《IMT-2030(6G)推进组:2023集中式超大规模MIMO关键技术研究报告(43页).pdf》由会员分享,可在线阅读,更多相关《IMT-2030(6G)推进组:2023集中式超大规模MIMO关键技术研究报告(43页).pdf(43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 Group1第一章第一章概述概述.52第二章第二章 超大规模天线信道建模超大规模天线
2、信道建模.52.1近场信道建模.52.2远场信道建模.92.3混合近场/远场信道建模.103第三章第三章 新型天线架构新型天线架构.113.1稀布阵.113.2基于 RIS 的新型天线架构.143.3RIS 辅助 MEGAMIMO.164第四章第四章 信道状态信息反馈信道状态信息反馈.184.1近场球面波信道的 CSI 反馈码本设计.184.2近场非平稳信道的 CSI 反馈设计.204.3面向模块化天线的 CSI 反馈优化设计.214.4面向 RIS 的 CSI 反馈增强.235第五章第五章 预处理算法预处理算法.255.1面向广义极化 MIMO 的预处理算法.255.2对抗波束分裂的预编码码
3、本设计.286第六章第六章 非平稳信道下接收机算法设计非平稳信道下接收机算法设计.296.1算法描述.306.2性能评估.317第七章第七章 波束管理波束管理.337.1基于 RIS 的波束管理.337.2分层 RIS 波束训练技术.358第八章第八章 总结及发展建议总结及发展建议.378.1总结.378.2研究方向发展建议.379参考文献参考文献.3710主要贡献单位主要贡献单位.4011缩略语缩略语.414IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图目录图 2.1-1电磁波波前示意图.6图 2.1-2基于几何的随机统计的近场信道建模流程.8图 2.
4、2-1远场平面波传播示意图.9图 2.2-2超大规模天线远场传播场景几何建模示意图.10图 2.2-3超大规模天线远场信道建模流程图.10图 3.1-1稀布阵示例.11图 3.1-2Type A 用户分布下的系统吞吐性能 CDF 曲线.12图 3.1-3Type B 用户分布下的系统吞吐性能 CDF 曲线.13图 3.2-1RIS 用作收发机的设备实物.15图 3.3-1RIS 辅助 Mega MIMO 示意图.16图 3.3-2可达吞吐性能随相控阵天线总发射功率的变化.18图 4.1-1不同方案量化性能比较.20图 4.2-1空间非平稳 LoS 径信道示意图.20图 4.2-2空间非平稳多径
5、信道示意图.21图 4.3-1模块化天线阵列示意图.22图 4.3-2两级码本示意图.23图 4.3-3不规则天线模块码本构造示意图.23图 4.4-1基于 RIS 的无线通信系统.23图 4.4-2RIS 示意图.24图 5.1-1极化编码-调制-预编码的联合设计.25图 5.1-2基于广义极化的 MIMO 预处理框图.26图 5.1-3基于广义极化的 MIMIO 预处理框图.26图 5.1-4GP-RP、PC-MIMO-QR 和 DFT-QR 方案容量对比.27图 5.1-5不同调制阶数下 GP-RP、PC-MIMO-QR 和 DFT-QR 方案的 BLER.28图 6.2-1因子图模型.
6、30图 6.2-2PE-EP 因子图模型.31图 6.3-1算法性能分析.33图 6.3-2不同检测器性能对比.34图 7.1-1RIS 接收波束扫描示意图.34图 7.1-2RIS 发送波束扫描示意图.35图 7.2-1分层训练的设计逻辑训练决策示意图.36图 7.2-2两种分层码本的波束训练成功率.36表格目录表 3.3-1两种 RIS 辅助 Mega MIMO 传输方案.17表 5.1-1仿真参数.27表 6.3-1 计算复杂度对比.325IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1第一章第一章概述概述在 4G、5G 中 MIMO 技术与大规模
7、MIMO 技术一直承担着提高数据传输速率、频谱利用效率和覆盖能力的重任,在 6G 中超大规模 MIMO 技术将继续支撑系统性能指标的进一步提升。然而,随着天线规模的持续增加,超大规模 MIMO 系统在众多方面展现出了新的特性并遇到了新的技术挑战:超大规模 MIMO 信道表现出了近场特性、空间非平稳特性;超大规模天线阵列所形成的波束具有更高的空间分辨率,给波束管理带来新的挑战;天线数的大幅增加所带来的功耗和数据处理复杂度的大幅提升、CSI 反馈开销的大幅增加等问题。本报告针对集中式超大规模 MIMO 所面临的挑战与问题开展研究,提供有效的解决方案,指出当前研究中尚存在的不足,探讨超大规模 MIM
8、O 未来的发展方向,以使得超大规模 MIMO 能为 6G 提供更有力的技术支撑与性能提升。关于分布式超大规模 MIMO技术、低功耗以及智能化超大规模 MIMO 技术的研究进展和成果将在分布式超大规模MIMO 研究报告和绿色智能化超大规模 MIMO 研究报告中呈现。本报告主要包含以下研究内容:在信道建模方面,需要新的信道建模方法去刻划超大规模 MIMO 随天线数增加所表现出的近场特性与空间非平稳特性;在天线形态方面,随着天线规模的扩大,天线的功耗也将变得不可忽视,需要研究具有低功耗、高能效的新型天线架构;在 CSI 反馈方面,特别是在基于码本的 CSI 反馈方案设计中,需要充分考虑超大规模信道的
9、近场特性、空间非平稳特性、以及新型天线架构的影响;在预处理算法方面,特别是预编码的设计方面,需要充分考虑超大规模 MIMO的信道特点、高频段下的大带宽特性、以及新型天线架构的影响;在接收机算法方面,随着天线数的增加,接收机算法的复杂度变得很高,需要设计考虑超大规模信道特点的低复杂度的接收机算法;在波束管理方面,需要考虑超大规模 MIMO 的高空间分辨率特性,并考虑新型天线架构的引入对波束管理的影响。2第二章第二章 超大规模天线信道建模超大规模天线信道建模2.1 近场信道建模近场信道建模2.1.1近场信道建模的背景与挑战近场信道建模的背景与挑战根据电磁理论和天线理论,发射机周围的场可分为近场和远
10、场,近场区可进一步分为反应近场区域和辐射近场区域1。其中,反应近场区域仅限于靠近天线的空间,在这6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group一区域内倏逝波占主导地位,电磁场并不以辐射波的形式从天线传播出去。辐射近场区域位于距离天线几个波长以上的区域,在此区域内,辐射的电磁波还没有完全发展成具有远场特征的平面波,而主要以球形波前的形式进行传播。远场区域包围着辐射近场区域,在远场中电磁波可以近似视为平面波前。由于反应近场区域通常较小,且倏逝波随距离呈指数级衰减,因此在实际的近场通信系统中,通常主要关注辐射近场区域内的无线通信,即“近场”一般表示辐射近场区域
11、。近场与远场区域并没有严格统一的界限,因此,也有着多种边界划分的指标来表征近场与远场区域的边界。从相位误差角度看,出现了几种常用的经验法则,包括瑞利距离、夫琅禾费距离1、基于 MIMO 收发器和 RIS 场景的扩展瑞利距离2,这些距离主要适用于靠近天线孔径主轴的场边界。从信道增益误差的角度来看,可以对离轴区域给出更准确的场边界描述。近场与远场的边界不仅取决于天线孔径大小和波长,还取决于出发角、到达角和发射天线形状3。从波束聚焦能力角度,可以基于近场增益和最大波束聚焦距离划分近场与远场区域4。从信道容量表征角度,可以结合信道的秩来评估远场平面波与近场球面波的适用区域,通过等秩面给出近场与远场边界
12、,可以证明近场范围会随着视距和非视距环境中散射体数量的增加而增加,且在非视距环境中增加更为显著5。在诸多近远场边界划分方法中,夫琅禾费距离(22/,其中,L 表示天线孔径,表示波长)是最为广泛使用的划分指标,其主要与表征发射信号的相位行为有关。传统 MIMO 天线系统中,由于天线数量较少,天线孔径较小,天线阵列的近场区域范围很小。例如,考虑 64 端口的 2.4GHz MIMO 面天线阵列,以每端口对应 4 个天线单元为例,天线孔径不足 1 米,夫琅禾费距离约为 14 米。用户到基站发射端的距离往往大于夫琅禾费距离,使用户处于天线阵列的远场区域。此时可认为所有收发天线对间的信道经历相同的散射体
13、,同一个散射路径信号到达天线阵列的各天线阵元近似平行,可近似为平面波前。图 2.1-1(a)给出了平面波示意图。相对于传统的 MIMO 天线系统,超大规模 MIMO 系统的天线阵列规模更大。随着天线阵列尺寸的增加,天线阵列的夫琅禾费距离也会增大,用户与基站之间的距离可能不再满足远场条件。以 1600 单元、半波长单元间距、2.4GHz 的超大规模正方形天线阵列为例,夫琅禾费距离达到约 100 米。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。图 2.1-1(b)所示给出了一个位于近场的终端球面波示意图。(a)平面波前示意图(b)球面波前示意图图 2.1-1电磁波波前示意图对于超大规模天
14、线阵列来说,信道不能被看作是平稳的。阵列天线的不同部分可能会经历不同的传播环境,即阵列天线的每一部分能够观察到的反射体(或散射体)可能是不一样的。因此,从超大规模天线阵不同空间位置的阵元上发射的信号在传播过程中7IMT-2030(6G)推进组IMT-2030(6G)Promotion Group可能由不同的反射体(或散射体)反射(或散射),导致信号在不同的收发天线阵元对之间经历的信道不同,呈现出空间非平稳特性。以上近场球面波效应和空间非平稳特性是超大规模 MIMO 信道建模的重要特征,对系统设计带来相应的挑战。当采用球面波假设和随机几何特性对超大规模 MIMO 的近场效应进行信道建模时,通过对
15、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。但天线规模巨大,意味着子信道增多,信道的建模也将变得非常复杂。找到一种兼顾复杂度和精确度的球面波(近似)建模方法是亟需解决的问题。针对近场信道的空间非平稳特性,空间非平稳信道的建模方法、非平稳信道的关键参数设计、信道测量方案设计等问题同样需要解决,不同典型场景下的非平稳信道特征也需要进一步探明。2.1.2近场信道建模方法近场信道建模方法如上文所述,近场超大规模 MIMO 信道具备两个显著特征:球面波传播以及空间非平稳67。实际上,这两种信道特征在以往室内场景的大规模 MIMO 信道测量中已被广泛观测到。例如,在文献9
16、的测量结果显示,多径的离开方位角和离开俯仰角的测量值会随着检测区域在整个阵列的位置变化而变化,这反映了近场超大规模 MIMO 信道的球面波传播特征。此外,大规模阵列上不同检测区域位置提取得到的多径数量也不尽相同,且不同的簇(Cluster)具有不同的可视区域,这反映了近场超大规模 MIMO 信道的空间非平稳特征。几何的随机统计信道建模方法(Geometry-Based Stochastic Channel Model,GBSM)在各大标准模型中广泛使用。近场信道建模可以使用基于位置的确定性信道建模或者半统计的确定性建模方法。文献6中提出了一种面向多径信道的半统计的确定性信道建模方法。文献6假设
17、终端和多径散射体都可能处于近场范围内,分别对端到端的近场直射路径、近场散射体提供的非直射路径进行了建模。在收发两端是位于同一平面的均匀线阵天线的情况下,直射路径建模为2,1=12,122,1(公式 2.1-1)2,1=cos 2sin 2+sin +2cos 12(公式 2.1-2)其中,2,1表示发射端天线2与接收端天线1之间的距离;表示发射端天线 1 与接收端天线 1 之间的距离,1和2分别表示接收天线阵列和发送天线阵列的天线间隔,和分别表示接收天线阵列和发送天线阵列之间的夹角和发送天线阵列的离开角(Angle ofDeparture,AOD)。在非直射路径建模中,假设近场散射体与发送天线
18、阵列/接收天线阵列的距离和角度分别为,/,,按照直射路径建模发射端与散射体之间的导向矢量,和散射体与接收端之间的导向矢量,。基于近场散射体的非直射路径建模为8IMT-2030(6G)推进组IMT-2030(6G)Promotion Group=,(公式 2.1-3)其中为散射体 l 的路径增益。近场区域内 LOS 和 NLOS 多径路径最终建模为=+=1?(公式 2.1-4)在近场超大规模 MIMO 信道统计模型中,由于簇内子径的相位与簇到阵列的距离直接相关,超大规模天线的近场信道建模需要考虑近场簇(Near-Field Cluster)的空间位置7。5G NR 所采用的 3GPP TR 38
19、.901 信道模型尚未对近场簇的空间位置进行确定性建模。文献8给出了一种在 3GPP TR 38.901 信道模型的基础上改进的近场信道建模。该方法基于 3GPP TR 38.901 信道模型的多径时延、角度参数,通过几何关系确定了首跳散射体(First-Bounce Scatterer,FBS)簇或末跳散射体(Last-Bounce Scatterer,LBS)簇在信道坐标系中的确切位置,且簇中的多径成份(Multi-Path Component,MPC)到阵列每个阵元的相位都是根据 FBS 或 LBS 与阵元之间的距离独立计算,这个过程实现了近场信道的球面波建模。对于空间非平稳特征建模,关
20、键是需要对信道中簇的可视区域的大小和位置进行刻画,可以采用基于概率模型的建模方式,也可以采用基于信道测量的统计性建模方式9,或者采用结合上述两种方法的混合建模方式。图 2.1-2 基于几何的随机统计的近场信道建模流程基于 GBSM 建模超大规模天线近场信道的流程如图 2.1-2 所示。该流程以 3GPP TR38.901 信道建模流程为基础,考虑了公式(2.1-1)-公式(2.1-3)中近场球面波对信道衰落建模的影响,生成并采用球面波信道矩阵系数。超大规模 MIMO 近场信道 MIMO 系统设计主要有以下影响:1)波束赋形时,仅用基站与用户之间角度信息无法准确对准用户,需要利用基站和用户之间的
21、距离信息。2)近场超大规模 MIMO 的 LoS 信道具有丰富的空间自由度能够提高空间复用增益,从而支持多流传输,但需要合理设计预编码矩阵充分利用空间自由度。9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2.2 远场信道建模远场信道建模相对于近场通信,超大规模天线远场通信信道中特定多径分量角度参数对于不同天线阵元被认为是一致的。对于超大规模天线信道,电磁波到达不同阵元的相位差只与特定角度和阵元间隔有关。图 2.2-1 远场平面波传播示意图图 2.2-1 为发射天线远场传播平面波示意图。相对于近场球面波前多径分量与收发机之间角度不同,远场信道中平面波前与收
22、发机之间的角度是相同的。考虑收发端均为超大规模天线,分别具有 个面阵天线和 个面阵天线。为第 p 行第 q列发射天线位置矢量,为第w行第n列接收天线位置矢量。发射端导向矢量,和接收端导向矢量,分别表示为:,=1,21 +1 ,.,21 +1 (公式 2.2-1),=1,21 +1 ,.,21 +1 (公式2.2-2)其中,/和/分别表示不同子径与发射天线/接收天线之间的水平出发/到达角度和垂直出发/到达角度,与分别表示发射端与接收端天线的阵元间距。目前,主流的信道建模包括统计性建模、确定性建模以及基于几何的随机性建模方法。基于实测的统计性建模通过采集实际通信数据进行统计分析,提供真实场景下信道
23、特性,但受限于实测数据的数量和覆盖范围10。确定性建模根据几何光学和一致性绕射理论进行建模,可以提供高精度的信道信息,但计算复杂度相对较高11。基于几何的随机性建模将实际通信场景抽象为几何模型,通过定义随机变量和概率分布描述信道特性,具有较低的计算复杂度,广泛应用于标准化研究中1213。本节考虑基于几何原理以及导向矢量建立随机性信道模型。图 2.2-2 为超大规模天线传播远场场景几何建模示意图。10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 2.2-2 超大规模天线远场传播场景几何建模示意图信道矩阵,是维度大小为 的复矩阵,具体表示为:,=+1LoS
24、,+1+1LoS,(公式 2.2-3)其中,K 为莱斯 K 因子,为收发端之间的路径损耗。LoS 信道矩阵LoS,和 NLoS信道矩阵NLoS,分别表示为:LoS,=,2 ,(公式 2.2-4)NLoS,=1=1=1,2?,(公式 2.2-5)其中,M 和 N 分别表示多径簇和簇内子径的数目,/和/分别表示 LoS 径的水平出发/到达角度和垂直出发/到达角度,/和/分别表示第 m 个簇中 n 条子径的水平出发/到达角度和垂直出发/到达角度。和 分别表示时变的 LoS 径和 NLoS 径时延。,,,,,和,分别表示 LoS 和 NLoS 分量的波导矢量。基于上述描述,超大规模天线远场信道建模的流
25、程如图 2.2-3 所示,涵盖了大尺度信道参数、小尺度信道参数和时变信道参数的更新过程。与 3GPP 标准化信道模型不同的是,基于几何原理进行远场信道建模时多径分量的角度、时延等信道参数的生成更加注重几何关系的描述,对实测统计参数的依赖较低,该建模方式较为准确且复杂度适中。标准化模型中以上参数的生成通常是基于概率分布和统计参数等方式生成。图 2.2-3 超大规模天线远场信道建模流程图2.3 混合近场混合近场/远场信道建模远场信道建模在现有的远场或近场信道模型中,假设所有散射体都在远场或近场区域。实际上,在超大规模 MIMO 系统中更容易出现混合场通信环境,即其中一些散射体位于远场区域,而另一些
26、位于近场区域。换句话说,超大规模 MIMO 信道通常由远场和近场路径分量共同组成。然而,现有的远场或近场信道模型与混合场信道特征并不能完全匹配,这使得现有的远场或近场信道模型无法直接用于精确描述混合近场/远场信道。为了应对这一挑战,一种可行的方案是通过对近场和远场散射体分别建模,将混合场的信道表示成一定比例的近场径分量和远场径分量的加和,其中近场径经由近场散射体反射(或散射),采用 2.1 节中的近场信道模型,远场径经由远场散射体反射(或散射),11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group采用 2.2 节中的远场信道模型,从而得到混合近场/远场场景下
27、的多径信道模型14。3第三章第三章 新型天线架构新型天线架构3.1 稀布阵稀布阵3.1.1基本原理基本原理稀布阵技术实现的基本原理是,利用子空间的采样定理,通过优化阵元位置、幅度激励等方法,减少阵元数/通道数,且保证天线增益、旁瓣抑制等与半波长间距的均匀阵保持相同。如图 3.1-1 所示,稀布阵按照是否网格抽取阵元样点,可分为稀疏阵列、稀布阵列,前者按格点抽取,后者不限阵元位置,更具灵活性;按照阵列形态,稀布阵又可分为直线阵、平面阵、圆环阵。图 3.1-1 稀布阵示例3.1.2技术优势技术优势由图 3.1-1 可以看出,此时相邻天线阵元的阵间距不再相同,且不再受半波长的约束,部分阵间距甚至可达
28、到若干个半波长,因此稀布阵具有节省天线数、简化阵列结构、减轻阵列重量、抑制天线间互耦效应等优势。除此之外,相比于基于均匀阵增加天线阵列间距的方式,稀布阵可以通过优化位置、激励振幅等设计达到比相同阵子数的均匀阵更好的通信效果,实现更高的空间自由度,并有助于达到更好的小区边缘性能。3.1.3设计算法设计算法天线方向图综合是稀布阵设计的核心关键。为了获得与原均匀阵相当的性能,稀布阵天线综合需要在给定阵列尺寸、最小阵元间距等诸多约束条件下,对天线阵元的位置、激励幅度等目标参数进行优化设计。由此可见,稀布阵天线综合是一个多变量的非线性优化问题。业界针对稀布阵天线综合算法的有效性开展了广泛的研究,目前应用
29、于稀布阵天线综合的算法主要有:12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group智能化优化算法,包括遗传算法(genetic algorithm,GA)15、粒子群算法(particleswarm optimization,PSO)16、差分算法(differential evolution,DE)17等,该类算法可在较小天线规模阵列中应用,而对于大规模天线阵列,其算法的复杂度显著增加。快速傅里叶变换(fast Fourier Transform,FFT)18、矩阵束(matrix pencil method,MPM)19、前后向矩阵束(forward-b
30、ackward MPM,FBMPM)20等算法有效提升了计算效率,使得大规模天线阵列的稀布综合成为可能,但这类算法大多需要目标优化天线数作为先验信息,无法获取最优天线数。压缩感知类算法,例如基于凸优化(convex optimization,CO)2122的算法等,可同时优化阵元分布和阵元激励幅度,同时灵活处理最小阵间距等约束条件,具有较高的自由度。考虑移动通信环境下用户分布不确定性和移动特性,文献23提出了一种联合凸优化(joint convex optimization,JCO)的稀布综合理论模型,有效抑制天线阵列扫描产生的旁瓣/栅瓣引入的干扰。3.1.4系统级性能评估系统级性能评估系统级
31、性能评估基于时分双工(time division duplexing,TDD)移动通信系统以及宏蜂窝(Urban Macro cell,UMa)应用场景展开,并根据 3GPP TR 38.90126构建 5G 信道模型。仿真中,基站将分别配置 64-UPA、32-UPA、CO-based 32-SPA、JCO-based 32-SPA天线阵列对不同的用户分布模型进行性能对比分析。系统带宽为 100 MHz,载频为 2.4GHz,用户分布模型分为 TypeA、TypeB。TypeA:用户随机分布在阵列法线方向,波束的辐射方向固定为。用于直观地比较基于 CO 和基于 JCO 的合成方法在无波束扫描
32、的情况下的性能差异。TypeB:用户随机分布在以面板为中心,半径为为 R 的圆上,波束的辐射方向沿位置变化。用于验证基于 JCO 的合成方法在抑制导致相邻干涉的光栅波瓣方面的有效性。图 3.1-2 给出在 TypeA 用户分布模型下,64-UPA、32-UPA、CO-based 32-SPA、JCO-based 32-SPA 四种阵列应用系统的 CDF 曲线图。图 3.1-2 Type A用户分布下的系统吞吐性能CDF曲线在 TypeA 模型下,对于相同 32 阵子的面板,JCO-based 32-SPA 系统的小区边缘用户吞吐量比 32-UPA 系统高 13.36%,并且比 CO-based
33、 32-SPA 系统高 9.36%。这是因为SPA 的主瓣辐射能力取决于方向上的扫描能力,而方向与天线元件在垂直方向上的位置有关。每列中的 SPAs 上的天线元件的位置不平行于 z 轴,使 SPA 拥有比 32-UPA 更13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group高的空间自由度,并有助于达到更好的小区边缘性能。此外,在阵子数减少一半的情况下,JCO-based 32-SPA 系统的小区边缘用户吞吐量与 64-UPA 系统接近。图 3.1-3 给出 TypeB 用户分布模型下,64-UPA、32-UPA、CO-based 32-SPA、JCO-bas
34、ed 32-SPA 四种阵列应用系统的 CDF 曲线图。其中(a)表示半径 R=ISD/6,(b)表示 R=ISD/2。(a)半径 R=ISD/6(b)半径 R=ISD/2图 3.1-3 Type B用户分布下的系统吞吐性能CDF曲线在 TypeB 模型下,对于 32 阵子的面板,随着半径 R 增大,JCO-based 32-SPA 系统、CO-based 32-SPA 系统、32-UPA 系统之间的性能差距进一步扩大。这是因为较小的 R 表示 UE 位于基站附近,因此系统可以提供更好的服务。但对于较大的 R,其他扇区的潜在干扰的可能性增加。当 R 达到 ISD/2 时,JCO-based 的
35、 32-SPA 系统的小区边缘用户吞吐量比 32-UPA 系统高 28.17%,并且比 CO-based 的 32-SPA 体系高 17.86%。与预期相同,JCO-based 的 32-SPA 系统得益于波束成形和联合方向图,受到的干扰比 CO-based32-SPA 更小,尤其是当 UE 位于小区边缘时。此外,在阵子数减少一半的情况下,JCO-based 32-SPA 系统的每个用户的净吞吐量接近 64-UPA 系统。结合上述分析,可获得以下结论:阵子数相同时,JCO-based 32-SPA 系统优于 32-UPA系统和 CO-based 32-SPA 系统。特别在面对邻区干扰时,JCO
36、-based 32-SPA 系统鲁棒性更强。此外,当天线单元的数量减少近 50%时,基于 JCO 的 32-SPA 系统的性能接近64-UPA 系统,这对于未来 B5G 和 6G 移动通信的实际部署具有吸引力。3.1.5预编码方案设计预编码方案设计当稀布阵技术应用考虑基于码本的预编码方案时,由于现有标准仅支持特定天线数(2 的幂次方)的均匀阵预编码码本,并不支持稀布阵对应的预编码码本,因此系统采用稀布阵进行数据传输时,UE 无法向基站反馈基于稀布阵天线数规格的预编码矩阵指示(Precoding Matrix Indicator,PMI)信息。此外,由于稀布阵的天线数量、天线间距与应用场景、稀布
37、综合算法有关,因此未来稀布阵的阵列形式一定是多样化的,对稀布阵预编码码本进行标准化难度较大。针对这个技术难题,需要对 PMI 信息反馈方面进行优化设计,设计思路可以从基站侧或终端侧两个方面开展:对于基站侧,可以考虑通过某14IMT-2030(6G)推进组IMT-2030(6G)Promotion Group种技术手段将天线激活信息和码本信息进行显示或隐示的指示,同时考虑复用现有的均匀阵码本,并在其基础上通过预处理的方式得到适配的稀布阵码本;对于终端侧,可以考虑设计基于测量信息主动上报的方式,协助基站侧进行预编码矩阵的选择。3.1.6小结小结总的来说,在实际移动通信环境中,稀布阵可在小幅性能损失
38、的情况下,大幅降低天线数/射频通道数(可高达 50%),进而大幅降低整机成本和系统复杂度,因此实际部署可综合权衡性能下降和天线数降低两者之间的关系。面向未来 B5G 和 6G 移动通信网络,稀布阵技术未来有望在以下方向得到广泛研究与应用:高频段(例如毫米波)应用高频段(例如毫米波)应用:高频段波长小,天线尺寸可进一步压缩,因此面板空间相对于天线阵子更大,这也意味着每个天线单元有更大的排布空间,有利于相同规模阵元数在更大的阵面空间进行自由排布,进而降低阵元间耦合效应。因此该技术有可能成为未来全数字毫米波提升系统性能的可行解决方案。用户特定分布下的应用用户特定分布下的应用:面向未来高容量场景,大量
39、用户有可能集中分布在某个方向(例如写字楼等),因此,未来移动通信系统可根据这些特定方向进行阵列优化,降低整机成本的同时满足上述方向用户获得较好的服务体验的需求,从而提升系统整体性能。3.2 基于基于 RIS 的的新型天线架构新型天线架构3.2.1基本原理基本原理RIS(Reconfigurable Intelligent Surfaces)技术是一种基于可调控超材料的新型天线架构。通过简单的改变有源器件两端的电压,即可改变 RIS 超单元的反射系数,进而影响反射电磁波的幅度和相位。对于无源 RIS 来说,为尽可能减小损耗,在设计上一般不做幅值调控,因此无源 RIS 主要通过调相来对电磁波进行调
40、控。3.2.2技术优势技术优势从结构上来说,基于 RIS 的新天线架构基于超材料原理,可以实现远小于半波长的单元间距,因此在调控电磁波的精细程度上相对传统相控阵具有明显优势。接近于连续表面的 RIS 类器件能够实现更好的空间分辨率和更细的调控颗粒度。从成本上来说,基于 RIS 的新天线架构大部分采用成熟的 PCB 工艺,且无需采用能耗高的 RFchain 和相移器,因此在功耗上具有明显优势。同时 RIS 单个单元的工业化制造成本也相对较低,能够轻易地在低成本的情况下实现超大规模 MIMO。从部署上来说,基于 RIS 的新天线架构能够低成本地任意部署在靠近基站侧、靠近终端侧作为中继,部署在建筑物
41、、装饰物、玻璃等的表面,具有改变电磁环境的能力。15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.2.3传输方案传输方案对于无源 RIS 和大部分有源 RIS 天线架构来说,其至少存在基站馈源到 RIS,RIS到用户的两段级联信道。此时,传输方案可以总结为在发端的数字波束赋形(或混合波束赋形)与在 RIS 侧的模拟波束赋形的综合系统。当 RIS 用作发射机的模拟天线阵列时,基站使用纯数字天线阵列将发射信号发射到一个 RIS 阵面上,信号经由 RIS 阵面反射后达到 UE。此时 RIS 相当于基站的模拟天线阵列。与传统的天线阵列的区别在于 RIS 阵面天
42、线无法直接通过电路与基站的射频电路相连。RIS 用作发射机的模拟天线阵列时,基站发射天线与 RIS 距离较近,可以考虑不定义新的接口。图 3.2-1 RIS用作收发机的设备实物将 RIS 面板用作发射机模拟天线阵列的一种实现结构如图 3.2-1 所示。图 3.2-1 所示收发机支持的数据流数为=2。将发送信号表示为=1,2,,数据流经过维度为 的数字预编码矩阵,输出路数据=1,2,=。路数据通过射频链连接的个馈源天线发出,传播到包含个单元的 RIS(相移矩阵为)面板,经由 RIS 进行模拟波束赋形以后发射出去。理想情况下 RIS 的调控矩阵为,从馈源到 RIS 的信道为;RIS 到 UE 的信
43、道矩阵为。馈源信号不经过 RIS 直接到 UE 的信道表示为,噪声为0。则在完全已知信道信息的情况下 UE 侧的接收信号为=(+)+0(公式 3.3-2)在实际场景下,由于工艺的误差和信道测量反馈的损失,不可避免地会引入一些非理想因素。这些非理想因素可以建模为相位误差和信道估计误差。相位误差模型可以建模为=+(公式 3.3-3)其中作为相位误差。对于 RIS 的两段信道来说,由于 RIS 无源的特性,其信道估计存在的误差以及发端和收端的噪声和导致的综合影响可以体现在最终估计的信道,即(公式 3.3-3)中的理想信道估计和和需要被替换为以下的实际模型?=+(公式 3.3-4)?=+(公式 3.3
44、-5)16IMT-2030(6G)推进组IMT-2030(6G)Promotion Group此时的传输方案转化为,在考虑误差情况下,保证系统的指标(如接收信噪比)能够最大概率地满足要求。通过考虑误差的问题转化及其鲁棒波束赋形方法,可以使得系统的稳定性大大提升,系统的和速率在高信噪比情况下提升 50%,在优化目标为中断概率的问题中,系统的中断概率显著降低(在一些场景下可从 80%降低到 20%)25。3.3 RIS 辅助辅助 Mega MIMO100GHz 以上的 sub-THz 频段可以提供足够的带宽,用于满足 6G 系统 100Gbps 以上的极致吞吐需求。为弥补 sub-THz 信道的高
45、路损,可以在基站(BS)应用基于可重构智能表面(RIS)的大尺寸阵列天线,降低成本和功耗。此外,Sub-THz 无线信道具有以视线(LoS)传播为主的“准光”特性,进而影响传统 MIMO 系统的空间复用能力和频谱效率。一种解决方式是利用大孔径阵列的近场效应。近场中 LoS 信道具有较高的自由度,因此可以利用近场 MIMO 技术提升 LoS 场景中的空间复用增益。例如,LoS-MIMO 技术已经应用于微波回传链路26。但传统 LoS-MIMO 技术中天线阵列固定不变,导致用于接入链路时,天线排布非理想,性能下降。本文介绍一种基于 RIS 辅助的新型 MIMO 架构,可以针对用户位置和姿态进行自适
46、应孔径调节,以保障 LoS-MIMO 用于接入链路时的传输性能27。3.3.1基本原理基本原理图 3.3-1 所示为 RIS 辅助 Mega MIMO 示意图。基站(BS)天线采用相控阵-RIS 两重波束赋形天线架构。其中相控阵作为 RIS 的馈源,用于对 RIS 馈电;透射式 RIS 用于将入射波向用户设备(UE)传输。具体来说,各相控阵子阵将已预编码的数据流经过波束赋形向 RIS 传输。当 RIS 尺寸足够大时,可以通过控制相控阵波束调整 RIS 上入射波功率分布,从而选择性激活特定位置的 RIS 阵元。本方案中,为了降低馈电损耗并在传输方案设计中提高信道正交性,相控阵波束设计考虑聚焦波束
47、。下一步,通过调控被激活的 RIS 阵元的相位使 RIS 波束指向 UE 方向,达到相干的波束赋形传输。而 UE 侧使用传统相控阵天线接收。图 3.3-1 RIS辅助Mega MIMO示意图上述相控阵-RIS 两重波束赋形天线架构可以在 BS 天线物理位置不变的条件下,等效的实现自适应孔径调节。从 UE 侧看,被激活的部分 RIS 阵元替代了相控阵天线,成为 BS 的等效发射天线。由于被激活的 RIS 阵元的的位置可以通过控制相控阵波束方向进行调整,因此等效的实现了自适应孔径调节。这是本方案与传统空馈相控阵的区别。17IMT-2030(6G)推进组IMT-2030(6G)Promotion G
48、roup3.3.2技术优势技术优势首先,RIS 辅助 Mega MIMO 在 LoS 传播为主的高频信道中可以获得较高的空间复用增益和传输性能。自适应孔径调节能针对用户位置和姿态将 BS 等效发射天线调整到最优位置27。此时,等效 MIMO 信道近似满足规范正交性(orthonormality),即等效MIMO 信道不仅正交,而且各特征值也相等,从而可以提高传输性能。相比基于传统相控阵的混合波束赋形(HBF),可以获得 1.5 倍2 倍的增益。其次,RIS 辅助 Mega MIMO可以降低 BS 天线的成本和功耗,提高能量效率。BS 可以利用较小尺寸的相控阵对 RIS馈电,降低成本和功耗。通过
49、相控阵波束的合理设计,还可以达到较低的馈电损耗。尽管需要使用较大尺寸的 RIS,但仅有少数 RIS 阵元被激活用于传输,其它 RIS 阵元可以配置为功耗较低的关闭或随机散射模式,同时降低计算和控制复杂度。此外,RIS 辅助Mega MIMO 可以极大简化收发方案设计,实现不依赖发端信道状态信息(CSIT)的传输。具体传输方案将在下一小结中介绍。3.3.3传输方案传输方案由于 RIS 辅助 Mega MIMO 可以借助自适应孔径调节实现规范正交的等效 MIMO 信道,收发方案可以称为基于自适应孔径的规范正交空间复用(Orthonormal SpatialMultiplexing with Ada
50、ptive Aperture,OSMA2)。理想情况下,当 BS 已知用户的精确位置和姿态时,可以据此进行孔径调节和波束赋形,并且可以使用 DFT 矩阵对数据流进行数字预编码。由于等效 MIMO 信道各特征值相等,等功率分配即为最优功率分配。此时各接收天线可以接收到无流间串扰的数据流并直接解调,不再需要空域合并。当存在定位误差时,BS 可以根据有误差的用户位置和姿态进行孔径调节和波束赋形。各数据流可以不经数字预编码直接传输。此时只需要接收机基于收端 CSI 估计进行复杂度较低的匹配滤波(matched filter,MF)即可获得接近最优的性能。两种收发方案对比见表 3.3-1。表 3.3-1
51、 两种RIS辅助Mega MIMO传输方案方案 1方案 2BS 侧(发端)信息精确用户位置和姿态有误差的用户位置和姿态数字预编码DFT 矩阵无(各子阵发射独立数据流)空域接收机无(各接收天线信号独立解调)基于 CSIRS 估计的 MF图 3.3-2 展示了本方案(OSMA2)在 100GHz 载频和 6.4GHz 带宽下的可达吞吐性能。可 以 看 到 在 较 实 际 的 中 等 发 射 功 率 区 间 内(1530dBm),本 方 案 可 以 达 到200800Gbps 的吞吐,是传统 HBF 的 1.5 倍2 倍。而且即使存在 50cm 的定位误差,方案性能下降仍小于 10%。18IMT-2
52、030(6G)推进组IMT-2030(6G)Promotion Group图 3.3-2 可达吞吐性能随相控阵天线总发射功率的变化4第四章第四章 信道状态信息反馈信道状态信息反馈4.1 近场球面波信道的近场球面波信道的 CSI 反馈码本设计反馈码本设计随着天线阵列向更大规模演进,如超大孔径天线阵列(Extremely Large Aperture Array,ELAA)、可重构智能超表面(RIS)技术等,用户会以更大概率出现在近场。以工作在100GHz、单元数 256*256、半波长间距的阵列为例,根据经典理论,其近场范围为 200m以内。已有 CSI 反馈方案基于用户位于远场假设,将电磁波视
53、为平面波,基于此设计的CSI 反馈码本具有 1D/2D-DFT 向量形式。然而,近场信道体现出球面波特性,将已有CSI 反馈方案直接应用在近场会导致系统性能下降,例如波束赋形增益损失。因此,需要设计适配近场球面波信道的 CSI 反馈方案。4.1.1码本设计码本设计从宏观角度分析,平面波导向矢量仅包含俯仰角和水平角两个维度的信息,现有码本反馈方案即对两个维度的信息进行量化,通过克罗内克积得到码字构造的基本单元。值得注意的是,反馈变量并非分别对应俯仰角和水平角维度信息,而是经由两个维度进行组合变换。近场的 CSI 反馈码本设计仍然可以沿用远场研究的思路。根据近场球面波模型特性,假设用户球坐标为(,
54、),均匀线性阵(Uniform Linear Antenna,ULA)以及均匀平面阵(Uniform Planar Antenna,UPA)的导向矢量可以分别表示为:,=1,2,T(公式 4.1-1)sin+cos222(公式 4.1-2),=1,1,1,2,1,T(公式4.1-3)19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group,sincos sinsin+1 sin2cos222+1 sin2sin222sin2(公式4.1-4)其中和,分别表示 ULA、UPA 各单元与用户 LoS 径的距离,决定了信号的相位关系,是设计反馈码本的重要依据。不难发现
55、,当r取值较大时,分别可以得到 sin以及,sincos sinsin,相位随电磁单元坐标线性变化,等相位面是平面。因此,平面波模型可以视作球面波模型的特例,可以推断出依据球面波导向矢量,以及(,)设计的反馈码本能够兼容已有远场方案。另一点需要注意的是,在远场平面波近似中,,可以解耦合为关于以及的两项,因此已有远场 UPA 码本可以表示为 ULA 码本克罗内克积的形式。然而,对于近场球面波信道,,中存在关于的交叉项,因此 UPA 码本无法简单设计为 ULA 码本的克罗内克积。基于上述分析,ULA 和 UPA 的近场 CSI 反馈码本的基本码字构造单元设计如下:()=exp +2(公式 4.1-
56、5)()=exp +?+0.5 1 22+0.5 1?22?(公式 4.1-6)其中,?以及均是根据 PMI 确定的码字生成参数,其余变量均为配置好的已知变量。对于 ULA,和可以理解为对 sin以及cos2/2的均匀量化;而对于 UPA,?和可以理解为对 sincos,sinsin以及 1/的均匀量化。当=0 时,上述码字构造单元退化为 DFT 向量形式,保持了对已有远场方案的兼容性。4.1.2性能评估性能评估为了评估所述近场反馈码本性能,仿真考虑 16*16 大小的 UPA,工作频率为 3GHz,重点关注基本码字构造单元的量化性能,即码字与 LoS 信道向量相关性maxH (公式 4.1-
57、7)为了说明近场 CSI 需要设计与之匹配的码本,假设用户分布在 1,5的区域。在保持反馈总比特相同的情况下,对比方案包括:方案 1:传统 2D-DFT 码本,不考虑距离维度信息;方案 2:对,分别进行均匀量化;方案 3:对,分别进行均匀量化,对 1/进行均匀量化;方案 4:和所述方案区别仅在于对进行均匀量化。图 4.1-1 展示了基本码字单元对近场信道的量化性能,图例中的数字分别表示,三个维度的反馈开销。可以看到,所提方案实现了几乎最好的量化性能。此外,在有限的反馈开销限制下,应平衡角度维度以及距离维度的反馈开销。20IMT-2030(6G)推进组IMT-2030(6G)Promotion
58、Group图 4.1-1 不同方案量化性能比较4.2 近场非平稳信道的近场非平稳信道的 CSI 反馈设计反馈设计随着通信频率的提高和越来越大的天线阵列,近场区域的范围也逐渐变得不可忽视,由于阵列尺寸的增大和用户的近场分布,阵列不同区域的天线单元经历不同的传播环境,信道更容易呈现空域非平稳特性28。在信道非平稳的近场通信场景中,由于球面波传输距离和角度的影响,LoS 和多径信号的能量主要由基站天线阵列的一部分提供或接收29,即对于一个大规模天线阵列,环境中某些散射体的反射(或散射)信号可能只能被阵列某个局部区域内的天线接收到;反之亦然,只有阵列某个局部区域内的天线发送信号才能被环境中某些散射体反
59、射(或散射)。这会导致不同用户可能会映射到天线阵列的不同区域,对信道测量和波束赋形都提出了更多的挑战。对于一个大规模天线阵列,LoS 径上的用户和反射径上的每个散射体都对应着一个天线阵列上一个能接收到信号的局部区域,该局部区域称为(多径在阵列上的)可视区域(Visibility Region,VR)29。基于基站天线阵列的子阵列分组情况,可视区域也可以用子阵列集合的形式表示。例如,图 4.2-1 所示为 LoS 径上终端用户对应的可视区域;图 4.2-2 所示为空间非平稳的多径信道,其中“远场 cluster 1”的可视区域为“可视区域 1”,“近场 cluster 1”的可视区域为“可视区域
60、 2”。图 4.2-1 空间非平稳LoS径信道示意图21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 4.2-2 空间非平稳多径信道示意图考虑最简单的多用户 LOS 场景下的上行信道测量过程29,终端发送上行参考信号=1,,其中表示终端 k 发送的上行参考信号,网络侧接收到的信号 y 可以表示为 y=Hx+n,其中表示信道矩阵,n 表示噪声。基站的大规模天线阵列沿着水平和垂直方向分割成=个子阵列,其中水平方向分成了份、垂直方向分成了份。针对每个终端 1,,基站根据每个子阵列(,)的位置和范围信息,利用最大比合并等方法分别检测来自终端的接收功率,并排序,
61、从高到低依次将接收功率最高的子阵列加入终端的可视区域,直到满足总接收功率门限。考虑终端的可视区域为,表示基站天线阵列上满足总接收功率门限的子阵列集合,那么终端 k 只需要由可视区域中的子阵列服务,那么只需要考虑终端用户与其基站侧可视区域之间的信道,。基于近场信道非平稳特性的可视区域反馈,可以在网络性能损失很小的情况下,将信号处理复杂度大幅度降低(例如,在网络和速率损失低于 5%的情况下,可以将信号处理复杂度降低 90%以上29)。另外,上述过程也可以扩展到下行信道测量,或者进一步扩展到多径场景下的信道测量中。根据不同的近场信道状态测量方案,近场信道状态信息反馈需要考虑增加相应的测量结果,例如多
62、径散射体的距离/角度信息、天线子阵列的分组选择信息等。基于近场信道的非平稳特性,可以考虑将天线选择的思想应用于近场多用户信道测量中,基于基站天线各个子阵的信道测量信息来确定近场多用户或者各个散射体的信号能量集中的子阵列分组,并基于子阵列分组结果进行波束赋形和组内干扰协调,有助于降低终端的信号处理复杂度,并降低网络信号传输的资源开销。4.3 面向模块化天线的面向模块化天线的 CSI 反馈优化设计反馈优化设计在超大规模天线技术研究中,通常将天线阵列形态划分为集中式和分布式两大类。在集中式天线阵列方面,全部天线位于同一个一维或二维面板中。集中式天线阵列的问题是信号源位置单一,导致覆盖范围容易受障碍物
63、遮挡而出现空洞。此外,由于天线元件之间需要半波长距离,因此在实际可行的天线尺寸上能够集成的天线元件数量在低频段受到很大限制。在分布式天线阵列方面,要求环境中部署大量分布式接入点,每个接入点具有各自的天线阵列。分布式天线阵列的一项重要技术为联合传输,即利用多个接22IMT-2030(6G)推进组IMT-2030(6G)Promotion Group入点进行数据传输。本节主要研究一种介于集中式与分布式之间的模块化天线形态。该阵列形态需要首先预定义基本的天线模块,再根据部署场景将多个天线模块灵活地连接在一起形成完整的多天线系统,从而能够灵活设计阵列形态,并且可以降低安装维护难度。其中,每个天线模块由
64、多个天线构成,且不同模块的天线形态可以不同。每个模块可以独立进行波束赋形,也可以实现多个天线模块之间的联合传输。模块化天线示意图如图 4.3-1 所示。为了更好的匹配建筑物的角落或弯曲的建筑表面,天线模块可以为不规则形状。图 4.3-1 模块化天线阵列示意图模块化天线的概念在学术界已经有了一定的研究,例如在文献30中提出了模块化天线的概念,其重点是研究分布式计算复杂度的问题。在预编码方面,该文献仅仅采用简单的 ZF 预编码,并未针对 CSI 反馈进行特殊设计。在文献31中提出了大规模 MIMO系统的模块化概念,并作为一种构建具有较小天线模块的单个大型 FD-MIMO 天线面板的方法。本章节重点
65、关注分布式模块化天线的 CSI 反馈方案,通过对分布式模块化天线的反馈码本设计,辅助基站利用多个天线模块进行用户调度。在信道测量方面,基站向终端配置并发送用于信道状态信息测量的参考信号。终端接收参考信号并进行信道估计,获得每个天线模块的信道状态信息。在反馈方面,终端基于每个天线模块的信道状态信息,计算每个天线模块的子码本并进行联合上报,码本结构如图 4.3-2 所示。其中,W 为多个天线模块的预编码矩阵,W1和W2分别为每个天线模块的预编码子矩阵。对于每个预编码子矩阵,可以通过引入空域基矢量来实现两级码本结构。例如W1可以细分为矩阵W1,1和W1,2的乘积。其中W1,1为空域基矢量构成的矩阵,
66、W1,2为空域基矢量之间的线性加权系数构成的矩阵。终端将空域基向量索引及其线性加权系数向基站进行反馈,用于基站恢复多个天线模块的预编码矩阵。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 4.3-2 两级码本示意图当天线模块为不规则形态时,一种可行的方式是在不规则天线模块中选择一个一维或二维规则天线子阵列用于码本构造,如图 4.3-3(a)所示。此外,为了充分利用不规则天线模块中的全部天线,也可以将不规则天线模块进一步细分为多个一维或二维规则天线子阵列用于码本构造,如图 4.3-3(b)所示。其中,选择天线子阵列的方式有多种,例如优先选择天线数量最多
67、的天线子阵列、垂直方向天线数量最多的天线子阵列或水平方向天线数量最多的天线子阵列等。(a)(b)(a)选择一个子阵列(b)选择多个子阵列图 4.3-3 不规则天线模块码本构造示意图4.4 面向面向 RIS 的的 CSI 反馈增强反馈增强在基于 RIS 构建的无线通信系统中,信道估计和 CSI 反馈不仅用于确定调度信息、波束赋形与预编码矩阵等,还要用于对 RIS 进行状态调控。随着阵列规模的增大,信道估计与 CSI 反馈的复杂度与开销也愈发增大,而 RIS 的无源特性也进一步增加了信道信息获取的复杂度。本节考虑对基于 RIS 构建的无线通信系统的信道状态信息获取方法进行增强。在如图 4.4-1
68、所示基于 RIS 构建的无线通信系统,基站到 UE 之间的信道包括基站-RIS、RIS-UE 这两段信道。为了调整 RIS 的状态,最理想的方式是可以获取 RIS-UE 这段信道的信道状态,并基于该段信道的信道状态确定 RIS 的状态。为了获得基站侧发射机的波束赋形和预编码矩阵,则需要获取基站-RIS 或基站到 UE 的信道信息。假设基站到 RIS段的信道为1,RIS 到 UE 段的信道为2。图 4.4-1 基于RIS 的无线通信系统现有的数模混合波束赋形架构下的波束赋形方案,是先确定模拟赋形,在固定的模拟赋形基础下,进行信道估计获得数字赋形。在加入 RIS 的通信系统中,也可以使用类似的方案
69、,通过波束扫描确定 RIS 的相移矩阵,然后在确定的 RIS 相移矩阵下,进行信道测量,获得信道估计,用于基站侧的波束赋形。该方案包括两个过程:波束扫描过程和信道信息获取过程。24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group波束扫描过程中,基站需要向 UE 发送导频信号,进行波束测量。测量过程包含基站波束和 RIS 波束。假设基站有 N 个波束,RIS 有 L 个波束,则需要进行 N*L 个导频信号测量。其中,基站波束指基站发射波束,RIS 波束指 RIS 相移矩阵,一个 RIS 相移矩阵对应一对 RIS 接收波束与 RIS 发送波束对。UE 在接收到导
70、频信号后,会将测量结果上报基站。基站根据 UE 上报的测量结果确定基站发送波束和 RIS 相移矩阵。信道信息获取过程中,基站根据波束扫描过程中确定的发送波束和 RIS 相移矩阵,在对应的基站波束和 RIS 波束上发送导频信号,进行信道测量。UE 接收导频信号获得信道估计信息并上报给基站。基站利用 UE 上报的信道信息进行调度。在信道信息获取过程过程中,RIS 的相移矩阵保持不变,直至基站基于 UE 反馈的信道信息发送数据。该方案导频开销较大。随着频段增高,RIS 的规模增大,RIS 波束变窄,覆盖服务区域所需的波束数量增多,信道信息获取的难度会大增,对于测量开销与时间也会增加。为了降低复杂度和
71、开销,考虑将 RIS 阵列划分为多个子阵,仅对部分 RIS 子阵进行信道测量,然后通过空域插值获得完整 RIS 阵列的信道。该方法假设在 RIS 子阵单独控制,可独立开关。以图 4.4-2 所示的 RIS 阵列为例,将 RIS 阵列分为 59 个 RIS 子阵,其中蓝色高亮的 6 个子阵具备简单信号发射功能,发送用于 RIS-UE 段信道测量的测量信号。通过对图中蓝色高亮的 6 个子阵的进行独立测量,获得 6 个子阵对应的信道信息。然后通过对 6 个子阵进行空域插值获得完整 RIS 阵列对应的信道信息。图 4.4-2 RIS示意图根据图 4.4-1 所示链路,经过 UE 接收到 RIS 反射的
72、信号为:=21+(公式 4.4-1)其中,x 为基站发出的信号,1为 BS-RIS 段信道,2为 RIS-UE 段信道,为 RIS的调控矩阵。而当 UE 接收的是 RIS 发出的信号时,该信号可以表示为=2+(公式 4.4-2)整个测量过程分为两部分:RIS-UE 测量过程:逐一打开高亮 RIS 子阵的发射模块,发射测量信号,UE 接收测量信号获取每个高亮子阵的 RIS-UE 段的信道信息,根据所获得的 6 组信道信息的空域插值结果获得 RIS-UE 的完整信道信息2。BS-RIS-UE 测量过程,关闭 RIS 子阵的发射模块,基站发射导频信号,经过 RIS转发给 UE,UE 测量获得 BS-
73、RIS-UE 的等效信道=21的信道信息。最后,利用测量得到的2和,以及已知的,获得 BS-RIS 段的信道1的信息,进而确定基站的波束赋形。这一过程,相较传统的波束扫描方案,大大降低了波束扫描过程波束扫描过程中的波束测量开销与波束扫描时间。无需多次扫描与测量即可确定基站25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group和 RIS 处的波束。但是,根据对空域插值的精度要求,在计算1的信息时,可能存在一定的计算复杂度。在基于 RIS-UE 的信道信息确定 RIS 调控矩阵时,也可以选择多个可能的 RIS 调控矩阵,在第二阶段测量过程中进行选择或校正,降低 R
74、IS-UE 的信道信息精度损失可能带来的影响。5第五章第五章 预处理算法预处理算法5.1 面向广义极化面向广义极化 MIMO 的预处理算法的预处理算法在信道衰落独立同分布和码长无限(100bit)假设下,基于经典香农信息论的 MIMO信道容量限为log2(1+SNR),与空间信道的自由度 m 成正比。然而,经典的容量限没有考虑到信道编码在有限码长条件下的影响。尤其当码长降低到一定程度(例如低于 100比特),MIMO 系统的可达速率会发生严重恶化32。因此,亟需开展有限码长条件下的MIMO 传输方案设计,提升 MIMO 系统的可达传输速率。当前 MIMO 系统预处理方案设计主要是在无限码长条件
75、下以系统容量、最大似然和用户信干噪比等为准则,旨在实现系统容量、用户公平性等指标的最优。在有限码长条件下,信道编码方案也将对 MIMO系统的传输速率产生重要影响,开展信道编码与 MIMO 传输方案的联合设计对于提升MIMO 系统在未来低时延、高可靠场景下的传输性能显得尤为重要。图 5.1-1 极化编码-调制-预编码的联合设计Polar 码是基于信道极化理论提出的一种线性分组码,相比于 4G 的 Turbo 码和 5G数据信道的 LDPC 编码,Polar 码在短码条件下具有明显的性能优势,是目前唯一数学证明可以达到香容量农限的编码方案,被确定为 5G 控制信道编码方案。信道极化现象已经被发现广
76、泛地存在于很多其他信号处理的过程中。如图 5.1-1 所示,通过将比特域的极化编码扩展到调制和预编码,可以实现比特、符号和数据流的联合设计,使极化效果可以逐级累加,从而增大极化深度、提升 MIMO 预处理方案的传输性能。5.1.1算法描述算法描述如图 5.1-2 所示为基于广义极化的 MIMO 预处理框图。发送端的原始比特经过极化编码与调制后生成符号流。经过层映射和预编码,最终通过 MIMO 信道传输到接收端。系统的第一级进行层信道极化分解,第二级和第三级分别完成调制和比特极化分解最终得到比特极化信道,实现数据流、调制符号、比特的广义极化编码。26IMT-2030(6G)推进组IMT-2030
77、(6G)Promotion Group图 5.1-2 基于广义极化的MIMO预处理框图图 5.1-3 基于广义极化的MIMIO预处理框图针对第一级,需要通过极化编码与多天线预处理的联合设计,增强数据流间的极化效果进而提升系统整体的极化增益。如图 5.1-3 所示,预编码矩阵 F 需要在系统容量最大的前提下,增大数据流间的极化效果(可靠度差异)。因此,将预编码矩阵 F 定义为两个子矩阵的乘积:F=WQ(公式 5.1-1)其中,子矩阵 W 可以由二维 DFT 向量采用两级码本 W1和 W2的乘积构造:W=12;子矩阵 Q 为极化增强矩阵,可以增大数据流之间容量差异33,维度为 LL,L 表示数据流
78、(Layer)数。相应地,子矩阵 Q 需要满足:=arg Qmax1Li=1LIi I?2?(公式 5.1-2)利用酉矩阵 W 具有H=的特性,不失一般性地,利用酉矩阵的排序和旋转可以构造极化增强矩阵 Q,数学公示表式为:=DFT(公式 5.1-3)其中,l=0,N-1 为旋转角度参数,PL为 LL 的排序矩阵,由单位阵 IL按照数据流的一定排序 r=r1,r2,.,rL经过初等变换得到,即=()。r=r1,r2,.,rL可以通过量化排序索引的方式,利用 log2(L!)比特进行反馈。QDFT为旋转基矩阵,数学公式表示为:=12/2(1)/(公式 5.1-4)其中,N 为固定常数,用于定义旋转
79、角的量化精度。为了确定最优的排序和旋转角度,27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group可以建立容量约束下的极化效果最大化问题并进行求解,确定最优的极化增强预编码矩阵33:,1=1?2?S.t.QR=H(,),(,)=P()(),l=1,.,L,i=1,.,N!(公式 5.1-5)5.1.2性能评估性能评估表 5.1-1 仿真参数参数数值信道时隙(N)256码率(R)0.25,0.5调制阶数(m)2,4,6流数(L)4,6参照表 5.1-1 中的参数设置,对基于排序和旋转的极化增强 MIMO 方案(GP-RP)的误块率(BLER)进行仿真。在仿真中主
80、要考虑两种对比方案:一是 QR 分解的极化MIMO 方案(PC-MIMO-QR),二是将 H 特征分解矩阵和 DFT 矩阵旋转结合的预编码方案(DFT-QR)。图 5.1-4 GP-RP、PC-MIMO-QR和DFT-QR方案容量对比图 5.1-4 首先比较了 GP-RP、PC-MIMO-QR 和 DFT-QR 方案中不同数据流的信道容量方差。仿真中将码率设置为 0.5,数据流数目为 4,分别采用 16-QAM 和 64QAM 调制,随机对信道矩阵 H 进行 100 次实现并取平均。从图中可以发现,GP-RP 方案数据流间的信道容量方差均高于 PC-MIMO-QR 和 DFT-QR 方案。从而
81、说明采用矩阵的排序和旋转后,GP-RP 方案能够实现更大的极化效果。图 5.1-5 在数据流数为 4 的情况下,比较了 GP-RP、PC-MIMO-QR 和 DFT-QR 方案采用不同调制阶数的 BLER 性能。由图 5.1-5 可以发现,在 QPSK、16-QAM 和 64-QAM配置下,GP-RP 的 BLER 性能均能够优于 PC-MIMO-QR 和 DFT-QR 方案,这是由于 GP-RP方案能够实现更大的极化深度,从而提升了传输性能。例如对于 QPSK,当 BLER 达到10-2时,GP-RP 所需的信噪比相比于 PC-MIMO-QR 和 DFT-QR 方案分别获得了 1.2dB 和
82、0.6dB 增益。并且当采用更高阶的调制方式时,GP-RP 的信噪比增益可以进一步增大。例如,采用 16-QAM 调制后 PC-MIMO-QR 与 GP-RP 方案的差距缩小到约 1dB。这是由28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group于在相同信道数 N 的条件下,采用高阶调制能够增大码长,从而也说明了 Polar 更适用于短码场景下的传输要求。图 5.1-5 不同调制阶数下GP-RP、PC-MIMO-QR和DFT-QR方案的BLER广义极化 MIMO 预处理方案改变了传统通信系统各个模块“分离设计”的范式,实现Polar 码与 MIMO 预编码的
83、联合设计,有利于满足未来 6G 场景中高可靠、低时延条件下的大容量通信需求。在超大规模 MIMO 系统中,可以利用天线规模的增大进一步获取更多极化编码增益,提升传输性能,最终实现时延、可靠性、系统谱效的优化折衷。5.2 对抗波束分裂的预编码码本设计对抗波束分裂的预编码码本设计在毫米波频段和太赫兹频段,系统带宽可能达到几个 GHz 或几百 GHz,此时使用传统的混合模拟数字波束赋形,将会导致严重的波束分裂(beam squint)现象,即波束像光的色散一样偏离瞄准线而扩散到其他方向,而且波束偏离瞄准线的角度随着信号频率的变化而变化。波束分裂会降低终端接收信号的功率,降低通信系统的传输速率。因此,
84、有必要设计一种能够解决超大规模天线在超大带宽下波束分裂的有效方案。本节通过将大带宽的信号分解成多个子带,分别针对每个子带单独设计数字波束赋形码本,将模拟波束赋形所导致的波束分裂,按照子带补偿回来,以降低降低波束分裂带来的性能损失。本节基于的信号模型为:假设宽带信号的中心频率为,带宽为 B,带宽范围为(-B/2,+B/2),基站有根发送天线,有个射频链,流数为,终端有根接收天线,设为模拟波束赋形矩阵,维度为,设为数字预编码矩阵,维度为,待发送的符号向量为,其维度为 1,则基站发送的信号的表达式为=(公式 5.2-1)模拟波束赋形矩阵的设计过程包括:基站将系统带宽 B 均匀划分为 M 个子带,其中
85、每个子带的带宽为 W=B/M,设子带 m 的中心频率为,其中 m 的取值为 m=1,M。每个子带的带宽 W 的设置规则是:使得频率+W/2 或频率 W/2 取得最大天线增益时的方向角与预设的中心方向角0之间的角度差=0小于预设的门限值。基站针对每个子带 m 的中心频率,设计等效的模拟波束赋形矩阵,使得频率在预设角度方向0处的天线阵列的增益最大。29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group数字波束赋形矩阵的设计过程包括:假设移相器不变,其所生成的模拟波束赋形矩阵为是针对全带宽的,为实现分子带的等效模拟波束赋形矩阵,需要在的后面乘以一个补偿的矩阵。的设计
86、原则是使得尽量接近,且为了保证发送功率不变,应该是一个酉矩阵,即应满足以下条件:min,s.t.=(公式 5.2-2)其中 表示矩阵的 F 范数,上述最优化问题为典型的 Procrustes 正交问题,其最优解为以下闭式解:=(公式 5.2-3)其中和是矩阵进行奇异值分解得到的酉矩阵,即=。虽然是为了逼近分子带的模拟波束赋形矩阵而设计的,但是在数字域实现的,即相当于在数字预编码矩阵的前面乘以了。数字预编码矩阵的设计仍可以按照之前的设计规则进行。即等效的数字预编码矩阵为=(公式 5.2-4)即此时子带 m 上的发送信号的表达式为=(公式 5.2-5)基站针对常用的预设角度0、常用的子带数目 M、
87、以及子带的带宽 W,设计与预设角度0对应的等效模拟波束赋形矩阵wm,并基于wm进一步获得等效数字预编码矩阵=,其中 m=1,M,所有0、M 和 W 的取值,以及不同0、M 和 W 取值下与等效数字预编码矩阵对应的等效数字预编码矩阵=构成基站的发送码本。鉴于上述所设计的对抗波束分裂的码本是通过将大带宽的信号划分为多个子带,并针对每个子带对由于模拟波束赋形所导致的波束分裂在数字域进行预补偿,即相当于对每个子带都加了一个数字滤波器,整个带宽上的波束分裂被按照子带控制在一个合理的范围内,可以预期其能够减小大带宽下波束分裂所导致的性能下降,提高通信性能。6第六章第六章 非平稳信道下接收机算法设计非平稳信
88、道下接收机算法设计在超大规模 MIMO 系统中,由于大量的天线和用户,使用线性检测器和最优非线性检测器进行信号检测,将导致极大的计算复杂度。这是因为线性检测器的复杂度主要源于对高维矩阵进行的复杂矩阵运算。近年来,基于消息传递(MP)算法的 MIMO 检测器得到了广泛的研究。基于 MP 算法的期望传播(EP)34算法不需要传递整个分布的样本值,只关注矩信息等充分的统计量。因此,EP 具有更低的复杂度和更好的性能。文献35基于期望传播算法原理提出了集中式 MIMO 检测器,性能优于多种经典 MIMO 检测器方案。在该场景下,集中式 EP 算法中存在的矩阵求逆过程所带来的复杂度是无法承受的。本章提出
89、了一种采用分布式结构的新型低复杂度 EP(PE-EP)检测器。采用类似于36、37的子阵 EP 结构来适应大规模天线阵中出现的空间非平稳现象,并将泰勒级数的多项式展开式用于降低 EP 的复杂度。30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group6.1 算法描述算法描述考虑一个超大规模 MIMO 场景,其中基站端配有 N 个接收天线,为 K 个单天线用户提供服务。用户符号向量为=1,2,其中表示星座集。基站端 N 根天线被分成 C 个不相交的子阵列处理单元,每个子阵列中的天线数为,因此存在=1=?。并考虑空间非平稳性的影响,第 c 个子阵列的等效基带接收信号
90、模型为=?+(公式 6.2-1)其中,表示第 c 个天线子阵接收到的信号矢量;?表示独立同分布的瑞利衰落信道矩阵且存在列非稀疏列;(0,2)是第 c 个天线子阵列中的 AWGN。将因子图与 EP 算法相结合,所传输的符号矢量的后验概率可被转换为因子图中的数学模型,具有以下表达形式()0()()?(公式 6.2-2)其中,0()表示先验分布;()?表示似然函数;()可等效为一个边缘似然,该概率模型所对应的因子图模型如图 6.2-1 所示。其中,方形代表因子节点(FN),圆形代表变量节点(VN),消息传递则表示 FN 和 VN 之间的信息迭代过程。设符号代表由 VN 到 FN 传递的信息;符号则代
91、表由 FN 到 VN 传递的信息。图 6.2-1 因子图模型结合和积算法,第 c 个子阵列中第 j 个用户符号的实际后验概率表示为=()()(公式 6.2-3)定义矢量置信度()并服从指数族分布,用于表示第 c 个子阵列中检测符号的近似后验分布。使用 KL 散度运算来刻画(|)和()之间的偏差程度,并找到使得 KL散度最小的(),且两个概率分布的 KL 散度最小化等价于矩匹配。()的均值和方差由 MMSE 估计生成,定义其协方差矩阵为且后验均值为?,即=(12+)1(公式 6.2-4)?=(12+)(公式 6.2-5)其中,=和=1,2,分别表示 x 的先验方差和先验均值,表示为 K 维的单位
92、矩阵。并使用平均方差=(1()1作为第 c 个子阵列的方差,即有()=(;?,1)。迭代更新实现矩匹配后,根据(公式 6.2-3)有31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group()()()(公式 6.2-6)其中,()和()都近似为高斯分布,在第 l 次迭代过程中它们的分布分别被定义为;(),()1和;(),()1。其中,和分别等价代表先验均值向量和先验方差。虽然 EP 算法能够达到良好的检测性能,但每一次迭代过程中,由于(公式 6.2-4)涉及到的矩阵求逆运算使得每一次迭代计算复杂度量级为(3),在该场景下的计算复杂度增加。因此,提出一种基于多项式
93、展开(Polynomial Expansion,PE)的 EP 算法,简称为 PE-EP。对任何正定 Hermitian 矩阵 X 有1=()1=0()?+(公式 6.2-7)其中,是对应维度的单位阵;是保证近似精度的收敛因子;是仅截断到第 J 项所导致的误差。将其应用至(公式 6.2-4),对于任意子阵可表示为=0 2+?(公式 6.2-8)PE 的收敛速度由控制,因此使用文献38中的最优收敛因子opt的获取方式和文献39中的近似特征值求法,在降低复杂度的同时能够保持良好的性能。图 6.2-2 PE-EP因子图模型子阵列处理单元完成前端多项式展开的 MMSE 信号检测,在每个子阵处理本地信息
94、之后,消息被并行地通过最大比合并方式合并到中央处理单元中。如果迭代没有停止,合并后的统计信息将被中央处理单元作为先验数据并行反馈给子阵列处理单元。在进行L 次算法迭代后最终输出用户符号估计值。基于以上流程的检测器因子结构如图 6.2-2所示。6.2 性能评估性能评估对所提算法的计算复杂度进行分析。由于空间非平稳特性的影响,每个子阵内只有部分强功率用户被接收进行处理,即每个子阵内实际处理用户数为。为更加清晰的对32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group比各种算法复杂度,给出表 6.3-1 计算复杂度对比,其中 J 为最大截断项满足 1,L为 EP 的
95、迭代次数,LADMM为 ADMM 的迭代次数。通过分析知,基于空间非平稳特性所构建的子阵化架构,每个子阵内的用户数和接收天线数都远低于集中式处理架构,即,。这大大降低了基站的数据处理开销。且 PE-EP 检测器在最大截断项取=1 时,复杂度可降低至(2)量级,这降低了基站信号处理的计算复杂度。当然,有限的截断项会导致信号检测器性能下降。表 6.3-1计算复杂度对比算法计算复杂度集中式 MMSE3+32+2 1集中式 ZF3+2+集中式 EP35(3+52+2+4+2)ADMM40(1033+2+2+82+5)+ADMM(2+2+2)子阵化 EP37(3+52+2+4+2)子阵化 PE-EP(1
96、)(3 2)+52+2+6+1)对本文所提出的低复杂度信号检测器进行性能仿真分析。以误码率作为信号检测性能指标,采用 16QAM 调制方式,EP 算法迭代次数均为 L=5,整个阵列被分为 4 个子阵,每个子阵内天线数平均分配,即=(=4),基站端总天线数 N=1152,总单天线用户数为 K=128,且每个子阵中的强功率用户数在仿真时设置为=/4。在图 6.3-1 中,对所提子阵化低复杂度信号检测器进行了不同信噪比下的性能测试。可以发现集中式 EP 算法性能显著优于传统检测算法 MMSE,且所提子阵化 EP 检测器性能接近集中式 EP 检测器。对所提的 PE-EP 检测器进行性能分析,分别测试其
97、在最大截断项 J=1 和 J=2 时的检测性能。当最大截断项取 J=1 时,所提 PE-EP 检测器接近原始子阵化 EP 检测器的性能,当 J=2 时检测器性能近一步提升,但计算复杂度已不具优势。在图 6.3-2 中将所提算法与传统线性检测器和子阵化架构 ADMM 检测器进行性能的比较。对 ZF 检测器、MMSE 检测器、EP 检测器、迭代次数为 5 次时 ADMM 检测器与所提子阵化 EP 和基于 1 阶展开的 PE-EP子阵化检测器进行性能对比。可以发现 ADMM检测器性能明显弱于所提检测器。并且,EP 算法性能显著优于传统检测算法 MMSE 和ZF,且所提子阵化 EP 检测器性能接近集中
98、式 EP 检测器。33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 6.3-1算法性能分析图 6.3-2不同检测器性能对比7第七章第七章 波束管理波束管理7.1基于基于 RIS 的波束管理的波束管理在 5G NR 中,支持网络控制的转发器(Network Controlled Repeater,NCR)技术,NCR 可以对网络侧发送的信号放大转发,提升信号传输质量。由于 NCR 用于特定位置的信号补盲,且具有较低成本和放大功能,因此天线规模通常不会很大。NCR 对 UE 是透明的,UE 仅能检测网络侧-NCR-UE 之间的等效信道。在基于 RIS 的超
99、大规模天线系统中,RIS 同样可以对网络侧发送的信号进行转发,通常考虑无源 RIS,即无信号放大功能,通过使用数量巨大的 RIS 单元进行波束赋形以提升赋形增益。相比 NCR 系统,RIS 单元的数量更多,波束数量也更多,网络侧-RIS-UE之间的等效信道的波束组合数量会更多。因此,在进行波束扫描时,RIS 系统需要扫描的波束组合数相比 5G 系统会显著增多。例如,网络侧的发送波束数量为1个,UE 的接收波束数量为2个,RIS 的接收波束和发送波束数量分别为R和T个,则波束组合数量高达1RT2组。在 5G NR 中,UE 在一次波束测量上报中至多对 64 个波束进行测量,即使 UE 处理能力在
100、 6G 系统中成倍提高(如一次测量 128 个波束),仍然会显著增加波束测量上报时间,降低数据传输效率。因此,在基于 RIS 的超大规模 MIMO 系统中,需对 UE 的测量上报方法进行增强,寻求次优的波束扫描方法,降低 UE 波束扫描的时间。本节提出一种分级的波束扫描方案,将 2 跳等效链路分解为多个子链路,分别对子链路的波束组合进行扫描,例如,首先基于网络侧-RIS 之间链路进行网络侧发送波束扫描,然后分别对 RIS 接收波束进行扫描,对 RIS 发送波束进行扫描,最后对 UE 接收波束进行扫描。在对网络侧的发送波束进行扫描时,可以将 RIS 处的控制节点(用于接收网络侧的控制信息并对 R
101、IS 进行调控,相当于 NCR 系统中的 NCR-MT),上报最优波束。本方案要求控制节点和 RIS 在地理位置上较接近,即二者对应的网络侧的最优发送波束是相同的。在对 UE 侧的接收波束进行扫描时,可以令网络侧的发送波束、RIS 的接收波束、RIS 的发送波束固定,而后 UE 确定与当前网络侧和/或 RIS 波束对应的接收波束。在介绍 RIS 接收波束扫描或 RIS 发送扫描前,首先介绍一下 RIS 的调控矩阵。假设 RIS 阵列有行列,即共有个 RIS 单元,RIS 阵列的调控矩阵可以表示为行列的对角矩阵。可以将对角矩阵拆成如下形式:=(公式 7.1-1)其中,和均为对角阵,用于对网络侧发
102、送的信号进行接收调控,用于对RIS 转发的信号进行发送调控,为补偿路损等影响(如果需要的话)的相位调控矩阵。可以对 RIS 各调控子矩阵进行设置,使得 UE 的接收功率最大化。当 RIS 仅用于接收信号赋形时,可以控制 RIS 的调控矩阵为=,即=,=,其中为单位矩阵;当 RIS 仅用于发送信号赋形时,可以控制 RIS 的调控矩阵为=,34IMT-2030(6G)推进组IMT-2030(6G)Promotion Group即=,=;当 RIS 仅用于相位调控时,可以控制 RIS 的调控矩阵为=,即=,=;类似地,当 RIS 既用于接收信号赋形,又用于相位调控时=,=;当 RIS 既用于发送信号
103、赋形,又用于相位调控时=,=。图 7.1-1 给出了一种 RIS 接收波束扫描的示意图,其中,基站的发送波束是固定的。由于 RIS 不具备数字信号处理功能,可以使用控制节点辅助 RIS 进行接收波束扫描(即确定)。图 7.1-1 RIS接收波束扫描示意图在进行 RIS 接收波束扫描时,RIS 的接收波束可变,为简化设计,假设=,控制节点接收到网络侧发送的信号,以及 RIS 为其转发的信号,接收信号表示为=+,其中,和分别为网络侧-控制节点间信道、RIS-控制节点间信道、网络侧-RIS 间信道,和分别为网络侧的发送波束矩阵和控制节点处的接收波束矩阵,和分别是网络侧发送的参考信号和控制节点处的接收
104、噪声。通常假设控制节点具有较少的天线,因此可以对应一个固定的接收宽波束。通过对进行扫描,控制节点接收的参考信号的测量值是在发生变化的,最优取值可以是令控制节点接收参考信号测量值最大的接收波束。本方案中将控制节点作为观测点,而不使用 UE 作为观测点,去测量最优 RIS 接收波束的原因是:RIS 调控矩阵中的参数和均未确定,会加重 UE 的测量上报负担,并且 RIS 接收波束的确定过程仅和网络侧到 RIS 间信道有关,和 UE 相关的链路无关,因此,由控制节点辅助 RIS 进行接收波束更加合适。另一方面,在训练 RIS 接收波束时,网络侧可能还未掌握网络侧到 RIS 间的信道信息,更无 RIS
105、到 UE 之间信道的信息,此时的调控矩阵设置未针对 RIS 到 UE 信道进行优化,在此情况下,UE 可能无法收到 RIS转发的信号,或者在较低的信号质量下测量并不可靠。此方案可以工作的前提是,控制节点需要部署在 RIS 的反射或透射范围内,例如,控制节点可以部署在 RIS 阵面前面,即只要不部署在 RIS 背板后面即可。控制节点可以仅配置单根天线,无需复杂度波束赋形操作,测量过程也相对简单。图 7.1-2 给出了一种 RIS 发送波束扫描的示意图,其中,基站的发送波束和 RIS 的接收波束是固定的,此时=或=,由 UE 作为观测点,UE 可以将接收参考信号最大测量值对应的波束作为 RIS 最
106、优发送波束并上报给网络侧。注意,RIS接收波束固定指的是固定子矩阵不变,通过改变进行发送波束扫描。在实际调控过程中,可以将调控矩阵整体量化为一个码书,通过选取不同码字实现不变,变化的效果。35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 7.1-2 RIS发送波束扫描示意图在本方案中,首先对两跳链路涉及到的波束逐一进行波束扫描,可以使得每个的波束选取是局部最优。并最终对两跳等效链路进行扫描(如基站发送波束固定、RIS 波束固定、RIS 发送波束固定,对 UE 接收波束进行扫描),即令等效链路接收信号功率最强。局部最优虽然不能保证确定的波束对全局最优,但
107、是却是一种平衡复杂度和性能的折中方案。相比两跳链路所有波束联合进行扫描的方案,本方案的扫描次数可以显著降低。例如,对网络侧的发送波束进行扫描(共1个波束,进行1次扫描),对 RIS 接收波束进行扫描(对应R次扫描),对 RIS 发送波束进行扫描(对应T次扫描),以及对 UE 接收波束扫描(对应2次扫描),每次仅对一个波束进行扫描,需要测量的波束总数或扫描总次数为1+R+T+2,相比1RT2,波束测量次数显著降低。此外,还可以与5G NR 类似,在扫描的初始阶段,对多个波束进行联合粗扫描,例如对网络侧和 RIS 之间链路进行收发波束联合粗扫描,或对网络侧-RIS-UE 链路进行 4 波束联合粗扫
108、描,而后再进行单个波束扫描,本方案中的 RIS 接收波束或 RIS 发送波束扫描方法仍然适用。7.2 分层分层 RIS 波束训练技术波束训练技术由于 RIS 具有大规模的特点,其在空域上的角度分辨率很高,波束窄且增益高,指向精确,但是这也带来了导频开销大,通信效率下降的问题。因此,为了降低开销,利用分层的思想进行 RIS 波束训练的方案设计十分有必要。分层训练需要在空间上实现宽波束的覆盖,这对于传统天线阵列比较容易实现,对于 RIS 来说,分层码本的设计由于级联信道的存在较难实现。7.2.1算法描述算法描述以 RIS 初始搜索空间规模为 M=16 的情况举例,分层训练的设计逻辑采用二叉树的架构
109、。这 16 个单波束方向将所服务的区域分为 16 个子空间,与基础的 16 个单波束方向一一对应。波束训练的目标即是找到这 16 个中能够最优的码字。对于传统线性训练来说,需要 O(M)时间复杂度的训练过程才能确保找到最优的码字。而分层训练通过每一层不同精度的宽波束扫描,从宽波束到窄波束,逐渐搜索到可能的最优的单波束方向。如图 7.2-1 所示,水平方向代表波束能够覆盖的空域,从上到下代表沿时间轴的码本搜索过程。第一层(代表第一个搜索时隙)的两个宽波束方向分别覆盖了1,2,3,4,5,6,7,8号单波束方向对应的空域和9,10,11,12,13,14,15,16号单波束方向对应的空域范围;通过
110、收端反馈,选择第一层第一个宽波束方向 C(1,1)的子分支 C(2,1)和 C(2,2)进行36IMT-2030(6G)推进组IMT-2030(6G)Promotion Group波束扫描,最终通过如下图绿线所示的波束训练反馈和决策过程,得到单波束方向的第6 号码字即为最优的波束指向。对于 RIS 来说,更多的波束也可以继续分层迭代,进行更深层的训练和扫描。(,)(,)(,)C(4,6)图 7.2-1 分层训练的设计逻辑训练决策示意图分层训练的生成方法一般基于经典的 PA(Pattern Analysis)算法图样叠加来实现宽波束。对于图 7.2-1 来说,其横向代表了波束方向的覆盖范围,纵向
111、代表每一层波束方向按时间顺序从上层到下层进行波束训练和决策。对于每层分支数为 U 的分层训练过程来说,其在第 L 层的第 K 个波束方向,其下一层的子空间波束方向与其的对应关系为,=1+1(+1,)?(公式 7.2-1)其中累加运算符表示其在空域覆盖上的叠加关系。7.2.2性能评估性能评估分层训练常用于通信环境较好的情况下,此时可建模信道为莱斯信道,在莱斯因子足够大(LOS 主径足够强)的情况下,对于规模为 M 的基础码本来说,其导频开销为(M);而对于分层训练来说,若每层的分支为 K,其导频开销为((+1))。根据如图 7.2-2 所示的仿真结果,尽管分层训练可以实现时间复杂度的高效降低,但
112、是,由于多波束形成时产生的波束畸变,分层训练的性能相较于传统码本仍有所下降(平均成功率 85%左右,且与信道本身特征强相关),仍然需要进一步进行波束整形来实现更好的性能效果。图7.2-2 两种分层码本的波束训练成功率37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group8第八章第八章 总结及发展建议总结及发展建议8.1 总结总结本研究报告汇集了 IMT-2030 超大规模天线技术组近一年来在超大规模 MIMO 关键技术研究领域中所取得的进展和阶段性成果,主要包括:超大规模天线的近场及远场信道建模方法;包括稀布阵、RIS 辅助 Mega MIMO、RIS 等新型
113、天线架构方面的研究进展;面向近场信道及新型天线阵列的 CSI 反馈码本设计;面向新型天线阵列、大带宽的预编码设计;面向近场非平稳信道的接收机算法设计;以及面向新型天线架构的波束管理研究进展等。8.2 研究方向发展建议研究方向发展建议超大规模 MIMO 技术是 6G 的关键技术之一,将在提高平均谱效、区域流量密度等方面起到重要作用,为使得未来 6G 技术具有更优越的性能,未来超大规模 MIMO 的关键技术需要在以下方向取得关键性突破:即能够准确刻画超大规模 MIMO 信道近场特性又能兼容远场信道特性的近场远场混合信道建模方法;具备低功耗、低成本、支持更大规模天线的新型天线架构;具有趋近于连续孔径
114、的全息 MIMO 天线阵列;低反馈开销的适用于超大规模天线的 CSI 反馈方案;低计算复杂度的超大规模 MIMO 预编码算法和接收机算法;降低具备超高空间分辨率的超大规模 MIMO 波束失败的波束管理方案等;能够降低计算复杂度、降低信令开销、降低波束扫描时间的智能化 MIMO 技术;以及能够提升边缘频谱效率、提高用户体验速率、可以实现以用户为中心的分布式 MIMO 技术等。9参考文献参考文献1A.Yaghjian,“An overview of near-field antenna measurements,”IEEE Trans.AntennasPropag.,vol.34,no.1,pp.
115、3045,Jan.1986.2F.H.Danufane,M.D.Renzo,J.de Rosny,and S.Tretyakov,“On the path-loss ofreconfigurable intelligent surfaces:An approach based on Greens theorem applied to vectorfields,”IEEE Trans.Commun.,vol.69,no.8,pp.55735592,Aug.2021.3Y.Liu,Z.Wang,J.Xu,C.Ouyang,X.Mu and R.Schober,Near-Field Communic
116、ations:ATutorial Review,in IEEE Open Journal of the Communications Society,vol.4,pp.1999-2049,2023.4P.Mei et al.,On the Study of Reconfigurable Intelligent Surfaces in the Near-Field Region,in IEEE Transactions on Antennas and Propagation,vol.70,no.10,pp.8718-8728,Oct.2022.5R.Li,S.Sun,and M.Tao,“App
117、licable regions of spherical and plane wave models forextremely large-scale array communications,”accepted by China Communications,2023.Online.Available:https:/arxiv.org/pdf/2301.06036.pdf.6Y.Lu and L.Dai,“Near-Field Channel Estimation in Mixed LoS/NLoS Environments forExtremely Large-Scale MIMO Sys
118、tems,”IEEE Transactions on Communications,vol.71,issue.6,Jun.2023,pp.3694-3707.7Z.Yuan,J.Zhang,Y.Ji,G.F.Pedersen and W.Fan,Spatial Non-Stationary Near-FieldChannel Modeling and Validation for Massive MIMO Systems,in IEEE Transactions on38IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupAntennas and Propaga
119、tion,vol.71,no.1,pp.921-933,Jan.2023.8Fraunhofer Heinrich Hertz Institute,“Quasi Deterministic Radio Channel Generator UserManual and Documentation”.Document Revision v2.6.1.July 12.2021.9J.Li,B.Ai,R.He,M.Yang,Z.Zhong,Y.Hao,and G.Shi,On 3D cluster-based channelmodelingforlarge-scalearraycommunicatio
120、ns.IEEETransactionsonWirelessCommunications,vol.18,issue.Oct.2019,pp.4902-4914.10 Y.Zheng,C.-X.Wang,R.Yang,L.Yu,F.Lai,J.Huang,R.Feng,C.Wang,C.Li and Z.Zhong,Ultra-Massive MIMO Channel Measurements at 5.3 GHz and a General 6G ChannelModel,IEEE Transactions on Vehicular Technology,vol.72,no.1,pp.20-34
121、,Jan.2023.11 C.Han,J.M.Jornet,et.al.,Ultra-Massive MIMO Channel Modeling for Graphene-EnabledTerahertz-Band Communications,in Proc.IEEE VTC Spring,2018,pp.1-5.12 Y.Yuan,R.He,B.Ai,Z.Ma,Y.Miao,Y.Niu,J.Zhang,R.Chen,Z.Zhong,A 3DGeometry-Based THz Channel Model for 6G Ultra Massive MIMO Systems,IEEETrans
122、actions on Vehicular Technology,vol.71,no.3,pp.2251-2266,March 2022.13 J.Wang,C.-X.Wang,et.al.,A General 3D Space-Time-Frequency Non-Stationary THzChannel Model for 6G Ultra-Massive MIMO Wireless Communication Systems,IEEEJournal on Selected Areas in Communications,vol.39,no.6,pp.1576-1589,June 2021
123、.14 X.Wei and L.Dai,Channel Estimation for Extremely Large-Scale Massive MIMO:Far-Field,Near-Field,or Hybrid-Field?,IEEE Communications Letters,vol.26,no.1,pp.177-181,Jan.2022.15 F.J.Ares-Pena,J.A.Rodriguez-Gonzalez,E.Villanueva-Lopez and S.R.Rengarajan,Genetic algorithms in the design and optimizat
124、ion of antenna array patterns,in IEEETransactions on Antennas and Propagation,vol.47,no.3,pp.506-510,March 1999.16 N.N.Pathak,G.Mahanti,S.K.Singh,J.K.Mishra,and A.Chakraborty,Synthesis ofThinned Planar Circular Array Antennas Using Modified Particle Swarm Optimization,Progress In Electromagnetics Re
125、search Letters,Vol.12,87-97,2009.17 S.Caorsi,A.Massa,M.Pastorino and A.Randazzo,Optimization of the difference patternsfor monopulse antennas by a hybrid real/integer-coded differential evolution method,inIEEE Transactions on Antennas and Propagation,vol.53,no.1,pp.372-376,Jan.2005.18 W.P.M.N.Keizer
126、,Large Planar Array Thinning Using Iterative FFT Techniques,in IEEETransactions on Antennas and Propagation,vol.57,no.10,pp.3359-3362,Oct.2009.19 Y.Liu,Z.Nie and Q.H.Liu,Reducing the Number of Elements in a Linear Antenna Arrayby the Matrix Pencil Method,in IEEE Transactions on Antennas and Propagat
127、ion,vol.56,no.9,pp.2955-2962,Sept.2008.20 Y.Liu,Q.H.Liu and Z.Nie,Reducing the Number of Elements in the Synthesis ofShaped-BeamPatternsbytheForward-BackwardMatrixPencilMethod,inIEEETransactions on Antennas and Propagation,vol.58,no.2,pp.604-608,Feb.2010.21 X.Zhao,Q.Yang,“Compressed sensing approach
128、 for pattern synthesis of maximally sparsenon-uniform linear array”.IET Microwaves,Antennas&Propagation,8(5):301-307,2014.22 M.Lou,J.Jin,H.Wang,et al.“Applying Sparse Array in Massive MIMO via Convexoptimization”.2020 IEEE Asia-Pacific Microwave Conference,Hong Kong,Hong Kong,2020:721-723.23 M.Lou e
129、t al.,Performance analysis of sparse array based massive MIMO via joint convexoptimization,in China Communications,vol.19,no.3,pp.88-100,March 2022.24 W.Xu,Y.Cui,H.Zhang,G.Y.Li,and X.You,“Robust beamforming with partial channelstate information for energy efficient networks,”IEEE J.Sel.Areas Commun.
130、,vol.33,no.12,pp.29202935,Dec.2015.25 L.You,A.Liu,W.Wang and X.Gao,Outage Constrained Robust Multigroup MulticastBeamformingforMulti-BeamSatelliteCommunicationSystems,inIEEEWirelessCommunications Letters,vol.8,no.2,pp.352-355,April 2019.26 Ericsson,Breaking the 100Gbps barrier,”in Ericsson Microwave
131、 Outlook 2019,Tech.Report,pp.13-16,2019.Online.Available:https:/27 X.Li,X.Wang,X.Hou,L.Chen,S.Suyama and T.Asai,RIS-Aided Mega MIMO:Achieving Orthonormal Spatial Multiplexing with Adaptive Aperture,in Proc.2022 IEEEGlobecom Workshops(GC Wkshps),Rio de Janeiro,Brazil,2022,pp.692-698.28 M.Cui,Z.Wu,Y.L
132、u,X.Wei and L.Dai,Near-Field MIMO Communications for 6G:Fundamentals,Challenges,Potentials,and Future Directions,in IEEE CommunicationsMagazine,vol.61,no.1,pp.40-46,January 2023.29 K.Zhi,C.Pan,H.Ren,K.K.Chai,C.-X.Wang,R.Schober,and X.You,“PerformanceAnalysisandLow-ComplexityDesignforXL-MIMOwithNear-
133、FieldSpatial39IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupNon-Stationarities,”arXiv:2304.00172,Mar.2023.30 E.Bertilsson et.al.,“A Modular Base Station Architecture for Massive MIMO with Antennaand User Scalability per Processing Node,”52nd Asilomar Conf.,Oct.2018.31 T.Wirth et al.,“Modular Concepts fo
134、r Practical Massive MIMO Implementations,”IEEERadio and Wireless Symp.,Jan.2020.32 X.You,et.al.,“6G extreme connectivity via exploring spatiotemporal exchangeability,”中国科学:信息科学(英文版),66(3):3,2023.33 Z.Feng et al.,A Precoding Scheme for Polar Coded Uplink MU-MIMO Systems,ICC 2022-IEEE International Co
135、nference on Communications,Seoul,Korea,Republic of,2022,pp.2489-2494.34 T.P.Minka,“Expectation propagation for approximate Bayesian inference,”arXiv preprintarXiv:1301.2294,2013.35 J.Cspedes,P.M.Olmos,M.Snchez-FernndezandF.Perez-Cruz,ExpectationPropagationDetectionforHigh-OrderHigh-DimensionalMIMOSy
136、stems,inIEEETransactions on Communications,vol.62,no.8,pp.2840-2849,Aug.2014.36 H.Wang,A.Kosasih,C.-K.Wen,S.Jin and W.Hardjawana,Expectation PropagationDetector for Extra-Large Scale Massive MIMO,in IEEE Transactions on WirelessCommunications,vol.19,no.3,pp.2036-2051,March 2020.37 Z.Zhang,H.Li,Y.Don
137、g,X.Wang and X.Dai,Decentralized Signal Detection viaExpectationPropagationAlgorithmforUplinkMassiveMIMOSystems,inIEEETransactions on Vehicular Technology,vol.69,no.10,pp.11233-11240,Oct.2020.38 N.Shariati,E.Bjrnson,M.Bengtsson and M.Debbah,Low-Complexity PolynomialChannel Estimation in Large-Scale
138、MIMO With Arbitrary Statistics,in IEEE Journal ofSelected Topics in Signal Processing,vol.8,no.5,pp.815-830,Oct.2014.39 M.Wu,B.Yin,G.Wang,C.Dick,J.R.Cavallaro and C.Studer,Large-Scale MIMODetection for 3GPP LTE:Algorithms and FPGA Implementations,in IEEE Journal ofSelected Topics in Signal Processin
139、g,vol.8,no.5,pp.916-929,Oct.2014.40 K.Li,R.R.Sharan,Y.Chen,T.Goldstein,J.R.Cavallaro and C.Studer,DecentralizedBaseband Processing for Massive MU-MIMO Systems,in IEEE Journal on Emerging andSelected Topics in Circuits and Systems,vol.7,no.4,pp.491-507,Dec.2017.40IMT-2030(6G)推进组IMT-2030(6G)Promotion
140、Group10 主要贡献单位主要贡献单位主要贡献单位(排名不分先后)序号序号主要贡献单位主要贡献单位贡献内容贡献内容1中信科移动通信技术股份有限公司第1章、第2.1.2节、第3.2节、第4.4节、第5.2节、第7.1节、第7.2节、第8章2维沃移动通信有限公司第2.1.1节、第2.3节、第4.2节3北京交通大学第2.2节4中国移动第3.1节、第5.1节5都科摩(北京)通信技术研究中心有限公司第3.3节6中兴通讯股份有限公司第4.1节7紫光展锐第4.3节8重庆邮电大学第6章41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group11缩略语缩略语英文缩写英文全称中文
141、全称4G4thGeneration第四代移动通信系统5G5thGeneration第五代移动通信系统6G6thGeneration第六代移动通信系统AODAngle of Departure离开角BSBase Station基站COconvex optimization凸优化CSIChannel State Information信道状态信息CSITChannel State Information at Transmitter发端信道状态信息DEDifferential Evolution差分算法DFTDiscrete Fourier Transform离散傅里叶变换ELAAExtremel
142、y Large Aperture Array超大孔径天线阵列FBMPMForward-Backward Matrix Pencil Method前后向矩阵束FBSFirst-Bounce Scatterer首跳散射体FFTFast Fourier Transform快速傅里叶变换GAGenetic Algorithm遗传算法GBSMGeometry-Based Stochastic Channel Model基于几何的随机统计信道建模方法HBFHybrid BeamForming混合波束赋形IOSIntelligent Omni-Surfaces智能全向超表面JCOJoint Convex O
143、ptimization联合凸优化LBSLast-Bounce Scatterer末跳散射体LOSLine-Of-Sight直射径MFMatched Filter匹配滤波MIMOMultiple Input Multiple Output多输入多输出MPCMulti-Path Component多径成份MPMMatrix Pencil Method矩阵束42IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupNCRNetwork Controlled Repeater网络控制的转发器NLOSNon Line Of Sight非直射径OSMA2Orthogonoma
144、lSpatialMultiplexingwithAdaptive Aperture基于自适应孔径的规范正交空间复用PEPolynomial Expansion多项式展开PMIPrecoding Matrix Indicator预编码矩阵指示PSOParticle Swarm Optimization粒子群算法RHSReconfigurable Holographic Surfaces可重构全息超表面RISReconfigurable Intelligent Surface可重构智能超表面STAR-RISSimultaneously-Transmitting-and-ReflectingRIS同时反射和透射的 RISTDDTime Division Duplexing时分双工ULAUniform Linear Antenna均匀线性阵UMaUrban Macro cell宏蜂窝UPAUniform Planar Antenna均匀平面阵VRVisibility Region可视区域联系方式邮箱:COPYRIGHT2023 IMT-2030(6G)PROMOTION GROUP.ALL RIGHTS RESERVED.