡献单位 主要贡献单位(排名不分先后)序号序号 主主要要贡献单位贡献单位 贡献人贡献人 贡献内容贡献内容 1 中国移动通信技术股份有限公司 王启星、金婧、楼梦婷 2.4 小区级最大并发数据流数;6.1 分布式超大规模天线 2 中国电信集团有限公司 李南希,郭婧,朱剑驰,陈鹏 1.2.3 室内深度覆盖;1.2.4 广域覆盖;1.2.5 立体覆盖增强;3.1 立体覆盖增强;3.3 高速以及超高速移动覆盖;6.2 模块化天线
324、3 华为技术有限公司 郑佳瑜,王斌 3.1.2 立体覆盖天线阵列结构;6.6 平面透射表面相控阵;6.7稀疏阵列天线架构 4 爱立信公司 郝丹丹,何睿 1.2 节概述部分 5 中兴通讯股份有限公司 孟溪,高波,陈艺戬,鲁照华 1.2.1 宏蜂窝覆盖;1.2.6终端之间短距通信;2.2 移动速度;4.2 波束管理 6 紫光展锐 苗润泉、王钰华 1.2.2 热点覆盖;6.5 终端新型天线结构 7 中信科移动通信技术股份有限公司 黄秋萍,高秋彬 2.1 频谱效率;4.1 信道建模;6.1 分布式超大规模天线;6.3智能超表面 8 上海诺基亚贝尔股份有限公司 张路,刘皓 2.4 小区级最大并发数据流数;4.3 发射端处理技术;5.1 深度学习与人工智能 9 北京航空航天大学 刘荣科,王孖杰,韩林丛,刘启瑞,赵婉蓉 3.3 空间精确定位与感知 10 之江实验室 赵志峰,郭荣斌 4.3 发射端处理技术 11 维沃移动通信有限公司 杨昂,姜大洁 5.1 深度学习与人工智能 12 复旦大学 肖戈川,杨涛 6.3 智能超表面 13 厦门大学 赵毅峰,高志斌,黄联芬 6.4 智能中继 14 联想 刘兵朝、朱晨曦 2.3 能量效率