《IMT-2030(6G)推进组:2023绿色智能化超大规模MIMO技术研究报告(36页).pdf》由会员分享,可在线阅读,更多相关《IMT-2030(6G)推进组:2023绿色智能化超大规模MIMO技术研究报告(36页).pdf(36页珍藏版)》请在三个皮匠报告上搜索。
1、北京稻壳科技有限公司Beijing Rice Hull Technology Co.,Ltd.地址:北京市朝阳区九住路 188 号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2023 年年 12 月月版权声明版权声明 Copyright Notification未经书面许可未经书面许可 禁止打印、复制及通过任何媒体传播禁止打印、复制及通过任何媒体传播2023 IMT-2030(6G)推进组版权所有3IMT-2030(6G)推进组IMT-2030(6G)Promotion Group概述概述.5背景意义背景意义.7绿色节能网络架构绿色节能网络架构.8上下行
2、解耦的动态关断网络架构.8无蜂窝(CELL-FREE)网络架构.10基于 RIS 辅助的绿色网络架构.14空口节能技术空口节能技术.17基于 CSI 反馈增强的天线调节技术.17基于负载情况的公共信号的自适应调节技术.18基于非连续传输的小区休眠技术.18基于 SSB 增强的网络节能技术.19智能化超大规模智能化超大规模 MIMO.21智能化 CSI 反馈方案.21智能化波束管理方案.23智能化基站管理方案.27总结与挑战总结与挑战.28总结.28挑战与建议.29参考文献参考文献.31主要贡献单位主要贡献单位.33缩略语缩略语.344IMT-2030(6G)推进组IMT-2030(6G)Pro
3、motion Group图目录图 3.2-1单层 Cell-free 网络架构.11图 3.2-2两层 Cell-free 网络架构.11图 3.2-3动态协作 TRP 簇.13图 3.3-1RIS 辅助的单小区覆盖增强示意图.15图 4.2-1以 SSB 为例的公共信号自适应调节示意图.18图 4.4-1On-demand SSB/SIB1 示意图.19图 4.4-2主载波承载载波的 SIB1 信息示意图.20图 4.4-3主载波触发辅载波的 SIB1 传输示意图.20图 5.1-1SCsiNet 结构示意图.22图 5.1-2SCsiNet 对反馈开销和天线端口数的可扩展性评估结果.23图
4、 5.2-1环境图片处理流程.26表目录表 5.2-1不同波束数量的测试结果.275IMT-2030(6G)推进组IMT-2030(6G)Promotion Group概述概述多输入多输出(MIMO)信道不仅具有经典香农信息论所涉及的时间和频率自由度,还具有空间自由度。MIMO 已成为 4G 和 5G 提升系统容量和频谱效率的最为有效的核心手段1。可以预计,未来将在 5G 的基础上,采用空天地海泛在通信网络,使用新频谱、超大规模天线、大规模分布式协作 MIMO、通信感知一体化等技术,发展覆盖范围更广、传输速率更高、可靠性更高、时延更小的无线传输系统,从而构建更新一代的普适性、智慧化、全业务移动
5、信息基础设施。绿色的通信网络既是行业降低网络成本的共同愿景,也是全世界实现“双碳”目标的必经之路。随着更多新频点、新技术和新场景的引入,超大规模MIMO 的能耗问题将日益突出。同时,受制于器件和干扰,更大规模的 MIMO带来的空间分集增益也将趋于饱和,结合人工智能(Artificial Intelligence,AI)技术的智能化 MIMO 或将给通信网络带来新的活力。本报告围绕绿色智能化超大规模 MIMO,从节能和智能两个维度阐述了目前超大规模 MIMO 技术的热点技术和研究现状。第三章围绕绿色节能网络架构展开,一方面从对现有网络架构的改进角度出发实现网络节能,另一方面对 Cell-free
6、,RIS 等技术进行探讨,阐述了 6G网络中潜在的节能方案。第四章围绕无线空口技术,结合当前网络现状及标准进展,针对当前以及未来通信网络中潜在的空口节能手段进行分析。第五章内容围绕 AI 技术在超大规模 MIMO 中的应用,首先从空口技术角度,介绍了智能化的信道状态信息反馈方法以及波束管理方案;然后结合通信网络特点,分析了对网络节能管理的潜在方向。基于本技术报告内容,绿色智能化超大规模 MIMO 将给未来 6G 移动通信网络带来巨大增益,但是也还存在诸多挑战,如网络架构的前向兼容性、网络能耗与性能的平衡性、AI 技术的低复杂度和可靠性等,在第六章中对此给出6IMT-2030(6G)推进组IMT
7、-2030(6G)Promotion Group了相应的总结和建议。7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group背景意义背景意义随着 5G 移动通信系统的大规模商用,在用户和网络需求的持续驱动下,6G 移动通信的研究已如火如荼地展开。6G 将集成人工智能、边缘计算等先进技术,致力于开启万物智联的新时代。这些新技术、新材料的应用虽然可以有效提高网络性能,但是也带来了更严峻的网络能耗问题。6G 移动通信如何在获得更大的系统容量、更高的可靠性、更低的时延的同时,获得更高的能量与频谱效率,是学术界和工业界普遍关心的一个问题。自 5G 时代开始,我国加快了基站建
8、设,但是同时也使得网络能耗大幅增长。据统计,目前无线网用电量约占整体网络用电量的 80%,其中基站设备为主要能耗来源,占比高达 70%以上。而为了支撑 5G 高速率而引入的更多通道数的有源天线单元(Active Antenna Unit,AAU)的功耗更是占据了基站 90%以上的能耗。随着未来 6G 网络工作频段和天线数量的增加,这一数据会越来越大。以毫米波频段为例,为满足边缘用户的通信体验,其覆盖半径仅约为3.5GHz 基站的 30%,需要更多的基站以满足覆盖需求。同时,毫米波基站功放效率约为 7%-15%,支持毫米波基站功放正常工作的能耗更高。多达 1024甚至更多的天线阵子数也将导致更大
9、的发射天线功耗。另一方面,按照带宽代际增长规律,预计 6G 带宽可达 500MHz1GHz。为保障无线通信质量,单位带宽发射功率基本不变,可推算 6G 基站发射功率将是 5G 的 5 倍以上。此外,智慧内生是 6G 的重要特征。常用 AI 模型的复杂度从十几兆到上百吉个模型参数。以 ChatGPT 为例,据环球零碳研究中心粗略合算,其模型训练碳排放超过 552 吨,运行 60 天碳排放约为 229.2 吨,合计碳排放超过 781.2 吨。内生智能也会带来系统能耗的增加。6G 网络中,超大规模 MIMO 仍将是网络能耗的主要来源。同时,增加基站的天线数形成超大规模 MIMO,虽然可使未来 6G
10、系统的频谱利用率进一步8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group提高,但当基站天线阵列部署的物理尺寸受限时,过于密集的天线部署将存在严重的互耦效应,相关 MIMO 信道容量存在理论极限。因此,绿色智能化超大规模 MIMO 是使超大规模天线 MIMO 在 6G 时代进一步发挥作用的关键。2020 年,习近平主席在第七十五届联合国大会一般性辩论上的讲话中提出,“中国将提高国家自主贡献力度,采取更加有力的政策和措施,二氧化碳排放力争于 2030 年前达到峰值,努力争取 2060 年前实现碳中和”,正式确立了“双碳”目标。在此战略背景下,目前三大运营商和铁塔
11、公司均制定了自己的“双碳”进度规划,以绿色、环保、低碳为发展目标,减少碳排放,在实现快更强的移动通信网络服务的同时,助力国家“双碳”战略发展。从技术层面上实现绿色网络是进一步实现“双碳”目标的关键。整体上,6G 网络需要采用新型的网络及架构,解耦网路中各模块功能,实现网络各模块的灵活控制;从空口技术上,需要引入更加灵活的控制反馈机制,减少信号的传输,及时关闭发射天线,降低网络能耗。超大规模 MIMO 技术中引入人工智能技术将有助于充分发挥超大规模MIMO 技术的潜力。在未来的通信系统中,超大规模 MIMO 有可能在多个环节实现智能化,如信道探测、波束管理、预处理、多用户检测与调度、信号处理与信
12、道状态信息反馈等,从而使超大规模 MIMO 系统更加高效和智能。绿色节能网络架构绿色节能网络架构绿色节能网络的实现,首先可从高层入手,对网络的结构进行改进。具体地,一方面可以对现有的网络进行改进升级,实现网络能效的提高;另一方面也可以通过引入新技术,使用全新的绿色智能网络架构。上下行解耦的动态关断网络架构上下行解耦的动态关断网络架构大规模 MIMO 系统上下行站点解耦的网络架构在解决上行覆盖受限、站间上下行负载均衡、上下行服务站点选择优化等方面相比上下行站点强绑定架构具备显著优势。由于上下行站点解耦网络架构通常需要密集的基站部署或者宏9IMT-2030(6G)推进组IMT-2030(6G)Pr
13、omotion Group微异构组网,网络整体能耗较高,因此需要在不明显影响上下行传输质量的前提下通过动态关闭基站上/下行传输来降低网络侧能耗。上下行站点解耦的网络架构中可在下述几种场景通过分别动态关断上/下行传输,实现网络节能:(1)仅上行覆盖容量受限)仅上行覆盖容量受限由于用户设备发射功率通常远小于基站,上行覆盖范围通常明显小于下行覆盖范围,网络部署中会在宏站覆盖范围内专门部署一些小站来应对上行覆盖受限的情况。在传统上下行站点强绑定的网络架构中,原本专门用于上行覆盖增强的小站也必须提供下行服务,但此时宏站可能才是用户的最佳下行服务站点,并且下行覆盖的重叠也带来严重的下行干扰。动态关闭上行覆
14、盖增强小站的下行传输,允许用户与小站建立上行传输链路的同时与宏站建立下行传输链路,不仅明显降低了站点间的下行干扰,同时可以显著降低网络能耗。(2)上下行业务负载不均衡)上下行业务负载不均衡基站能耗主要发生于下行发送模块,当基站的下行业务负载较低而上行业务负载较高时,可以由多个站点提供上行服务,而仅由少量站点提供下行服务,此时动态关闭部分站点的下行发送模块可以有效降低网络侧能耗。同样对于基站上行业务负载较低而下行业务负载较高的场景,也可动态关闭部分站点的上行传输,而由另外少数站点集中提供上行服务。尽管相比下行传输模块的关闭效果稍弱,但是上行接收模块关闭也可以带来一定的能耗降低。(3)相干传输)相
15、干传输根据终端业务需求,一些场景下需要多站点间实现相干联合传输或接收,同时相干联合传输或接收的需求对于上下行业务是独立的。例如有下行相干联合传输需求的终端可能并不需要多站点对上行传输的联合接收。另外,如果不要求上下行站点解耦的网络架构中终端的下行服务站点与上行服务站点绑定,那么在多站点联合传输或接收的场景中,也就意味着并不要求相干联合接收的10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group多个站点与相干联合传输的多个站点完全重合。在上面三种场景中,部分站点会仅提供上行或下行传输服务,那么在业务负载允许的前提下,关闭未被使用或利用率低的传输模块可同时带来降低
16、干扰和节约网络能耗两方面的增益。无蜂窝(无蜂窝(Cell-freeCell-free)网络架构)网络架构Cell-free 网络架构概述网络架构概述传统集中式的超大规模 MIMO 网络中,所有天线单元都集中部署在宏基站处。与之不同,Cell-free 网络中的天线单元以 TRP(Transmission and ReceptionPoint)的形式分布式地部署在不同的地理位置,能够获得更好的分集增益。从网络部署的层级关系来看,Cell-free 网络分为以下两种典型架构:第一种是单层架构,如图 3.2-1 所示,所有 TRP 都密集部署在同一层,每个 TRP 均通过前传链路直接连接到中央处理单
17、元(CPU,Central ProcessingUnit),分布式地进行数据传输和资源配置1-3,由 TRP 完成终端信号的发送和接收,由 CPU 完成不同 TRP 的用户数据的分发、合并、预编码和数据处理,以及终端动态协作簇的更新。第二种是两层架构,如图 3.2-2 所示。第一层网络主要实现 UE 的初始接入和移动性管理,完成 UE 与网络之间的低时延控制信令交换,能够提供较好的覆盖能力4,例如基于单频网(SFN,Single Frequency Network)技术的超级小区(super cell)、或者是基于低频段通信的广覆盖小区。第二层网络主要实现高速率的数据传输,通过动态地为每个用户
18、选择一个或若干个传输节点进行集中式或者分布式 MIMO 的传输,能够获得更高的空间复用增益,提供更高的数据传输速率5。第二层网络可以采用 non-SFN 模式的、或者采用相比第一层网络频点更高的频点。11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.2-1 单层Cell-free网络架构图 3.2-2 两层Cell-free网络架构Cell-free 网络节能增益分析网络节能增益分析Cell-free 网络的节能增益主要来源于以下几个方面:第一,Cell-free 网络12IMT-2030(6G)推进组IMT-2030(6G)Promotion G
19、roup中 TRP 部署位置距离终端近,因此信号传输的路径损耗较小,能量效率更高,所以天线辐射功率可以有效降低1;第二,Cell-free 网络中 TRP 通过高速率、低延时的前传链路与 CPU 相连,能够实现统一的资源调度和干扰管理,实现分布式部署的 TRP 之间的联合相干传输,可以有效增强信号强度,提升能量效率2;第三,不同于传统网络中同时具备基带处理和射频处理能力的宏基站,Cell-free 网络中的 TRP 可以视作远端射频单元,而信号的基带处理可以集中在 CPU 完成,不需要分布在每个 TRP 实现,这种集中式的基带处理架构能够带来网络侧能耗的降低;第四,Cell-free 网络中服
20、务终端的 TRP 簇会随着终端的移动动态更新,实现“网随人动”,因此终端移动时不需要进行传统网络中小区之间的层 3 切换流程,避免了频繁的小区重选流程,也可以减少寻呼的丢失概率,可以降低传统单小区架构下小区切换的复杂度和信令开销,能够有效降低终端侧的能耗,实现绿色节能5。TRP 动态协作的绿色动态协作的绿色 Cell-free 网络网络当 Cell-free 网络数据流量不均匀时,采用 TRP 动态关断,可以更好的实现网络的绿色节能 6。在动态 TRP 开关场景中,网络中的每个 TRP 可以处于激活模式或休眠模式,由 CPU 动态调整 TRP 的激活比例或者激活集合,利用无线网络中空间流量的非
21、均匀性,可以通过临时关闭数据流量较小的区域的部分 TRP 来达到网络节能的目的。进一步地,将若干服务于同一 UE 的 TRP 构成 TRP 簇,通过 TRP(簇)间的协作进一步提高网络能效。如图 3.2-3 所示,地理位置上相邻的几个TRP 配置为一个 TRP 簇。对于每个终端而言,为其服务的 TRP 簇是专属的。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 3.2-3 动态协作TRP簇基于此架构,通过如下 TRP 协作设计,可进一步实现网络的节能:(1)公共公共 TRP 簇和服务簇和服务 TRP 簇:减少网络接入能耗簇:减少网络接入能耗为减少网络
22、的接入时间和能耗,可考虑设计公共 TRP 簇和服务 TRP 簇。其中公共 TRP 簇主要用于空闲状态的 UE、非激活态 UE 的初始接入;服务TRP 簇则用于为连接状态的 UE 提供数据传输服务。公共 TRP 簇可服务于所有的 UE,使其实现快速初始接入,因此该类簇需要保证广域的覆盖,但对系统容量要求不高,可以采用低频段作为工作频段,只需要较少的 TRP 数量和信号交互,进而降低网络能耗。服务 TRP 簇是服务特定 UE 的,主要用于实现其数据的高速传输,故可以采用高频段作为工作频段。(2)服务服务 TRP 簇与测量簇与测量 TRP 簇:减少测量资源开销簇:减少测量资源开销为了减少测量过程中的
23、资源开销,可以将网络的 TRP 分为两类:服务 TRP簇和测量 TRP 簇。考虑到 UE 具备移动性,对其进行 RRM 测量时 UE 需要测量包括协作 TRP 簇内的 TRP 和协作簇外的 TRP 的参考信号,用于实现快速的TRP(簇)更新和切换。显然,可以为这两种 TRP 簇的参考信号采用不同的测量配置,例如:服务 TRP 簇可以采用比测量 TRP 簇更小的测量周期。考虑到终端移动的有限性,以此可以减少测量 TRP 簇的测量开销。(3)服务簇参考信号复用:降低参考信号开销)服务簇参考信号复用:降低参考信号开销在上述网络架构中,所述 TRP 簇是 UE 专属的,即使两个 UE 处于同一位14I
24、MT-2030(6G)推进组IMT-2030(6G)Promotion Group置,理论上也需要为每个 UE 单独配置参考信号。为了降低资源开销带来的能耗,网络侧可以将服务簇参考信号进行复用,即处于同一位置的不同 UE 可以使用相同的参考信号。虽然参考信号相同,但基于网络侧为终端配置 TRP 簇的不同 ID,在 UE 侧,参考信号所属 TRP 簇仍然是网络为其唯一配置的。基于基于 RISRIS 辅助的绿色网络架构辅助的绿色网络架构RIS(Reconfigurable Intelligent Surface)技术是新型信息超材料与无线通信技术的融合技术。其愿景是通过在无线环境中合理的部署 RI
25、S 设备来达到重塑无线信道的目的,从而提高无线系统的能量利用率,降低/优化组网站点的部署密度。RIS 技术在绿色通信中的应用可以从 RIS 辅助的单小区节能通信场景和 RIS 辅助的 Cell-free 网络场景两方面来考虑。RIS 辅助的单小区绿色节能通信辅助的单小区绿色节能通信RIS 设备由大量规则排列的亚波长 RIS 单元阵列和后台的 RIS 单元控制模块组成。通过独立调控各个 RIS 单元的频率响应特性,RIS 设备可以对基站下行信号或者终端上行信号按照系统需求的波束方向进行反射转发。相比于普通的物体的漫反射,RIS 设备的波束转发路径可以为基站-RIS-终端的级联信道提供额外的波束赋
26、形增益。在单小区场景下,RIS 节点可以部署在小区边缘或者阴影衰落区域等覆盖受限区域,用以提升基站的信号覆盖质量和节省基站/终端发射功率。文献7中针对 RIS 辅助的单小区覆盖增强的多用户容量和系统能耗进行建模和分析。文中指出由于不具备信号放大功能,在相同收发单元数的情况下,无源 RIS虽然性能增益要低于 AF(Amplify and Forward)中继,但是其能效显然远优于 AF 中继。此外,由于无源 RIS 结构简单成本低廉,其与 AF 在系统容量上的差距也可以通过扩大 RIS 阵列规模来弥补,是一种功耗更低的解决方案。大量规模部署的 RIS 节点从空间维度上提升无线能量的利用率8。RI
27、S 节点可以与基站进行协作实现数据能量同时传输(SWIPT,Simultaneous Wireless15IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupInformation and Power Transfer)的功能。在 SWIPT 系统中,基站的主瓣波束为数据终端提供数据服务;同时,辐射到 RIS 阵面的无线信号被 RIS 节点反射汇聚到能量终端用于能量收集。综上所述,基于 RIS 技术辅助的无线网络架构,有效优化了无线传播环境,提升了无线信号/能量的使用率和使用效率,是绿色通信的一个发展新方向。图 3.3-1RIS辅助的单小区覆盖增强示意图RIS
28、辅助的辅助的 Cell-free 网络节能通信网络节能通信在 Cell-free 网络中,RIS 节点可以与基站协作形成分布式 MIMO 的组网架构。一方面,RIS 节点依靠反射转发信号来提供服务,没有射频信号处理的操作,不会引入基站-RIS 节点间的频率偏差,进而避免了 RIS 节点与基站之间的周期性频率校准,降低了 Cell-free 组网的开销。另一方面,作为一种异构组网方案,在 RIS 辅助的 Cell-free 网络中,RIS 节点并不会主动生成无线信号,通过合理部署 RIS 节点,降低 Cell-free 基站节点的部署密度,可实现 Cell-free网络整体能耗的降低。16IMT
29、-2030(6G)推进组IMT-2030(6G)Promotion Group相比于单小区场景,RIS 辅助的 Cell-free 网络中,RIS 的控制算法更加复杂。RIS 节点需要反射和控制来自多个基站的不同方向的无线信号汇聚成指向终端的波束。需要保证 RIS 节点的反射信号与基站到终端的直连信道的信号的有效相干叠加9,10。文献3,4中提出使用两步式迭代控制方案,依次优化RIS 节点的反射波束和基站节点的发送波束来逼近最佳的终端覆盖效果。总体看来,RIS 辅助的 Cell-free 网络在组网成本方面有明显优势,但是相应的在Cell-free 网络节点波束控制方面复杂度增加。实际部署中,
30、系统需要在这两面进行权衡和优化。17IMT-2030(6G)推进组IMT-2030(6G)Promotion Group空口节能技术空口节能技术超大规模 MIMO 的能耗增加主要来源于快速增长的基站天线数量,因而降低天线的能耗,是降低网络整体能耗最直接有效的技术手段。基于基于 CSICSI 反馈增强的天线调节技术反馈增强的天线调节技术当小区内活跃用户数量有限时,基站并不需要以满功率工作即可维持网络性能的稳定,故通过对无线信道进行监督进而对基站天线进行调节,可以有效降低中低负载网络的能耗11。目前移动通信网络中,通过信道状态信息反馈(CSI,Channel state indication)机制
31、实现基站对网络环境的监测:U E 依照 RRC 参数的配置,对 CSI-RS 参考信号进行测量并将结果通过 CSI 反馈给基站,从而使得基站可以掌握网络状态并对当前天线预编码矩阵、波束赋形参数等策略进行调整。基站可以根据CSI 反馈的结果,关断部分天线通道或降低天线发射功率实现网络能耗的降低。提高 CSI 反馈效率是实现网络天线自适应调节最关键和直接的方法。具体地,可从如下三个方面对其进行增强:(1)CSI-RS 资源配置的增强资源配置的增强CSI-RS 资源配置使得终端对要测量的 CSI-RS 信号有所准备。通过对其增强,可令一个 CSI-RS 资源对应多个不同的天线配置,如不同的天线端口数
32、量或发射功率。由此,基站可一次性发送多个潜在 CSI-RS 信号,进而缩短调整CSI-RS 配置所需时间。(2)CSI 上报配置的增强上报配置的增强CSI 上报配置可用于具体指示 CSI 上报的内容,对其进行增强可令终端一次同时测量多个 CSI-RS,进而提高效率。可将 CSI 上报配置细化到子配置的颗粒度,同时包含对多个 CSI 上报的配置,进而提高 CSI 上报配置的效率。(3)CSI 上报过程增强上报过程增强同时上报多个 CSI 虽然提高了反馈效率,但是也需要降低终端测量复杂度和反馈开销。最直接的方法是在一个 CSI 上报中包含多个 CSI-RS 的测量结果,18IMT-2030(6G)
33、推进组IMT-2030(6G)Promotion Group甚至对多个测量结果进行联合上报。基于上述 CSI 反馈机制增强,基站可以第一时间得知当前信道状况,在不影响网络性能的情况下,降低基站射频天线的发射能耗,进而实现了网络能耗的降低。基于负载情况的公共信号的自适应调节技术基于负载情况的公共信号的自适应调节技术目前的网络中,SSB、RACH、Paging 等公共信号或信道是周期性传输的,且在每次 RRC 配置后,保持传输周期不变,网络负载较低时,带来了大量的不必要能耗开销。为了节约网络能耗,基站可以通过对网络负载进行实时监控,在网络负载低时,采用更长的公共信号周期,从而实现公共信号/信道的传
34、输周期的自适应调节,通过减少信号发送频率来实现网络节能,如图 4.2-1 所示。通过自适应调节信号发送周期,可以降低网络能耗 20%以上11。图 4.2-1 以SSB为例的公共信号自适应调节示意图基于非连续传输的小区休眠技术基于非连续传输的小区休眠技术进一步地,当小区内没有活跃用户时,可直接对整个小区进行一段时间的关断,仅保留部分信号的发送和接收,以小区非连续发送/接收的方式,实现小区的深度休眠。终端的非连续接收机制(Connected Discontinuous reception,C-DRX)目前已被应用于移动通信网络。当此机制被开启后,终端进入周期性休眠状态,只保留很小一部分信号的正常接
35、收;同时进一步引入唤醒(Wake-up Signal,WUS)19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group信号,只有在特定的情况下才会对终端进行唤醒,进而有效地降低了终端的能耗。同样地,非连续接收机制也可应用于基站侧。基站侧的能耗主要来自于发送信号时天线的能耗,故基站侧需要同时考虑小区的非连续接收和发送,周期性地停止大部分信号的接收/发送工作,以实现基站侧的节能。与 4.1 小节中的天线调节相比,小区的非连续发送/接收可以看作是一种较深层次的休眠,牺牲了一定的灵活性和网络性能,但是可以带来相对较大的节能增益。在低负载场景下,小区的非连续传输可以带来
36、30%以上的节能增益11,这一数值将随着负载的升高而降低。基于基于 SSBSSB 增强的网络节能技术增强的网络节能技术为保证用户的接入和同步,在 4.3 小节所述的小区非连续接收技术并不会影响 SSB(Synchronization Signal/PBCH Block)的正常发送。通过减少 SSB信号的发送,可以进一步降低网络能耗。在单载波小区中,SSB 的节能主要通过减少发送 SSB,即 On-demand SSB,实现。通过 On-demand SSB,根据网络需要动态调节 SSB 的发送周期,在较长的时间内停止 SSB 的发送,可以大幅降低网络能耗,如图 4.4-1 所示。据评估11,在
37、低/空负载下,这一方法将带来 20%-40%的网络节能增益。图 4.4-1 On-demand SSB/SIB1示意图载波聚合(Carrier Aggravation,CA)技术被广泛应用于多载波场景中,具体地可分为载波内频谱聚合(intra-band CA)和载波间频谱聚合(inter-bandCA)。对于 intra-band CA 场景,只需要在其中一个载波上传输 SSB/SIB1 信息,终端可参考此信息在所有载波上实现与基站的同步。20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group类似地,对于 inter-band CA,在主小区(Primary-
38、Cell,PCell)上,仍需要保持 SSB 的正常发送以维持终端与小区的同步。而对于辅小区(Secondary-Cell,SCell),则可暂停发送 SSB/SIB1(System information block1)。当终端希望与辅小区保持同步时,其接入可通过如下的两种方式之一实现:(1)如图 4.4-2,将 SCell 的 SSB/SIB1 信息存放于 PCell 的 SSB/SIB1内,Scell 的 SSB/SIB1 可采取较长的周期进行发送,进一步实现网络节能。图 4.4-2 主载波承载载波的SIB1信息示意图(2)如图 4.4-3,当终端有与 SCell 同步的需求时,通过 P
39、Cell 触发 Scell上 SSB/SIB1 的发送,其余时间 SCell 的 SSB/SIB1 可完全停止发送。图 4.4-3 主载波触发辅载波的SIB1传输示意图无论具体采取哪种方式,都将大量减少 SCell 传输 SSB/SIB1 所需的发射能耗,在多载波场景中有效实现网络节能。21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group智能化超大规模智能化超大规模 MIMO随着 AI 技术的发展,在 5G 空口技术中应用 AI 已经引起了广泛关注和研究12。在未来 6G 移动通信的超大规模 MIMO 网络中,充分利用 AI 技术,既可以有效提升网络性能,又
40、可以降低网络能耗,在二者之间带来更好的平衡,以最小的资源开销换取最优质的网络服务。智能化智能化 CSICSI 反馈方案反馈方案传统的智能化 CSI 反馈方案都是针对特定的反馈开销、天线端口数等进行训练和推演的13,14。当反馈开销或天线端口数发生变化时,通常需要训练新的 AI 模型,这使其难以应用于实际系统中。若针对不同的反馈开销和天线端口数训练不同的机器学习模型,则模型的个数将会非常多,不利于 AI 模型的存储、部署、传递。因此,有必要设计一种灵活可扩展的智能化 CSI 反馈方案。灵活可扩展的智能化灵活可扩展的智能化 CSI 反馈框架:反馈框架:SCsiNet为了同时支持多种反馈开销、多种天
41、线端口配置等,本节提出了一种灵活可扩展的智能化 CSI 反馈方案:SCsiNet(Scalable CsiNet)。如图 5.1-1 所示,SCsiNet 中的核心模块(EN/DE block)在内侧和外侧拥有多条支路,每条支路连接着一个扩展增强模块(US/DS block 或者 LPT/LT block):EN(encoder)block 为自编码器(Auto-encoder)中的编码器,DE(decoder)block 为自编码器中的译码器;US(up sampling)block 为上采样模块,DS(down sampling)block 为下采样模块,上采样模块和下采样模块用于支持多种
42、 CSI 反馈开销;LPT(Linear Pre-Transformer)block 为线性预变换模块,LT(Linear Transformer)block 为线性变换模块,LPT 模块和 LT 模块用于支持不同的天线端口数,上述所有线性变换都是通过一个可训练的全连接层实现的。22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5.1-1SCsiNet结构示意图SCsiNet 方案性能评估方案性能评估SCsiNet 方案通过多对上下采样层和一对公共编译码器实现不同反馈开销,通过多对预变换和变换层实现不同天线端口维度的数据统一。SCsiNet 方案方案的
43、仿真评估结果如图 5.1-2 所示。可以观察到 SCsiNet 方案在多种端口和反馈开销下有较好的平方广义余弦相似度(SGCS,Squared Generalized CosineSimilarity)性能,而且与在每一种反馈开销和端口下分别训练 AI 模型的性能相近。本节提出的 SCsiNet 方案适用于不同的系统参数,并且在系统内外部条件变化的情况下,无需重新训练,仍然可以有效运行。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5.1-2SCsiNet对反馈开销和天线端口数的可扩展性评估结果智能化波束管理方案智能化波束管理方案在高频场景下,更精
44、准,更低开销的智能波束成形是实现未来 6G 通信系统容量更大程度提升的关键。随着基站天线数量的不断增加,波束增益也越来越大,进而可以不断提升系统容量和性能。高增益波束对应的波束宽度也越来越窄,覆盖相同范围所需要的波束数量也急剧增加。随着波束数量的增加,全局扫描所有波束进行测量的开销巨大,在实际系统中难以接受。得益于可靠的预测精度和较小的资源开销,基于人工智能和机器学习的波束管理策略技术在学术界和产业界得到广泛的研究。利用机器学习算法,只需要进行稀疏波束扫描测量,并基于测量结果对其它未测量波束进行预测,最后选择最强波束。基于基于环境图片信息的智能化波束预测策略环境图片信息的智能化波束预测策略本节
45、给出了一种利用环境图片信息的基于机器学习的波束预测策略,在保证预测精度的同时具有良好的泛化能力。在球面坐标下,最佳波束方向预测可以拆分为最佳波束的水平方向预测和最佳波束的垂直方向预测。通过大量仿真验证表明,对于水平波束方向预测,基站和终端之间的角度信息起主导作用;对于垂直方向波束预测,基站和终端之间的距离起主导作用。本节提出一种以环境地图分布为输入的基于机器学习的智能化波束预测策略。环境地图中包含了目标基站和目标用户以及分布于基24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group站和用户周围的建筑物信息,例如各建筑物的坐标,高度等尺寸相关信息。首先将基站和终
46、端的位置坐标转换为基站和终端之间的角度和距离。若为LOS 路径,则获取 LOS 路径的角度和距离特征。对于 NLOS 路径,利用环境地图信息,将 NLOS 路径转成若干 LOS 路径,从而可以用 LOS 方法处理 NLOS场景。通常,波束的方向可以用角度表示,而波束增益又会随着距离的增加而衰减。另外,如前所述,发射波束的水平角度主要和基站和终端之间的角度相关,而发射波束的垂直角度主要和基站和终端之间的距离相关。因此,可以将基于环境地图获取到的基站和终端的坐标转换为基站到终端的角度和距离。对于 LOS 路径,可以利用以下主要特征:1)最佳发送波束的水平方向主要与基站和终端之间的发射角度相关,且不
47、受载波频率的影响。2)最佳发送波束的垂直方向主要与基站和终端之间的距离相关。3)最佳接收波束的方向主要与基站和终端之间的接收角度相关,且不受载波频率的影响。基于该特征,本方案将波束预测的问题解耦为最佳发射波束水平方向预测、最佳发射波束垂直方向预测和最佳接收波束预测三个步骤。通过问题分解便于有针对性的特征提取,以提高模型泛化性,便于模型迁移。训练得到的机器学习模型运行速度快、模型小、功耗低、便于实际部署。数据分析数据分析本方案涉及到以下三个数据集,其中数据集 1 主要用于模型训练,数据集2 和数据集 3 则主要用于模型验证和测试。其中,数据集 2 和数据集 1 相比,环境地图信息一致,载波频率和
48、发射波束数量不同;数据集 3 和数据集 1 相比,载波频率和发射波束数量相同,环境地图不同。不同的数据集用于评估所设计模型的泛化性能。环境地图信息给出了生成数据的场景中筑物的布局情况。基站和终端之间可能有或无建筑物的遮挡,因此这些传输环境可能是 NLOS 或25IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupLOS 环境。模型输出为 K 个最强波束对,其中 K=1,3,5。计算三种不同 K的取值下波束预测精度(被选择的 K 个波束对中包含最强波束对的概率)。具体数据集信息如下:数据集数据集 1(包含训练和测试数据集包含训练和测试数据集):对于载波频率为 f1
49、 的通信系统,考虑由 64 个发射波束和 4 个接收波束组成的 644 个波束对集合。对于每个接收波束,扫描其中的 8 个发射波束,得到 84 个波束对测量结果,再将这 84 个波束对的测量结果作为输入,每个训练样本的数据结构为64x4 个波束对的强度,传输环境图片,基站位置,终端位置。数据集数据集 2(测试数据集测试数据集):对于载波频率为 f2 的通信系统,考虑由 128 个发射波束和 4 个接收波束组成的 1284 个波束对集合。对于每个接收波束,扫描其中的 8 个发射波束,得到 84 个波束对测量结果,再将这 84 个波束对的测量结果作为输入,输出 K 个最强波束对,其中 K=1,3,
50、5。数据结构为1284 个波束对的强度,环境地图信息,基站位置,终端位置。数据集数据集 3(测试数据集)(测试数据集):对于载波频率为 f1 的通信系统,考虑由 64 个发射波束和 4 个接收波束组成的 644 个波束对集合。每个数据样本的数据结构为644 个波束对的强度,环境地图信息,基站位置,终端位置。与数据集 1 相比,仅环境地图信息不同。模型构建模型构建首先对环境地图进行处理,以便获取建筑物的边缘信息,从而进一步精确获取基站到终端的路径的距离和角度信息。对环境图片进行处理获取边缘信息的方法有很多,可以采用拉普拉斯算子直接处理。这是一种速度快,资源消耗少的简单方法,具体流程如图 5.2-
51、1 所示。26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5.2-1环境图片处理流程由建筑物的边界信息可以计算得出基站和终端的反射或衍射路径,从而更精确的对 NLOS 的情况下的基站到终端的发射和接收角度进行确定,这样将NLOS 转化为 LOS 后,可对所有路径进行统一的处理。基于对数据的分析,考虑将预测最强波束的问题解耦为三个子问题:(1)发射波束的水平方向预测发射波束垂直方向使用特征:八个采样的发射波束的相同位置对接收方向的四个波束的值取最大值,采样的最强波束的索引,采样的最强波束的值,采样的第二强波束的索引,采样的第二强波束的值,发射角度,距离
52、等。(2)发射波束的垂直方向预测发射波束水平方向使用特征:八个采样的发射波束的相同位置对接收方向的四个波束的值取最大值,采样的最强波束的索引,采样的最强波束的值,采样的第二强波束的索引,采样的第二强波束的值,发射角度,距离等。(3)接收波束方向的预测接收波束方向使用特征:接收角度,距离,相同接收方向的八个波束取最大值作为特征。实测性能评估实测性能评估使用数据集 1 的前 10000 组数据进行模型训练,分别用数据集 1 的后 1000组数据,数据集 2 的 1000 组数据以及数据集 3 的 1000 组数据进行预测,对应K=1,3,5的预测精度如下表所示:27IMT-2030(6G)推进组I
53、MT-2030(6G)Promotion Group表 5.2-1 不同波束数量的测试结果数据集数据集 1数据集数据集 2数据集数据集 3K=10.960.940.80K=30.990.980.90K=5110.99根据实测结果,基于机器学习的智能波束预测方法确实可以大幅度降低所需要的波束测量开销,并保证足够的波束预测精度。同时尽可能利用环境地图提取的关键信息作为辅助信息,则可以进一步提高模型预测的鲁棒性,保证模型的泛化性能。智能化基站管理方案智能化基站管理方案利用人工智能技术,以最优的全网运行效率和最优的节能效率为目标,对基站实现高效编排管理,可以减轻超大规模天线运营负担,进而实现绿色智能的
54、超大规模 MIMO 网络。这一过程主要需要对网络数据实时监控并预测,从而展开网络编排,实现网络节能15。AI 技术可根据历史数据分析有效预测网络负载和用户行为,采用如自回归综合移动平均模型、长短期记忆等模型,进行时间序列预测,对基站运营的时间窗口进行配置,使得基站进入更深层次更长时间的休眠,以节省网络能耗16,17。通过 AI 技术预测 RRC 连接的用户数及其资源使用情况,可为不同用户独立配置不同的触发阈值,提高网络性能同时降低网络能耗。不同的网络场景有不同的 KPI 要求,利用 AI 技术有针对性地实施优化策略,可以在提升用户服务体验的同时尽可能节约能耗。智能化基站节能管理需要以大量的采集
55、数据作为支撑,以 AI 为使能对网络业务进行精准预测。当预测业务较低时,可将该小区的负载转移到邻小区,并采取不同程度的节能方法,以实现当前小区的天线节能。而当预测业务恢复时,则可提前关闭部分节能机制,以保证网络性能的稳定和优质的用户体验。28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group总结与挑战总结与挑战总结总结研究报告针对 6G 网络超大规模 MIMO 潜在的绿色节能技术展开,提出了切实可行的网络节能方案和高效的智能实现方法,紧密结合业界研究进展和网络实施情况,为未来移动通信系统的超大规模 MIMO 技术提供了参考的研究思路。网络架构方面,6G 网络既
56、可以对现有网络架构升级,也可以考虑采用革新的网络架构。应用在上下行站点解耦的网络架构,根据网络负载、用户业务需求的变化情况,通过动态关闭上行或下行传输链路,在不影响传输质量的前提下有效降低网络能耗,可以实现网络能耗与系统性能的平衡。通过引入单层或两层架构的无蜂窝网络架构,得益于分布式 TRP 部署的差异化的传输环境与更近的传输距离,可以实现更好的分集增益和更低的路径损耗。无蜂窝网络需要频繁的参考信号测量来保证终端的性能,一方面可以重新设计下行多用户参考信号复用,另一方面也可以将相邻的多个终端划分给同一个 TRP 服务簇,降低资源开销和 TRP 能耗。采用基于 RIS 技术辅助的无线网络架构,能
57、够重塑无线信道,优化无线传播环境,从而有效提高基站的信号覆盖质量和无线系统的能量利用率,降低/优化组网站点的部署密度,从而有效降低网络能耗。空口节能技术是标准组织长期关注的重要节能手段。通过对 CSI 反馈进行增强,可以有效提高基站天线关断及功率调节的效率,实现基站的部分关断和节能。对于必要传输的信号,可以根据网络负载来降低发送频次,从而实现天线的轻度休眠和节能。对于非必要传输的信号,可以通过引入小区非连续发送和接收技术,只在特定周期内集中发送这些信号,从而实现网络深度休眠。同时,无论是单载波场景还是多载波场景,都可以通过 on-demand 的方式减少SSB 信号的传输。AI 技术的发展给超
58、大规模 MIMO 技术带来了更多的新鲜活力与可能性。通过采用灵活可扩展的基于 AI 的 CSI 反馈方案,利用不同的分支灵活支持不29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group同的天线端口数和不同的反馈开销,并且与分别训练的神经网络具有相似的性能,实现了反馈性能提升的同时尽可能降低了资源消耗。基于机器学习进行波束预测,环境地图提取的关键信息作为辅助信息,可以有效提高波束预测精度,并大幅度降低所需要的波束测量开销,且具备良好的鲁棒性和泛化性。将 AI技术应用于基站调度中,可有效通过历史信息对网络情况进行预测和分析,进而对基站资源进行更好的分配,既可以降低
59、网络能耗,又可以获得全局最优的网络性能。挑战与建议挑战与建议实现具备绿色智能化超大规模 MIMO 的 6G 网络仍面临诸多挑战。网络架构方面,考虑到与现有网络制式和技术的前向兼容性,采用上下行站点解耦的网络架构有强依赖性,工作于不支持上行与下行链路解绑的网络中存在一定难度,对基站间回传交互有较高要求,能尽可能兼容当前网络的架构升级是绿色节能网络架构的重点。随着 Cell-free 网络中 TRP 的大规模分布式部署,传输速率提升与网络能耗增加之间的矛盾也逐渐凸显,为了实现网络较高的传输速率并有效降低能耗,无蜂窝网络下终端的移动性管理,低开销的网络连接与数据传输流程,TRP 激活状态的动态调节都
60、是未来的研究重点。未来实现 TRP 的动态协作,还需要考虑 TRP 簇内部各个节点高效管理的实现以及簇间的干扰协调。RIS 阵列尺寸较大,控制算法较为复杂,特别是对于部署在小区边缘或者 Cell-free 网络中的 RIS 设备,需要反射和控制来自多个基站的不同方向的无线信号,汇聚成指向目标终端的波束,未来需要充分权衡组网成本与能耗降低和波束控制复杂度。对超大规模 MIMO 的天线阵子进行关断和功率调整,必然将带来网络吞吐量的下降或时延的上升。为避免这种网络性能的下降,又需要通过基站与终端之间及时的反馈手段,来保证不会带来用户体验的下降。如何在维持系统开销和性能稳定的前提下获得天线节能增益是超
61、大规模 MIMO 空口节能技术的重要研究方向。30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group将 AI 与通信融合的研究目前备受关注,网络性能提升与实际部署可行性的权衡是其广泛应用的关键。基于 AI 的 CSI 反馈是一个双边模型,需要终端与基站配合使用,在模型部署与应用时面临较大的挑战。基于 AI 的波束预测,在存在环境地图信息的场景下,可以获得较高的鲁棒性和优异性能,而在实际部署中,某些场景下环境地图信息不一定有效,需要进一步研究在没有环境地图信息作为辅助情况下如何提升波束管理的预测准确性。通过 AI 技术对基站进行智能化管理,结合历史数据可提前对网
62、络资源进行编排,实现更优性能和更低能耗,如何避免网络管理陷入局部最优解,同时能够应对网络突发状况仍是需要进一步研究的问题。6G 移动通信网络向着更高的频点,更大的带宽演进,同时超大规模 MIMO将有更广泛的应用。随着日益增长的新场景与新业务,对高速率、低时延的追求不再是 6G 时代的唯一标准,更大规模的天线面板也不仅仅是超大规模MIMO 技术演进的唯一考量。立足新维度,结合新技术,支持新应用的绿色智能化超大规模 MIMO 技术必然会给 6G 网络提供更好的服务能力,创造更多的产业价值。31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group参考文献参考文献1 H
63、.A.Ammar,R.Adve,S.Shahbazpanahi,G.Boudreau and K.V.Srinivas,User-Centric Cell-Free Massive MIMO Networks:A Survey of Opportunities,Challenges and Solutions,in IEEE Communications Surveys&Tutorials,vol.24,no.1,pp.611-652,Firstquarter 2022.2 Elhoushy,Salah,Mohamed Ibrahim,and Walaa Hamouda.Cell-free m
64、assiveMIMO:A survey.IEEE Communications Surveys&Tutorials 24.1(2021):492-523.3 Hoydis,Jakob,et al.Making smart use of excess antennas:Massive MIMO,small cells,and TDD.Bell Labs Technical Journal,18.2(2013):5-21.4 Q.Yu,et al.A Cybertwin based Network Architecture for 6G,6G WirelessSummit(6G SUMMIT),L
65、evi,Finland,2020,pp.1-5.5 终端友好 6G 技术白皮书,未来移动通信论坛,2022 年 3 月.6 G.Femenias,N.Lassoued and F.Riera-Palou,Access Point Switch ON/OFFStrategies for Green Cell-Free Massive MIMO Networking,in IEEE Access,vol.8,pp.21788-21803,20207 C.Huang,A.Zappone,G.C.Alexandropoulos,M.Debbah,and C.Yuen,“ReconfigurableIn
66、telligentSurfacesforEnergyEfficiencyinWirelessCommunication,”IEEE Transctions on Wireless Communications,vol.18,issu:8,Aug.2019.8 Q.Wu,X.Guan,and R.Zhang,“Intelligent Reflecting Surface-Aided WirelessEnergy and Information Transmission:An Overview,”Proceeding of the IEEE,vol.110,issue:1,Jan.2022.9 T
67、.Noh and J.Choi,“Cell-Free MIMO Systems Powered by IntelligentReflecting Surfaces,”IEEE Communications Letters,vol.26,issue:5,May 2022.10 J.Yao,J.Xu,W.Xu,D.W.K.Ng,C.Yuen,and X.You,“RobustBeamforming Design for RIS-aided Cell-free Systems with CSI Uncertainties andCapacity-limited Backhaul,”IEEE Tran
68、sactions on Communications,May 2023.11 3GPP,“3GPP TR 38.864 V18.0.0 Study on network energy savings for NR;Dec.2020”12 3GPP.RP-213560:New SI:Study on Artificial Intelligence(AI)/MachineLearning(ML)for NR Air Interface,2021.13 C.-K.Wen,W.-T.Shih,and S.Jin,Deep learning for massive MIMO32IMT-2030(6G)推
69、进组IMT-2030(6G)Promotion GroupCSI feedback,IEEE Wireless Communications Letters,vol.7,no.5,pp.748C751,2018.14 T.Wang,C.-K.Wen,S.Jin and G.Y.Li,Deep Learning-Based CSIFeedback Approach for Time-Varying Massive MIMO Channels,in IEEEWireless Communications Letters,vol.8,no.2,pp.416-419,April 2019,doi:10
70、.1109/LWC.2018.2874264.15徐 丹,曾 宇,孟 维 业 等.AI 使 能 的 5G 节 能 技 术 J.电 信 科学,2021,37(05):32-41.16 李凤花,朱洪文,马云刚.基于 AI 的 5G 网络节能方案研究J.山东通信技术,2021,41(04):19-22+43.17 任强.基于 AI 的多系统协同在 5G 网络节能中的应用J.数字通信世界,2020(05):11-12+20.33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group主要贡献单位主要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内容
71、贡献内容1中国电信股份有限公司统筹研究报告撰写,负责概述、背景等章节撰写,并为空口节能技术、智能化基站管理相关内容提供研究结果输入2中信科移动通信技术股份有限公司为智能化CSI反馈相关章节提供研究结果输入3维沃移动通信有限公司为无蜂窝网络架构、基于RIS的绿色网络架构相关章节提供研究结果输入4中兴通讯股份有限公司为上下行解耦的动态网络架构相关章节提供研究结果输入5北京小米移动软件股份有限公司为无蜂窝网络架构相关章节提供研究结果输入6北京联想软件有限公司为智能化波束管理相关章节提供研究结果输入34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group缩略语缩略语缩写
72、英文全称中文含义4G4th Generation第四代5G5th Generation第五代6G6th Generation第六代AAUActive Antenna Unit有源天线单元AFAmplify and Forward放大转发AIArtificial Intelligence人工智能BSBase Station基站CACarrier Aggravation载波聚合C-DRXConnected Discontinuousreception非连续接收机制CPUCentral Processing Unit中央处理器CSIChannel State Indication信道状态信息CSI-
73、RSChannelStateInformation-Reference Signal信道状态信息参考信号DEDecoder译码器DSDown Sampling下采样ENEncoder编码器IDIdentity Document身份标识号IMT-2030International MobileTelecommunication-2030国际移动通信-2030KPIKeyPerformanceIndicator关键性能指标LTLinear Transformer线性变换LOSLine-of-sight视距LPTLinear Pre-Transformer线性预变换MIMOMultiple Inpu
74、t MultipleOutput多输入多输出NLOSNon-line-of-sight非视距NRNew Radio新空口PCellPrimary-Cell主小区RACHRandom Access Channel随机接入信道RISReconfigurableIntelligent Surface智能超表面RRCRadio Resource Control无线资源控制35IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupSCellSecondary-Cell辅小区SCsiNetScalable CsiNet可扩展的 CSI 感知与恢复的神经网络SGCSSquare
75、dGeneralizedCosine Similarity平方广义余弦相似度SFNSingleFrequencyNetwork单频网SIB1SystemInformationBlock Type1系统信息块类型 1SSBSynchronizationSignal/PBCH Block同步信号与 PBCH 块SWIPTSimultaneousWirelessInformationandPowerTransfer无线携能通信TRPTransmissionandReception Point收发点UEUser Equipment用户终端USUp Sampling上采样WUSWake-up Signal唤醒信号联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.