《IMT-2030(6G)推进组:2023太赫兹空时频高速信号处理技术研究报告(43页).pdf》由会员分享,可在线阅读,更多相关《IMT-2030(6G)推进组:2023太赫兹空时频高速信号处理技术研究报告(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 Group目录目录.3图目录.5表目录.7第一章背景.8第二章挑战.92.1太赫兹信
2、道方面的挑战.92.2太赫兹收发机方面的挑战.9第三章技术进展.113.1非理想特性补偿技术.113.1.1 太赫兹基带器件非理想失真挑战.113.1.2 数字预失真算法.123.1.3 峰值因子消减算法.133.1.4 通道一致性校准算法.143.1.5 基于 AI 的波束成形技术.153.2超大规模天线基带信号处理.163.2.1 分布式基带信号处理技术.163.2.2 基于期望传播算法的分布式接收机.173.2.3 基于用户分组的接收机设计.193.3智能接入技术.203.3.1 大规模 MIMO 接入挑战.203.3.2 基于延迟相位预编码架构的太赫兹主动协调式接入机制.203.3.3
3、 面向超密集组网的太赫兹系统可重构接入方法.213.4超大规模天线阵列:MIMO 与智能反射面技术结合.223.4.1 宽带太赫兹智能超表面通信波束色散管理.223.4.2 超大规模 RIS 辅助的信道估计和定位.244IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.5波束管理.253.5.1 RIS 辅助的宽带太赫兹高精度波束训练方法.253.5.2 低时延的太赫兹波束管理方法.25第四章系统原型验证.274.1宽带太赫兹高速通信链路和 MIMO 系统.274.2MIMO 高阶调制系统.294.2.1 高阶调制系统架构.294.2.2 高谱效系统原型验
4、证.30第五章未来发展.315.1太赫兹远近混合场信号处理技术.315.1.1 太赫兹远近场效应.315.1.2 混合球面和平面波信道模型.325.1.3 基于深度学习的信道估计.335.1.4 基于压缩感知的信道估计.345.2感知协同太赫兹 MIMO 通信.355.2.1 感知协同的 MIMO 通信性能界.355.2.2 感知协同波束赋形技术.375.2.3 感知协同的波束追踪技术.385.3数据驱动太赫兹高速传输技术.395.3.1 数据驱动的物理层技术.395.3.2 数据驱动的传输和高速业务一体化技术.40第六章参考文献.42第七章主要贡献单位.435IMT-2030(6G)推进组I
5、MT-2030(6G)Promotion Group图目录图 3-1数字预失真原理示意图.12图 3-2数字预失真实现原理框图.12图 3-3功放输入输出特性示意图.13图 3-4消峰基本原理示意图.14图 3-5多通道一致性校准流程图.15图 3-6DeepRx 处理流程图.16图 3-7DeepRx 系统与传统 LMMSE 性能对比.16图 3-8分布式 M-MIMO.17图 3-9基于 EP 的分布式接收机方案.18图 3-10基于稀疏化 EP 的分布式架构.19图 3-11DBP 星状架构(左)和 DBP 菊花链架构(右).20图 3-12延迟相位混合波束赋形架构.21图 3-13波束
6、训练示意图.21图 3-14太赫兹系统可重构接入方法.22图 3-15(a)传统移相器结构,(b)单层时延器结构,(c)双层时延器结构。.23图 3-16(a)分布式 STAR-RIS 辅助通信;(b)STAR-RIS 子连接结构.23图 3-17(a)联合信道和用户位置感知;(b)不依赖于信道估计的位置感知.24图 3-18基于能量分布的太赫兹宽带 RIS 波束训练性能.25图 3-19PWS 感知帧结构.26图 4-1(a)实验系统设置(b)系统实物图.27图 4-2室内长距离的太赫兹通信测试.28图 4-3一种高谱效的太赫兹通信系统架构.29图 4-4太赫兹基带预均衡方案.29图 4-5
7、分布式的相位噪声抑制方案.30图 4-6THz 室外远距离通信样机(上),THz 室外 MIMO 通信样机(下)30图 5-1(a)PWM 和 SWM 需要估计的参数数目对比;(b)PWM 模型误差。31图 5-2HSPM 示意图.32图 5-3HSPM 的误差性能。.33图 5-4所提信道估计 DCNN 网络架构。.336IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图 5-5基于 DCNN 的信道估计方案的误差性能.34图 5-6不同感知协同部署追踪.35图 5-7通信感知一体化研究中的性能指标.36图 5-8感知协同太赫兹通信闭式表达式与理论真值对比
8、.37图 5-9感知协同太赫兹宽带波束赋形方案示意图.37图 5-10全连接的混合预编码系统结构.38图 5-11MIMO-OTFS 太赫兹信道追踪架构图.38图 5-12视觉辅助的太赫兹超大规模 MIMO 波束追踪方案流程图.39图 5-13传输模型的神经网络结构.40图 5-14面向高速业务的数据驱动太赫兹传输系统结构.417IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表目录表 4-1有 MIMO 串扰的四通道 D 波段太赫兹通信测试结果.28表 4-2有 MIMO 串扰的四通道 G 波段太赫兹通信测试结果.28表 7-1主要贡献单位.438IMT-
9、2030(6G)推进组IMT-2030(6G)Promotion Group第一章 背景太赫兹(0.1-10 THz)频段具备超大带宽的天然优势,有望实现超高数据速率以及毫米级精度感知。基于太赫兹频段的通信感知技术将颠覆第六代及未来的无线通信系统,真正实现“万物智联”。为了充分发挥太赫兹频段的潜能,研究太赫兹空时频高速信号处理技术显得尤为重要,包括空域的波束管理、时频域的信号处理设计。相比于微波及毫米波频段,太赫兹频段存在更为严重的路径损耗,包括自由空间传播损耗、反射散射损耗、分子吸收损耗。如果不进行处理,这些损耗会极大限制通信和感知的最大距离,降低了频谱效率和感知精度。因此,当发射功率固定时
10、,一般需要利用超大规模天线阵列(Ultra-Massive MIMO,UM-MIMO)产生定向波束来克服这些损耗。当天线数目较多时,需要研究高能效、低复杂度的波束赋形架构以及空域预编码算法。此外,定向波束的使用会限制感知的角域覆盖范围。在太赫兹频段,为了同时实现高速率的数据传输与全方位的高精度感知,需要设计高速有效的波束管理方案与空域信号处理技术。为了实现上述太赫兹通信和感知的宏伟愿景,时频域的通感双功能波形设计以及相应的基带信号处理也是太赫兹 UM-MIMO 系统中极为重要的一环。不同的时频域调制和波形方案具有不同的优劣势,包括峰均功率比、对多普勒效应的鲁棒性、信号处理复杂度、时频资源分配的
11、灵活性、与 UM-MIMO 的兼容性等。同时,需要针对太赫兹接收机的信道估计、数据检测、感知定位等功能研究相应的高速信号处理算法,以解决太赫兹频段的挑战,充分利用太赫兹频谱资源的优势。9IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第二章 挑战2.1 太赫兹信道方面的挑战1.信道时延特性:信道时延特性:太赫兹频段较高的反射和散射损耗,可能导致非视距路径的功率损耗和数量衰减,此时太赫兹通信信道的时延扩展会有所减小,相关带宽有所增大。因此,在考虑太赫兹通信时,可以减少太赫兹信号的循环前缀长度以提高频谱效率。然而,与通信的时延扩展不同,在考虑太赫兹感知时,已有的
12、信号处理方法要求最大感知距离的往返延迟小于循环前缀长度。此时,如果不研究新型信号处理方案,减小循环前缀的长度,会限制了太赫兹感知的最大距离。2.多普勒效应:多普勒效应:由于多普勒扩展效应与载波频率成正比,所以在太赫兹频段,特别是在高迁移率情况下,多普勒扩展效应更加严重。高多普勒频移的时频双选信道会破坏子载波的正交性,引起载波间干扰。一方面,通过增大子载波间隔可以抑制多普勒效应的影响。另一方面,也可以通过研究新型时频域信号处理技术提高系统对于多普勒效应的鲁棒性。阻挡效应阻挡效应:由于穿透损耗,在太赫兹通信网络中需要考虑阻挡效应。太赫兹波很难通过许多常见阻挡物体,如墙壁和人体。在遇到各种阻挡的环境
13、中,接入点与用户设备之间的视距路径可能被阻塞,从而降低了接入点的覆盖距离。因此,需要研究空时频高速信号处理技术,解决随时出现的阻挡问题,保证数据传输不中断,实现高质量的太赫兹通信服务。3.远近场信号处理:远近场信号处理:在太赫兹频段,当传输距离小于天线阵的瑞利距离时,需要考虑近场传播。在这种情况下,作为球面波传播近似模型的平面波传播模型就会失效,给波束赋形以及空域的信号处理带来了困难。2.2 太赫兹收发机方面的挑战1.功率放大器:功率放大器:由于功率放大器的饱和输出功率随着载波频率的增加而迅速减小,太赫兹频段的功率放大效率和平均输出功率对太赫兹波段的峰均功率比更为敏感。为了优化发射机的发射功率
14、和功率效率,通过有效的时频域基带信号处理,降低太赫兹发射信号的峰均功率比是实现高能效太赫兹通信的关键技术。2.波束分裂效应波束分裂效应:在太赫兹波段,一般利用超大规模天线阵列来提供高的波束增益。然而,在宽带 UM-MIMO 模拟或混合波束赋形系统中,可能会出现了波束分裂效应。在波束赋形预编码设计无法实现完全自由度的情况下,混合波束赋形结构利用10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group移相器对所有频率进行相同的加权调整,因此非中心频率的波束方向可能会偏离中心方向并偏离目标或用户。此时,阵列增益大大降低,从而影响感知和通信的性能。3.时间复杂度:时间复
15、杂度:为了支持具有超高速数据速率的无线链路,需要对太赫兹收发机的信号处理复杂度进行合理优化。由于实现 Tbps 级别的基带数字信号处理硬件仍然具有挑战性,低复杂度的高速信号处理方法尤为重要,特别是在接收机的信号处理模块,包括信道参数估计和数据检测技术。相应算法的时间复杂度应当尽可能随着空时频资源的数目呈线性增长或线性对数增长。11IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第三章技术进展3.1 非理想特性补偿技术3.1.1太赫兹基带器件非理想失真挑战根据 ITU 提出的 6G 愿景,6G 系统支持高达 100GHz 甚至 1THz 的大带宽,6G 高频系
16、统的下行峰值速率可以高达 100Gbps,上行峰值速率高达 1Tbps,预计将大幅提升系统的传输能力。太赫兹频段超大带宽方面的资源优势,可以支持系统具备超高速率的通信能力,但是太赫兹通信高频率和大带宽将引入复杂动态信道、混合失真、复合噪声、方向性强易被遮挡等不利影响。为支持超宽带超高速通信应用,太赫兹通信系统对数模转化芯片采样率需求提升。而高精度的模数转换器(Analog-to-Digital Converter,ADC)和数模转换器(Digital-to-Analog Converter,DAC)具有较高的功耗和硬件成本。除此之外,高频功率放大器的工作效率对整机功耗的影响接近 40%,其性能
17、对太赫兹基带处理能力和功耗能效控制至关重要1。ADC/DAC 的量化误差、相移器的非理想性、功率放大器的非线性失真、低噪声放大器的非理想性均对太赫兹基带信号处理带来挑战。因此,在发射机侧,需要满足高增益、高功率、高效率、高线性度、低误差矢量幅度(EVM),在接收机侧,需要在宽带接收范围内表现低接收器灵敏度、低噪声和高增益/线性度。太赫兹通信系统对消峰处理和数字预失真等射频算法提出了更高的能力要求,亟需非线性补偿校正提升工作效率,需要从不同层面研究适应于太赫兹硬件设备实现的低复杂度、高效信号处理方法。针对太赫兹频段器件非理想特性和工程实现的约束,尝试根据现有的理论基础,设计适应大带宽高数据速率的
18、太赫兹通信波形和低复杂度的并行化基带信号处理架构,解决太赫兹超高传输速率的物理层设计和工程实现问题,让太赫兹通信在当前器件约束下走向实际应用。由于太赫兹的超大信号带宽和超大阵列,全数字信号处理架构需要依赖高精度和高采样率的数模和模数转换器,以及复杂信号处理算法,这对器件的成本和设计难度,高速接口,系统功耗带来了极大挑战。模拟以及数模混合的信号处理体制,可以使用低精度 AD/DA 的收发体制及简化算法基带,在太赫兹通信中是一个有潜在的研究方向。一方面,需要研究如何降低对 AD/DA 的采样率需求,常规系统通常需要以多倍符号速率进行采样,对太赫兹超高速率信号将会带来极高的基带处理资源开销;另一方面
19、需要研究低量化精度信号处理技术,具体包括比特量化与信号算法的联合优化设计、自适应量化门限、单比特解调的联合优化设计以及基于概率计算的低复杂度的硬件集成电路设计等。12IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.1.2数字预失真算法功放的输入输出特性只有在较低功率部分具有线性响应特性,随着输入功率的提升,功放输出功率开始产生非线性压缩,平均发射功率处于较强非线性区域,如图 3-1 所示。非线性响应特性会导致信号能量的泄露,引起带外非线性失真,影响信号发射质量,降低功放工作效率。图3-1数字预失真原理示意图数字预失真(Digital Pre-Distor
20、tion,DPD)是针对功放非线性进行预失真校正的技术,其主要原理是通过训练数据和反馈数据来计算和逼近功放的非线性数学模型,通过模型的计算结果在数字中频对发射数据进行功放行为逆模型的预失真补偿,保证功放输出的线性,优化和改善非线性导致的相邻频道泄漏比(ACLR)和误差矢量幅度(EVM)指标恶化。如图 3-2 所示为在基站产品中实现 DPD 算法的原理框图。图3-2数字预失真实现原理框图数字预失真算法对功放线性校准和效率提升的改善能力主要取决于以下几方面因素:1)是功放行为模型建模。行为模型建模越逼近功放的实际响应特性,建模精度越高,预失真补偿的效果越好。2)是反馈数据采样带宽。反馈链路一般需要
21、满足载波带宽 35 倍的采样带宽,才能通过计算得到较为精确的预失真模型参数,达到较好的线性校正效果。3)是反馈数据的误差。反馈数据中非功放响应特性导致的数据误差越大,预失真模型参数误差也就越大,进而影响到数字预失真性能。13IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在系统设备实际研发过程中,会综合考虑功耗、性能和成本等因素,通过功放行为模型和反馈数据采样带宽的折中选择,确定数字预失真算法的最终实现方案。数字预失真方案的实现面临众多难题:首先是大带宽的影响。数字预失真实现往往需要反馈通道提供载波带宽 3 倍以上的采样带宽,采样带宽不足会导致链路的非线性改
22、善能力受限。但是现有成果多以算法复杂度和运算资源增加为代价来提升欠采样条件下的数字预失真性能,对相关算法处理芯片形成功耗压力,且算法实时性较差。其次是混合波束赋形架构的引入。混合赋形架构下,多个高频模拟通道功放合路造成的非线性特性做统一的预失真补偿校正,校正能力受限。并且其非线性状态又会随模拟波束的切换而发生改变,数字预失真校正与模拟波束切换之间的实现流程需要交互设计,影响系统波束切换的实时性。目前在 6G 高频系统中的数字预失真方案开发过程中,业界多是对系统设备的功能和性能进行折中考虑,通过降低数字预失真模型复杂度和实现难度,提高其可行性。或是不做数字预失真处理,通过高频功放发射功率回退使其
23、工作在线性区,保证整机的线性指标。3.1.3峰值因子消减算法针对太赫兹功率放大器功耗大,输出功率有限问题,提出为峰值因子消减算法(CFR)。功率放大器的输入输出特性如图 3-3 所示,功放输出功率无法超过饱和功率,功放的平均发射功率为饱和功率与峰均比 PAPR 之差。而由于太赫兹信号传输带宽大,基于 OFDM 的波形将导致更高的峰均比,影响系统整机功耗和工作效率。图3-3功放输入输出特性示意图CFR 消峰算法是通过在数字中频对信号的峰值采用适当处理,降低信号峰均比,提升功放平均输出功率,从而提高功放工作效率,其原理如图 3-4 所示。消峰算法主要分14IMT-2030(6G)推进组IMT-20
24、30(6G)Promotion Group为脉冲抵消和硬切等方法,目前,基于脉冲抵消的消峰算法是实现消峰功能的主流 CFR算法,既能较好的降低信号峰均比,又能防止关键射频性能 EVM 指标恶化。基于硬切的消峰算法一般用于通道关断保护。消峰算法在 4G 设备和 5G 低频段设备中已有成熟开发和应用,可以在保证发射信号质量的前提下,将原始基带信号的峰均比削减 3dB 左右。图3-4消峰基本原理示意图适用于大带宽新空口基带信号的消峰算法优化和性能提升方案是太赫兹系统研发需要面临和解决的技术问题,影响消峰算法性能的主要因素有以下两方面。一是消峰门限的确定。消峰门限越低,信号峰值压缩程度越高,信号峰均比
25、降低,信号带内失真程度加深。虽然系统的关键射频性能邻道功率泄露比(ACLR)指标会改善,但是信号发射质量变差,EVM 指标恶化。因此消峰门限的设定需要结合功放的输出特性和整机需求综合考量。二是基带信号的有效带宽。脉冲抵消消峰算法在峰值脉冲抵消后需要加成型滤波来证系统发射信号带外性能不受影响,有效带宽过高会导致滤波器过渡带过窄,需要占用更多数字中频算法资源用以实现有效成型滤波。如算法资源不足导致,则易造成滤波器带外抑制能力不足,影响系统的 ACLR 指标。3.1.4通道一致性校准算法通道一致性校准算法用于保证所有系统所有收发通道的幅相响应在设备的整个工作带宽内具有一致性。太赫兹前端系统各通道间的
26、幅相一致性是空间复用、波束赋形功能等超大规模天线技术优势被有效应用的前提和保障。通道一致性校准的原理通过具有特殊性质的原始校准序列和校准序列之间的差异计算出不同通道在整个工作带宽内的校准补偿因子,再将校准因子补偿至各个发射/接收通道,保证所有发射/接收通道在整个工作带宽内幅相响应的一致性。发射/接收通道校准流程如图 3-5 所示。15IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图3-5多通道一致性校准流程图大规模天线阵列的多通道幅相一致性对于整个系统设备波束赋形功能的有效实现至关重要,通道一致性校准方案的设计也是太赫兹前端关键技术之一。但是在整个工作频段
27、内以符号为单位对各个通道信号做校准因子补偿,会占用较多运算资源,因此算法设计面临如下难题。首先,高频段、大工作带宽导致硬件校准链路缺少可靠的硬件耦合回路用于校准信号的接收和处理,采用开关电路又容易导致校准实现流程复杂度增加,影响校准效果。其次,混合赋形架构的引入使得无法再直接对发射/接收通道信号进行信道参数估计和校准补偿,而是需要更加复杂的分组校准才能实现对每个高频通道在单一频点处的幅相校准,实现流程和方案较复杂,系统校准实时性较差。另外无法对单个模拟赋形模块内的多个高频通道在整个工作带宽内的幅相一致性进行差异化校正。3.1.5基于 AI 的波束成形技术为了更好应对太赫兹器件复杂的非线性问题,
28、可以考虑在波束成形系统中引入深度学习网络,获得全局优化补偿方案。为此,提出一种深度全卷积神经网络 DeepRx,用于解决这些非理性特性的影响。DeepRx 是一种基于机器学习的新型接收器系统,在接收机处插入深度学习网络,可以实现联合信道估计、均衡和信号解映射。在传统的接收机架构中,信道估计等算法以线性假设为前提,并且解映射器在 I-Q 两个维度上去做最后的软比特判决,因此接收机性能受到太赫兹系统芯片、器件非线性特性的影响。而基于 AI 的 DeepRx 方案利用深度学习算法,可以模拟硬件系统中的非线性关系,可对失真做更精准的补偿。DeepRx16IMT-2030(6G)推进组IMT-2030(
29、6G)Promotion Group的解映射器可在更高维度上判决,新的自由度带来了额外的增益。并且,利用 AI 的灵活性,DeepRx 可自适应不同的传输环境,在当前条件下去学习获得最优补偿算法。由于太赫兹信号传输受大气环境变化明显,使用 DeepRx 在太赫兹接收机系统中可以降低硬件失真、传输环境动态导致的性能损失。引用 DeepRx 可以 1)减少信道估计所需的导频数;2)经过神经网络训练的精确参数可以用于 MIMO 波束成形与追踪中;3)延展的神经网络分支可以支持非正交的更高维度解映射算法。进一步的,考虑到传统 OFDM 波形的高 PAPR 影响,未来太赫兹系统可能采用OFDM 改进波形
30、。目前,单载波 DFT-s-OFDM 是太赫兹极具潜力的候选波形。新型的基于 DFT-s-OFDM 的 DeepRx 采用三层处理架构,将难以处理的 IDFT 解调信号放在两层神经网络中间,如图 3-6 所示。第一层神经网络执行信道估计与信号均衡,后面的神经网络用作解映射器,进一步提升系统性能。图3-6DeepRx处理流程图目前,该 DeepRx 方案以开发测试平台,在首届 6G 候选技术测试中完成了性能测试。在双数据流传输场景中,峰值速率达到 200GHz,相较于传统的 LMMSE 接收机有超过 30%的性能提升,如图 3-7 所示。图3-7DeepRx系统与传统LMMSE性能对比3.2 超
31、大规模天线基带信号处理3.2.1分布式基带信号处理技术与传统的小规模 MIMO 系统相比,大规模多用户多输入多输出(M-MIMO)系统在频谱效率、容量和可靠性方面都有很大提升。然而,低复杂度高性能接收机设计是17IMT-2030(6G)推进组IMT-2030(6G)Promotion GroupM-MIMO 技术实施的前提。为支持 M-MIMO,需要基带处理单元之间传输大量的原始基带数据,超高的数据传输速率超过了现有高速互联的带宽(如通用公共无线电接口(CPRI)带宽标准,24.3Gbps)。接近现有芯片输入/输出接口的极限的数据传输需求给硬件实现带来了巨大负担。传统的 M-MIMO 采用集中
32、式架构,这种集中式框架需要完整的信道状态信息(CSI)和完整的接收信号,这给大规模 MU-MIMO 系统带来了过高的计算复杂度和功耗。因此,提出 M-MIMO 系统的分布式基带处理架构(DBP)。分布式架构的单个基站上的大规模天线被划分为多个独立的天线簇。每个天线簇与一个分布式处理单元相关联,该单元包括本地信道估计(CHEST)模块和本地检测器。然后,通过一个集中式处理单元将每个天线群产生的信息进行融合,并将融合后的信息传送给解码器进行解码。当总天线数量增加时,这种灵活、可扩展的分布式天线架构可实现灵活分配每个集群的天线,而不需要对传统的集中式大规模 MIMO 架构的整个系统进行重新设计。图3
33、-8分布式M-MIMO如图 3-8 所示,天线簇独立并行进行信道估计与检测,并在中心处理单元(CPU)处消息合并、译码,这种架构可以降低海量基带数据和 CPU 计算复杂度。但是,由于天线簇相互独立,信息共享受限,相较集中式检测存在性能损失。分布式架构的性能损耗随着天线簇数量的增多而上升,这限制了其在超大规模阵列下的应用性能,需要为共享受限基带信号处理的设计低复杂度的分布式检测算法,逼近集中式架构的性能界。3.2.2基于期望传播算法的分布式接收机期望传播算法(EPA)是一种确定性近似算法,它将符号近似为高斯概率密度函数(PDF),通过均值和方差传播来简化复杂的消息传递规则。EPA 通过一组局部近
34、似来逼近后验分布,通过局部近似对每个数据点进行迭代精炼。期望传播算法可以提供分析和计算上的优势。18IMT-2030(6G)推进组IMT-2030(6G)Promotion Group在分布式接收机方案中,基站的天线被划分为多个独立的单元簇。在每个簇中,分布式处理单元根据从本地 CHEST 模块接收得到的 CSI 信息和接收信号进行本地检测。中心式处理单元(CPU)接收每个来自每个单元簇传递的均值和方差,并通过单变量高斯 PDF 的乘积原理计算融合均值和方差。对数似然比(LLR)根据融合的均值和方差迭代更新,实现解码。基于 EP 的分布式架构如图 3-9 所示,分布式处理单元负责本地CHEST
35、 和本地 EPA 信号检测,中心处理单元负责信息融合和 LLR 精炼解码2。图3-9基于EP的分布式接收机方案基于该架构,提出在单元簇中使用非线性 EP 分布式检测方案,并且提出在中心处理单元处使用基于高斯乘积原理的非线性消息合并规则,有效增强天线簇之间的信息共享,提升接收机性能2。仿真结果表明,建议的分散式 EPA 信号检测性能接近集中式EPA,而计算复杂度开销很小,特别是在天线簇的数量较多的情况下,其性能优于最先进的分散式 EPA。进一步地,由于随着接收天线数量的增加,基于 EP 架构计算复杂度也会快速增加。当系统高负荷运行时,其性能也会下降。因此,提出一种基于信道稀疏化的改进 EP 分布
36、式接收机设计,简称 S-EP,架构如图 3-10 所示3。其主要思想是先对信道进行稀疏化处理,降低相关因子图(FG)中的变量节点(VN)和函数节点(FN)平均度显著降低,从而减少有效干扰。因此,可以提高解调的准确性。同时,还可以降低互信息计算复杂性。19IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图3-10 基于稀疏化EP 的分布式架构分析和仿真结果表明,与传统的基于 EP 的检测方案相比,所提出的基于 S-EP 的检测方案实现了明显的性能提升,而所需的计算复杂度却更低。尤其是在高过载率和/或高阶调制的系统中,并取得了与 VAMP 检测器相似的性能。对于
37、有大量接收天线的系统,计算量的节省更为明显。3.2.3基于用户分组的接收机设计为实现上行大规模 MU-MIMO 系统,基于 DBP 架构提出了一种用户分组的接收机设计。传统的基于 DBP 的方法是在每个群组中逐个用户进行干扰消除,由于天线簇之间不能完全共享信息(如接收信号、噪声样本和信道状态信息(CSI),因此传统的基于 DBP 的检测器会有相当大的性能损失。对于具有大量簇的 DBP 架构,提出基于分组的接收机方案,以提高 DBP 架构系统的性能4。分组方案的核心思想是充分利用分组信息,共同抑制每个用户组中用户信号的残余干扰。在所提出的方案中,首先将用户分成多个组,并在每个天线群的分散处理器上
38、进行分组 EP(GW-EP)检测,每个组向 CPU 传递均值向量和协方差矩阵。然后,根据基于多元复高斯乘积消息合并规则,在 CPU 上对输出的本地信息进行融合。GW-EP 可以应用于星状架构和菊花链架构,如图 3-11 所示。星状结构中所有簇都直接单向连接到中央处理器。每个集群独立并行执行本地基带处理任务。菊花链架构GW-EP 每个簇在本地计算部分信息,与前一个簇接收到的传递过来的多元高斯 PDF 的均值向量和协方差矩阵,然后将合并后的信息转发给下一个簇。20IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图3-11 DBP星状架构(左)和DBP菊花链架构(
39、右)数值结果表明在有大量集群和空间相关信道的情况下,GW-EP 检测器优于传统检测器。星状架构下,随天线簇数量增多,检测器性能恶化,而 GW-EP 在菊花链架构中,获得近似集中式性能;当总天线数相同时,菊花链架构性能与天线簇数无关,交互数据恒定。DBP 相对于集中式所节省的互连带宽随天线数增加而增大,在菊花链架构下交互数据保持恒定,显著低于集中式处理。3.3 智能接入技术3.3.1大规模 MIMO 接入挑战大规模 MIMO 技术可以产生具有高阵列增益的定向波束,有效弥补信号传输损耗带来的阵列增益损失。但是在太赫兹超宽带通信应用中,大规模 MIMO 将引发空间宽带效应,进而导致波束分裂现象。同时
40、,6G 网络超密集的组网环境导致信道空间干扰加剧,进一步增大太赫兹节点接入难度。在太赫兹频段,更大的天线规模导致的窄波束和更大带宽导致的宽间距,从而波束分裂效应,发射机将生成分散波束,使得不同频率的信号指向不同的物理方向。对于全数字收发器,可以通过单独调节每个阵元的矢量来解决波束分裂问题。然而,在大规模MIMO 下,全数字架构开销巨大,通常使用混合相控阵,由于移相器的硬件限制,波束斜视/分裂效应难以消除。太赫兹预计应用场景需要支持超密集组网,如热点区域、工业物联网等。其用户通常具有过载、分布密度高等特点。在热点区域,由于用户分布密度高,因此不同用户的空间信道具有强相关性,用户的数据空间流将产生
41、严重干扰,造成用户接入困难。因此,太赫兹通信通信系统亟需进一步探索更先进的干扰协调技术和更高的用户接入能力。3.3.2基于延迟相位预编码架构的太赫兹主动协调式接入机制为缓解大规模天线和宽带传输下的波束分裂效应,研究提出在混合预编码架构中添21IMT-2030(6G)推进组IMT-2030(6G)Promotion Group加真时延器(True-Time Delayer,TTD),在时域上补偿孔径时延,在频率上引起相位变化,有效缓解波束分裂现象,如图 3-12 所示。通过设计频率相关的波束赋形器,可以控制波束在不同子载波频率上的分裂方向,在整个带宽内生成朝向目标物理方向的频率相关波束。图3-1
42、2 延迟相位混合波束赋形架构基于 TTD 混合波束赋形架构开发的波束训练过程如图 3-13 所示。上行波束训练过程是基于导频的波束对齐过程。预先定义一个关于用户到达角的分层后验概率模型,在导频发送过程中,基于可控的分裂波束感知空间信息并逐次更新后验概率模型,最终获得用户的精确到达角信息。对应的下行波束训练基于用户的到达角信息,调节 TTD 架构聚焦分裂波束,实现高效的数据传输。图3-13 波束训练示意图3.3.3面向超密集组网的太赫兹系统可重构接入方法针对太赫兹超密集组网下接入难题,提出一种太赫兹系统动态可重构接入方法。该方案利用可重构智能超表面(Reconfigurable Intellig
43、ent Surface,RIS)和非正交多址接入(Non-Orthogonal MultipleAccess,NOMA)技术,实现更高效的多域复用无线接入。可重构智能超表面是一种新型无源器件,通过大量低成本电磁单元智能控制无线信号的反射特征,从而实现无线传播环境的重构,使得无线电环境可控。通过对控制 RIS的单个反射单元的相移,来创造可控的传播环境,能够进一步探索空间域资源,有效缓解超密集组网中的用户干扰。非正交多址接入(NOMA)技术作为下一代移动通信系统的候选技术之一,在时频域外引入功率域以提升频谱效率与提高移动设备接入数量,与传统的正交多址接入不同,22IMT-2030(6G)推进组IM
44、T-2030(6G)Promotion GroupNOMA 允许多个用户共享相同的时频资源,使用不同功率等级来区分不同用户信号,在接收端应用串行干扰消除技术进行多用户检测和解码。功率域复用使 NOMA 可以显著提升用户接入数量和频谱效率。为应对密集组网下的大规模接入场景,提出通过需进一步融合 NOMA 技术及 RIS,探索更先进的多域复用方法,如图 3-14 所示。通过在超密集组网场景中部署多基站和RIS,通过 RIS 设计,覆盖所有用户并降低波束之间的干扰。在每个波束应用 NOMA 技术,提升单波束用户接入能力。进一步地,为提高 RIS 调控精确度,提出基于机器学习辅助的动态 RIS 控制策
45、略。AI 辅助方案可实现在不完全环境信息下对动态反射元件选择、协调离散相移和功率分配系数进行在线优化,以最大化系统能效,同时保障不同用户对数据传输速率、通信可靠性和用户连接的差异化 QoS 需求。图3-14 太赫兹系统可重构接入方法3.4 超大规模天线阵列:MIMO 与智能反射面技术结合3.4.1宽带太赫兹智能超表面通信波束色散管理为解决太赫兹混合波束成形架构中的波束色散问题,已有相关研究考虑联合数字/模拟波束形成和时延线时延来对波束进行扩展和聚拢解决波束色散问题。RIS 预计将引入太赫兹通信系统用于改善信道状态,减少太赫兹直射径阻挡的影响,提高太赫兹信号覆盖。RIS 由于只能调整反射信号相位
46、,也将面临波束色散问题。需要设计基站或 RIS天线结构及其波束资源优化来实现宽带太赫兹 RIS 辅助通信。可采用一种双层时延线(TD)结构用于降低基站波束色散效应,同时有效降低硬件复杂度,双层 TD 与传统单层 TD 架构对比如图 3-15 所示5。23IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图3-15(a)传统移相器结构,(b)单层时延器结构,(c)双层时延器结构。双层 TD 结构可以有效减少 TD 所需的最大延时量。时延范围越大的 TD,涉及额外的插入损耗和放大电路,导致电路硬件复杂度越高。在此基础上,设计了一种基于 RIS位置优化相移和时延的模
47、拟波束形成方案5。通过联合优化模拟/数字混合波束形成、双层 TD 网络时延和 RIS 反射系数,建立 RIS 辅助太赫兹通信的可达速率最大化问题,基于最小均方误差和坐标更新算法交替优化数字波束形成和 RIS 反射系数。由于不同 RIS 大小、形状和部署将引起不同程度的波束分裂效应。RIS 单元数越多,波束色散越严重,相同单元数的条件下,集中式 RIS 比分布式 RIS 波束色散严重;且特定角度的前提下,正方形 RIS 相比矩形 RIS 可以缓解波束色散。因此,提出分布式太赫兹智能超表面部署。在基站应用单层并行 TD 结构,RIS 端部署分布式结构,协同缓解波束色散效应。改变 RIS 部署方式可
48、以缓解 RIS 端波束色散问题,但不能从根本消除波束色散。为了消除波束色散同时扩大覆盖范围,提出一种低硬件复杂度、低功耗的子连接结构的STAR-RIS 架构,即多个 STAR-RIS 单元共用一个 TD,如图 3-16 所示6。通过联合优化模拟/数字混合波束形成、基站时延以及 STAR-RIS 的双层相移系数、时延和幅度系数。方案首先为每个 STAR-RIS 分配用户,得到模拟波束形成、基站时延以及每个 STAR-RIS 处的双层相移系数和时延。再利用交替迭代优化算法获得基站的数字波束形成和STAR-RIS 的幅度系数。仿真分析表明上述设计的基站和 RIS 天线结构可以有效消除波束色散问题,提
49、高系统性能。图3-16(a)分布式STAR-RIS辅助通信;(b)STAR-RIS子连接结构24IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.4.2超大规模 RIS 辅助的信道估计和定位由于宽带波束分裂效应,波束方向偏移将明显影响太赫兹混合场中的信道估计和定位精度。提出两种定位算法用于缓解远近场混合效应和波束斜视效应对定位与信道估计的影响7。图3-17(a)联合信道和用户位置感知;(b)不依赖于信道估计的位置感知联合信道和位置感知策略包含用于信道估计的定位辅助的广义多测量矢量正交匹配搜索算法(LA-GMMV-OMP)和基于完整词典的定位(CDL)模块,
50、如图 3-17(a)所示。信道估计模块输基于 BS 和 RIS 采集的信息,向定位模块输出一个粗角度估计值。定位模块反馈一个离线的高精度角度估计值用于改进信道估计。联合信道和位置感知策略通过 LA-GMMV-OMP 算法将粗略的角度估计值输出给 CDL 模块用于定位。在CDL 模块中,通过极域梯度下降(PGD)算法来获得从角度的精细离网估计值,并利用极域分层字典(PHD)来获得从 RIS 观测到角度的精细估计值。由此,可以获得精确定位。进一步地,提出一种不依赖信道测量的纯位置感知方案,如图 3-17(b)所示。若只需要用户位置,使用该方案可以进一步减少传感信号开销。为了直接感知用户位置,可使用
51、基于部分字典的定位(PDL)方案。PDL 利用 到达时间差(TDoA)将用户锁定在双曲线上,并将 BS 和 RIS 作为锚点。在双曲线上生成部分频率选择行极坐标冗余词典(FSPRD)获得粗精度角度,然后利用 PGD 算法角度估计的精度。由于用户已被锚点被锁定在双曲线上,所需 FSPRD 的大小和整体算法计算复杂度大幅降低。25IMT-2030(6G)推进组IMT-2030(6G)Promotion Group3.5 波束管理3.5.1RIS 辅助的宽带太赫兹高精度波束训练方法在太赫兹系统中部署智能超表面(RIS)可以形成高增益波束从而增强信号覆盖。在 RIS 辅助的太赫兹宽带系统中,获取信道状
52、态信息是有效利用 RIS 带来的自由度和阵列增益的前提。波束训练是一种常用的信道信息获取方法,通过发射指向不同方向的波束,可以高效地确定用户的方位进行信号传输。然而,在太赫兹宽带波束分裂将导致不同子载波对应的波束指向空间中的不同方向。这导致波束训练精度大幅降低。为提升太赫兹宽带系统中的波束训练精度,提出基于能量分布模式的太赫兹宽带RIS 波束训练方法。分析存在波束分裂的情况下,空间中不同方位的能量分布模式直接解算用户方位,从而提升太赫兹宽带系统下的波束训练精度。在太赫兹宽带 RIS 系统下,波束分裂会导致波束能量在空间的不同角度具有特定的分布模式。这带来了在频率维度可利用信息,可用于提升波束训
53、练的精确度。方案首先设计一对相邻的宽波束用于分析,这对宽波束彼此相邻且具有相同的宽度。在一定的角度范围内,其能量与用户位置成单调关系。利用其接收功率计算,可反推出用户角度,基于此原理设计的码本可实现相比传统方法更高精度的波束训练8。仿真结果如图 3-18所示,所提方法相比传统方法,可以实现更高的可达速率性能。图3-18基于能量分布的太赫兹宽带RIS波束训练性能3.5.2低时延的太赫兹波束管理方法由于太赫兹采用更窄的波束,存在窄波束管理难题。在太赫兹网络中,数据传输分为两个阶段,链路建立和数据传输。在链路建立阶段,太赫兹波束更窄,需要更多的扫描波束个数,扫描时间增长。在数据传输阶段,由于波束极窄
54、,波束更易失准,需要更低时延的波束对建立方案。随着通信感知一体化技术(ISAC)的发展,可考虑开发感知辅助的太赫兹低时延波束管理用于实现 URLLC 通信。目前,多种感知技术都具有应用潜力。能量检测(ED)26IMT-2030(6G)推进组IMT-2030(6G)Promotion Group技术因其简单有效而成为应用最广泛的标准化方法,该方案在采样后进行权重分配,之后计算能量,自适应阈值对比,最后得到判决结果。基于半双工(HD)的 ED 能够在存在干扰的情况下检测用户,基于全双工(FD)的 ED 技术可利用同步通信与感知传输进行碰撞检测。但是,在实际波束扫描过程中,各样本的能量分布并不均匀,
55、需要为不通的样本分配不同的权重。提出首个为 6G 毫米波和太赫兹波束系统设计的 ED 技术,可进一步适应太赫兹窄波束系统,将各样本的概率度量作为实际样本的权重9。采用基于概率的自适应加权传感方法高清和远距离同步感知技术,即 PWS 技术。PWS 根据波束对准和未对准的时间中样本的累积分布函数,自适应设计权重分配,从而补偿能量分布不均造成的影响。PWS 包含两个阶段,如图 3-19 所示。首先是链路建立阶段,采用半双工感知,搜索最佳波束对;2)在数据传输阶段,采用全双工感知,用于随机接入和波束维持等各种功能。在链路建立阶段,选择高精度感知,而远距离感知在随机接入和数据传输阶段执行,同时分别在随机
56、接入信道(RACH)场合或数据帧中发送前置信号。图3-19 PWS感知帧结构为进一步缩短感知检测时间,未来可通过如下方面提升 1)改变 ISAC 帧结构,如引入极短微时隙;2)可修改同步及接入资源配置,如快速波束扫描算法;3)设计适应ISAC 等高层通信算法和协议,如快速的波束调度协议 快速链路中断判别及重建。27IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第四章 系统原型验证4.1 宽带太赫兹高速通信链路和 MIMO 系统在太赫兹通信系统中,随着载波信号频率的增加,带宽资源迅速增大。然而,高速的太赫兹电子集成器件器的带宽、线性度等关键性能均因物理特性而
57、受到一定限制。如电子固态混频器的基带带宽可能仅有数 GHz,相比于太赫兹频带内的带宽资源,该类器件远远无法完整地利用新频谱所带来的优势,且电子固态混频器的较低线性度也对信号有所损伤,难以利用高阶调制提升频谱效率。为实现满足宽带太赫兹高速通信需求,搭建宽带太赫兹高速通信链路和 MIMO 系统,分别测试验证并分析了 D 波段(110-170GHz)和 G 波段(140-220 GHz)的太赫兹宽带高速通信链路和 MIMO 系统的通信性能。图4-1(a)实验系统设置(b)系统实物图系统设置如图 4-1(a)所示,实物如图 4-1(b)所示。发射端和接收端使用的本振频率均为 16.25GHz,通过 8
58、 倍频器得到 D 波段的 130GHz 中心载波,通过 12 倍频器得到 G 波段的 195GHz 中心载波。宽带基带信号由任意波形发生器(AWG)产生,经由可选的预均衡器,送入电子混频器。由电子混频器完成信号的上变频和下变频过程,下变频后的基带信号由数字存储示波器(OSC)采集并送至数字端进行处理。MIMO 系统由四发射四接收组成,通信距离为 0.5 米。我们所使用的调制格式为比特加载的离散多音(DMT)调制,子载波数量为 256 个,有效子载波 248 个。分别对 D 波段和 G 波段系统中的一路信号进行了测试。D 波段单通道的最高传输速率为 135.5Gbit/s,G 波段单通道的最高传
59、输速率为 116.8Gbit/s。进一步对四通道 D 波段和 G 波段太赫兹通信进行测试,测试结果如表 4-1、表 4-2。结果表明,D 波段四通道MIMO 总传输速率可达 475Gbit/s,G 波段四通道 MIMO 总传输速率可达 399Gbit/s。28IMT-2030(6G)推进组IMT-2030(6G)Promotion Group表 4-1有 MIMO 串扰的四通道 D 波段太赫兹通信测试结果CH1CH2CH3CH4总计总速率(Gbit/s)119.3438125.8125117.375112.4063474.9376误码率0.0409740.042690.0385780.0379
60、4/净速率(Gbit/s)96.245101.461794.6572690.65024383.0142表 4-2有 MIMO 串扰的四通道 G 波段太赫兹通信测试结果CH1CH2CH3CH4总计总速率(Gbit/s)96.8438114.843886.5313100.875399.0939误码率0.0433790.0449630.0414080.036849/净速率(Gbit/s)78.0998492.6159769.7833181.35081321.8499对 G 波段通信系统进行了室内长距离的太赫兹通信测试。使用了卡塞格伦天线,天线增益为 54.8dBi,测试场景如图 4-2 所示。在 3
61、0 米通信距离下,实现 22.21Gbit/s 的通信速率,40 米时为 29.20Gbit/s,在 50 米处可达 32.36Gbit/s 的通信速率。距离越远速率越高,这是由于测试环境没有达到天线的远场工作条件,实际天线增益没有完整地发挥出来。图4-2 室内长距离的太赫兹通信测试我们对 D 波段和 G 波段的宽带太赫兹高速通信链路和 MIMO 系统进行了测试验证与性能分析。在近距离下,D 波段太赫兹通信中心载波 130GHz,单通道速率可达135.5Gbit/s,四通道 MIMO 总速率可达 475Gbit/s。G 波段太赫兹通信中心载波 195Ghz,单通道速率可达 116.8Gbit/
62、s,四通道 MIMO 总速率可达 399Gbit/s。29IMT-2030(6G)推进组IMT-2030(6G)Promotion Group4.2 MIMO 高阶调制系统4.2.1高阶调制系统架构太赫兹系统容量可以通过高阶调制实现成倍的增加,有效提升太赫兹通信系统的综合能效。相比低频和毫米波,受限于太赫兹空间传播特性和太赫兹宽带器件的非理想性,太赫兹高阶调制面临巨大挑战,包括本振的相位噪声,射频器件的带内平坦度和群延迟波动,高功率功放的非线性特性,正交调制器的 IQ 不平衡,以及超高速 ADC/DAC 的交织损伤等,补偿太赫兹频段器件非理想性的如果在模拟域进行,通常会受到稳定性和精度的限制,
63、且设备成本、尺寸、功耗等往往会增加。因此,需要研究低复杂度和低功耗的高性能中射频算法,补偿中射频器件的损伤,使得太赫兹系统在大带宽下也能采用高阶调制。提出一种高谱效太赫兹通信系统架构,支持同时高阶调制和多通道,最大化的提高频谱效率,如图 4-3 所示。采用 2*2 MIMO+XPIC 架构,同时采用极化复用和空间复用技术。图4-3 一种高谱效的太赫兹通信系统架构进一步地,针对太赫兹大带宽下的带内不平坦问题,提出太赫兹基带预均衡方案;针对多通道下的分布式的独立相位噪声问题,分布式的相位噪声抑制方案。太赫兹基带预均衡方案如图 4-4 所示。方案通过在发射侧通过预均衡器来补偿 Tx模拟频率响应的高频
64、衰减和信号带内的深衰落凹陷,减轻带宽限制,如所示。因 THz器件的非理想性,在整个信号带宽内,模拟通道带内平坦度呈现不规则波动,因此本提案提出采用预均衡的方法,来改善信道平坦度和对应的 MSE 性能。图4-4 太赫兹基带预均衡方案30IMT-2030(6G)推进组IMT-2030(6G)Promotion Group分布式的相位噪声抑制方案解决在多通道系统中,独立相位噪声产生和接收侧耦合的分布式本振,方案如图 4-5 所示。采用特殊构造的导频码字将混合相位噪声投影到空时正交码空间上。两级主从锁相环(MS-PLL)和准线性插值相位噪声抑制(PNS)算法,在多通道信号空间维度上跟踪和补偿相位噪声,
65、这种低开销(5%导频比例)解决方案,能够有效抑制典型的分布式独立相位噪声。图4-5 分布式的相位噪声抑制方案4.2.2高谱效系统原型验证2022 年,华为公司完成了业界首个室外远距离太赫兹 MIMO 和多用户通信原型系统的研制和验证工作,该原型系统采用固态电子学架构,关键电路基于 III-V 族化合物半导体器件实现,在混频器,倍频器,低噪放等太赫兹关键器件上取得了技术突破,样机工作在 220GHz 中心频点,带宽 13.5GHz,系统采用同时利用极化和空间复用的 4*4MIMO 架构,以及超宽带和低比特量化数字基带处理技术,对基带信号进行信道估计及均衡、非线性补偿、解调和解码。室外实测验证选取
66、城市场景,发射机模拟典型基站架设在楼宇顶层,接收机设置在城市街道地面处,如图 4-6 所示。对于中远距离场景,链路距离约 500 米,实现 240Gbps 高速视距空口传输;对于远距离多用户场景,实现了两用户总吞吐 80Gbps 传输,论证了室外超高速率太赫兹通信技术可行性。图4-6 THz室外远距离通信样机(上),THz室外MIMO通信样机(下)31IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第五章 未来发展5.1 太赫兹远近混合场信号处理技术5.1.1太赫兹远近场效应传统通信信道通常考虑远场通信,采用经典的平面波信道模型(PWM),PWM 把电磁波传
67、播视为为一个平面。一个天线的信道响应可以从它与参考天线之间的相位差中推导出来。而随着太赫兹超大规模 MIMO(UM-MIMO)阵列的应用,阵列尺寸的快速增加以及太赫兹极短波长,太赫兹应用场景的传输距离逼近远场和近场之间的经典界限。在近场下,传统的平面波模型不再适用,需要采用球面波模型(SWM)。例如,在 0.3 THz下、包含 1024 个元素的半波长天线间距的均匀平面阵列(UPA)远近场边界,即瑞利距离,约为 1 米。这个距离在 THz 宽间距多子阵列系统中可能进一步增加到数十甚至数百米。因此,太赫兹通信范围从纯远场渗透到近场,系统需解决远近混合场通信对传统模型的改变。远近混合长通信场景的出
68、现对信道建模和信道估计带来的挑战。在近场下,传统PWM 模型具有不可忽视的建模误差。虽然 SWM 更接近真实信道模型,但是在UM-MIMO 系统中,SWM 的计算复杂度大幅上升。SWM 的信道响应的幅度和相位针对单个天线阵元分别进行计算,所需的参数数量与天线数量和传播路径数量的乘积成正比。例如,考虑在 Tx 和 Rx 处有 1024 个天线,对于稀疏的 THz 信道(少于 10 的信道数),需分析的参数数量将达到107。SWM 和 PWM 所需的参数数目对比如图 5-1(a)所示。然而,由于平面波传播假设造成的相位近似误差,PWM 在近场区域变得不准确,PWM 的模型误差随频率增高而增加,如图
69、 5-1(b)所示。图5-1(a)PWM和SWM需要估计的参数数目对比;(b)PWM模型误差。现有传输技术多数是基于 PWM 或 SWM 设计的,然而,瑞利距离是远场和近场之间的一个近似边界,仅指示近似范围,真实的远近场变化是渐变而非跳跃。因此,为远场或近场的单独设计的建模方案都不能作为太赫兹混合场通信的统一解决方案,适用于太赫兹混合远近场的信道建模和估计方案仍待研究。32IMT-2030(6G)推进组IMT-2030(6G)Promotion Group5.1.2混合球面和平面波信道模型无论是基于 SWM 还是 PWM 的技术,都不适合用于远近混合场信道估计。基于近场 SWM,信道估计必须考
70、虑大量的角度和传播距离信息以确定 SWM 元素的相位,从而导致高度的复杂性。相比之下,在基于 PWM 的设计中,只考虑了角度信息,在近场区域遭受显著的估计和训练精度损失10。为了支持 THz 远近混合场通信,权衡高准确性和低复杂性,提出混合球面和平面波信道模型(HSPM),如图 5-2 所示10。HSPM 结合 PWM 和 SWM 各自的优势,将大规模天线分为多个子阵。在子阵中使用 PWM,由于小阵列的口径小,可以认为传输始终是在子阵列的远场中进行的。因此,采用子阵式的 PWM 建模可减小建模误差。子阵列之间,为了提高建模准确性,采用 SWM 建模。整体上实现太赫兹远近混合场信道建模。兼顾精度
71、与计算复杂度开销,HSPM 可实现在远场和近场区域更优的综合性能。图5-2HSPM示意图就建模复杂性而言,相同路径数下,确定 HSPM 所需的参数数量与子阵列数量成正比。相较于 SWM 所需的与天线数量成正比的参数个数,HSPW 复杂度远小于 SWM。尽管 HSPM 的建模复杂性略高于 PWM,但通过进一步将物理子阵列划分为多个虚拟子阵列,在虚拟子阵列内部部署 PWM,并在建模过程中在虚拟子阵列之间部署 SWM,HSPM 在实现准确性和复杂性的有效的平衡。如图 5-3 所示,HSPM 的精度比 PWM 高约 175 倍,同时它所需的参数量为 SWM 参数数量的 0.01%,是 PWM 和 33
72、 倍。33IMT-2030(6G)推进组IMT-2030(6G)Promotion Group图5-3 HSPM的误差性能。5.1.3基于深度学习的信道估计考虑 HSPM 信道模型特点,提出基于深度卷积神经网络(DCNN)的两阶段的信道估计机制。在第一阶段,估计信道中多径的数目,包括出发和到达的方位角和俯仰角、路径增益的幅度,以及参考子阵列间的通信距离。在第二阶段,通过几何关系分析了参考子阵列与其余子阵列之间参数的关系。结合两阶段信息,重构信道矩阵。具体来说,我们设计了如图 5-4 所示的 DCNN 网络用于阶段 1 的参考子阵列参数估计。网络输入为经过训练后接收到的信号的实数、虚数和绝对值,
73、输出为估计参数,包括角度、距离和路径增益的幅度。在阶段 2,我们通过考虑子阵列间的球面传播特性,推导其余子阵列的参数,基于参考子阵列与其他子阵列之间的几何关系进行角度和距离估计,其中考虑路径增益的幅度在各个子阵列之间是相同的。该方案利用 DCNN 完成参数估计实现了低复杂度,用阵列间的几何关系刻画信道的近场效应,实现了高效信道估计。图5-4 所提信道估计DCNN网络架构。对比传统 OMP、AMP、和基于 CNN、RNN 的方案,DCNN 的实现了最低的信道估计归一化均方误差(NMSE)。在 SNR(信噪比)=0 dB 时,其 NMSE 比 RNN 低 6 dB。34IMT-2030(6G)推进
74、组IMT-2030(6G)Promotion Group图5-5 基于DCNN的信道估计方案的误差性能5.1.4基于压缩感知的信道估计在混合天线架构下,射频链路(RF)数量受限。为用少量的 RF 获得高维信道估计,通常需要多次的导频传输,增大了导频开销。为了解决这个问题,在远场和近场通信中可采用基于压缩感知(CS)的信道估计方法。CS 利用 THz 无线信道的稀疏性,从压缩观测中恢复高维信道矩阵,降低导频开销。基于 CS 的信道估计需要设计码本对信道进行稀疏表示。每个采样点对应一个码字。通过收集这些点的阵列指向矢量来构造稀疏码本。由于网格的数量通常远大于传播路径数,因此信道可以被稀疏表示。基于
75、 SWM 的近场传输中,角度和距离维度都会被采样,然而二维采样导致过多的码本维度,从而带来巨大的复杂度。对于 PWM 模型,由于其对角度的近似,在角度域进行一维采样就足够组成码本,但是会导致明显的误差。为结合 SWM 模型和 PWM 模型各自优势,基于 CS 的信道估计可以利用子阵架构特性11。考虑 PWM 特性,在每个子阵列内,一条路径的入射角被认为对所有子阵列元素是相同的。因此,对子阵列信道的角度域进行采样以组成一个子阵列码本。考虑 SWM特性,在不同的子阵列之间,考虑一条路径的入射角对不同的子阵列是不同的。因此,不同子阵列的角度采样是独立的。基于子阵列的 CS 信道估计算法可以稀疏表示太
76、赫兹远近场混合信道。与基于 PWM 的传统解决方案相比,所提出的稀疏表示方法具有相同的复杂性,但在近场具有更高的准确性。与基于 SWM 的联合角度和距离域稀疏表示相比,所提出的码本的计算复杂性显著降低。为进一步降低复杂度,利用子阵列间的空间相关性,提出字典缩减估计(DSE)算法。该算法借助不同子阵列的入射角在空间域内相近的特性降低搜索范围,以进一步降低复杂性。35IMT-2030(6G)推进组IMT-2030(6G)Promotion Group5.2 感知协同太赫兹 MIMO 通信5.2.1感知协同的 MIMO 通信性能界太赫兹极窄波束对波束对准精度和对准时延提出了更高的要求。在移动通信场景
77、中,太赫兹超大规模 MIMO 通信中波束方向需要依据用户运动进行实时调整,即波束追踪。传统波束训练方案在进行波束追踪前预先设置所有可能的波束方向,在追踪中需要根据码本逐一匹配,并选取当前的最优波束。但为支撑太赫兹极窄波束,波束训练的码本开销巨大,并且在窄波束通信下,信道呈现非平稳高时变特性,传统信道预测方案也不再适用于太赫兹 MIMO 通信。为降低导频开销和码本复杂度,提出使用感知协同技术波束追踪12。感知协同方案以感知信息作为通信的先验信息,一方面减少通信系统上行反馈的开销,简化通信协议流程,另一方面可利用感知信息构造与信道环境强相关的码本空间,极大降低复杂度。当前感知协同通信技术主要可以分
78、为如图 5-6 所示的基于信道感知的波束追踪、基于回波感知的波束追踪与基于带外感知的波束追踪三大类。图5-6 不同感知协同部署追踪基于信道感知的波束追踪通过利用通信系统内生感知能力直接在信道中提取感知参数。由于太赫兹信道具有一定的确定性特征,可以反映通信中收发双方的实际物理特征,因此可以通过信道获得用户运动信息。基于回波感知的太赫兹波束追踪不依赖于上行信号反馈,可以直接通过对发射信号回波的处理实现对用户位置、速度的估计。由于不需要额外的导频开销,此类追踪方案能够降低通信系统,高层通信协议的复杂度,实现高效的通信。基于带外感知协同的太赫兹通信需要结合不同的系统,如 sub-6G、雷达、可见光等3
79、6IMT-2030(6G)推进组IMT-2030(6G)Promotion Group其他频段与太赫兹频段结合进行用户的追踪。当前基于视觉精度高、技术成熟、应用范围广等优势,使用视觉辅助的太赫兹通信依然是带外感知的研究热点。但是由于基于深度学习等启发式算法的加入,需要采集不同场景下的大量数据,具有较高挑战性。为优化感知协同部署方案,需要探索感知协同太赫兹超大规模 MIMO 通信的性能界限。传统的感知和通信指标通常在物理意义和量纲上是分离的。为了联合表征和优化通信与感知性能,需要采用太赫兹通感联合指标。候选指标可分为以下几类,总结如图5-7。1)面向感知的指标:基于统计理论的克拉美罗界(CRB)
80、用于感知领域限定参数估计方差下界。可以对应定义通信 CRB 作为接收信息比特方差的下界。另一方面,自由度(DoF)用于体现感知分辨率,而通信中的自由度则用于指示移动通信可用资源。2)面向通信的指标:香农容量是最为典型的通信速率的上界指标。互信息可与香农容量作联合优化。衡量在一段时间间隔内感知从信道中提取的条件互信息可作为感知的有效性指标;基于率失真理论,可采用估计速率来表征参数估计的精度;此外,面向目标探测的测距、测角与测速,也出现了雷达容量的新定义指标。3)面向信号的指标:对于受杂波影响的雷达系统,可以用杂波噪声比(CNR)来表征其性能。例如利用状态噪声比(StNR)来表征从信号中提取的目标
81、参数,从而用于优化太赫兹感知协同通信的性能。考虑空域或频域的特征,可以利用峰旁瓣比(PSLR)或峰均功率比(PAPR)来描述波束的功率分布特性。4)通感联合指标:为了实现通信与感知性能之间的最佳折中,计算估计速率和香农容量的加权和是一种常见的方法。对应的,联合 CRB 也可用于体现联合通感性能上界。图5-7 通信感知一体化研究中的性能指标37IMT-2030(6G)推进组IMT-2030(6G)Promotion Group现有联合指标大多面向通信与感知间的性能制约,但在感知协同 MIMO 通信中,需提出衡量感知信息对通信性能的增益性能的新指标。在感知协同太赫兹通信中,通信与感知的性能关系由增
82、强因素与制约因素两方面组成。其中,增强因素随着雷达速率增加而减弱,而制约因素随着雷达速率增加而增强。可根据感知的辅助增益以及感知的开销在网络中的主导趋势变化,将通信速率表示为估计速率的闭式分段函数作为联合性能表征函数13。所得分段函数如图 5-8 所示,其拟合结果在通信速率和通信最优点均约等于理论真值,具有实用性。图5-8 感知协同太赫兹通信闭式表达式与理论真值对比5.2.2感知协同波束赋形技术虽然已有提出基于真时延器的混合波束赋形架构来补偿太赫兹波束分裂效应的影响,但是在大规模 MIMO 引入真时延器会导致较大的硬件功耗。因此,提出一种感知协同的太赫兹宽带混合预编码方案。通过感知波束色散程度
83、,建立完备信道字典对非完备信道状态信息进行补偿,最后实现模拟预编码和数字预编码的联合优化,如图 5-9 所示。图5-9 感知协同太赫兹宽带波束赋形方案示意图为解决多用户场景中有限RF链条件下的波束色散问题,提出动态分配RF链的方案提高系统的谱效和能效,降低系统总功耗,结构如图 5-10 所示。利用信道稀疏性,可38IMT-2030(6G)推进组IMT-2030(6G)Promotion Group以在全连接结构的超大规模MIMO阵列天线结构中引入开关网络。由于射频链的数目远小于天线数目,因此开关网络规模很小,有效减少系统功耗。提出针对该架构的RF链路优化算法,算法提出动态射频链和动态功率分配方
84、案,在满足通信速率需求下减少所需接入射频链路数量。相比于基于TTD的混合预编码方案和基于部分CSI的混合预编码方案,性能增益提升 50%,略差于基于完备CSI的混合预编码方案。图5-10全连接的混合预编码系统结构5.2.3感知协同的波束追踪技术波束追踪对维护用户链路稳定、提升通信服务质量至关重要。太赫兹极窄定向波束覆盖距离变短,需要精准波束追踪与高速切换,对于波束追踪算法性能提出了更高的要求。传统波束追踪上行链路反馈时延大,导致 CSI 获取不及时,波束方向严重滞后。为解决该挑战,提出基于基带波形设计的感知协同波束追踪技术。方案通过挖掘信号波形设计特性,在不对系统进行硬件层面的调整下,实现感知
85、参数的获取。正交时频空调制(Orthogonal Time Frequency Space,OTFS)调制技术在时延-多普勒域传输信息。相较于传统 OFDM 调制技术,OTFS 调制技术不但能够在高速运动场景下获得更好的抗多普勒频偏性能,也能够获得当前用户运动的距离与速度,进一步增强通信系统感知能力。基于 MIMO-OTFS 的信道追踪方案架构如图 5-11 所示。图5-11MIMO-OTFS太赫兹信道追踪架构图感知协同方案步骤如下。第一步进行信道估计与初始化波束对准。为保证感知数据的可靠,要求精确的 CSI 以实现准确的波束赋型。利用太赫兹时延-多普勒-角域信道呈现块状稀疏性的特性,采用压缩
86、感知算法进行信道恢复。第二步提取用户的感知信息,39IMT-2030(6G)推进组IMT-2030(6G)Promotion Group并对用户运动状态进行预测。MIMO-OTFS 中信道包含时延-多普勒-角度三维信息。时延、多普勒与虚拟角度可以通过线性变换得到用户实际距离、速度与物理角度,基于感知参数分析和利用卡尔曼滤波技术实现对用户未来运动状态的可靠追踪。第三步预测用户运动,将用户运动状态转化为太赫兹信道状态信息。基于太赫兹信道的强确定性特征,可以通过反演实现推断当前太赫兹信道状态信息,并基于此信道状态信息进行波束赋型。考虑到感知资源与通信功能形成资源竞争,利用 RGB/深度相机进行辅助通
87、信开始受到广泛关注,即视觉辅助的太赫兹超大规模 MIMO 波束追踪。考虑多接入和用户不确定性问题,提出视觉辅助的多用户波束跟踪算法。基于机器学习框架,方案利用历史视觉信息以及波束信息,对场景中所有用户未来时刻的波束生成矢量进行预测,以降低太赫兹通信系统在波束赋形过程中的开销。图5-12视觉辅助的太赫兹超大规模MIMO波束追踪方案流程图如图 5-12 所示,视觉辅助的波束追踪方案包括以下步骤。首先,进行数据预处理,将信道状态信息转化为波束码本索引和将历史信息组合成序列。第二步,利用通过视觉特征提取获得视觉感知特征。采用 CSPDarknet53 网络作为视觉特征提取模块,在目标检测任务中特征提取
88、能力显著,且存在预训练模型,可以避免完全重新训练。第三步,通过时序特征信息提取模块获得连续时隙内波束的变化信息,将图像特征与波束特征分别提取,再将两者输出特征进行拼接。第四步,输出的是图像与波束的拼接特征,使用构建多层感知器解决从图像波束序列特征到多用户波束分类的映射问题。5.3 数据驱动太赫兹高速传输技术5.3.1 数据驱动的物理层技术太赫兹器件非理想特性十分显著且复杂,不同的模拟电路元器件在通信性能上的差异也愈发明显。即使同一个器件,受不同的温度和湿度等工作环境的影响,非理想特性也有偏差。因此,很难建立基于统计的离线模型对太赫兹传输系统中存在的非理想特性40IMT-2030(6G)推进组I
89、MT-2030(6G)Promotion Group进行有效建模;而不准确的非理想特性模型必将大大降低太赫兹传输系统的性能。提出基于数据驱动的太赫兹通信物理层技术,根据实际传输数据对通信信道和器件非理想特性进行学习和实时拟合,来优化收发端的物理层,进而实现比特的有效传输。这使得无需进行统计建模,规避了太赫兹信道和非理想特性难以准确建模的难题。特别地,基于数据驱动的太赫兹传输系统通过端到端(End to End)的方式学习得到,不需要严格的模块化划分,系统结构简单而且在时变信道下泛化性能更好,更适合移动接入等时变性强的太赫兹通信场景。具体的,提出了基于二值神经网络(BNN)模型和生成对抗网络(G
90、AN)训练方法的传输系统,结构如图 5-13 所示。具体包括数据驱动的调制解调、信道估计和信道编解码等物理层模块的神经网络模型构建、训练方法、轻量化设计等内容。在未知太赫兹信道模型的情况下,可以有效训练发送端和接收端,取得优于现有 QAM 调制解调的性能。运算和存储复杂度均降为现有的卷积神经网络系统的 20%。对比传统方法,数据驱动方案最高性能优势可达 10 倍以上。随相位噪声强度增大,BNN+GAN 性能越发接近复杂度高的 CNN 方法。在性能相当的情况下,网络参数量和计算复杂度只有原数据驱动方法的 20%。图5-13传输模型的神经网络结构5.3.2 数据驱动的传输和高速业务一体化技术图像视
91、频是太赫兹传输承载的重要内容。现有的图像传输方案是将此任务分为图像压缩和比特传输。前者的目标是高压缩率和良好的重建质量,后者的目标是高效无差错传输。传统任务采用分离的信源编码和信道编码。然而,太赫兹信道具有时变性。在通信资源有限的情况下,物理层很难及时适应变化的信道,接收到的数据会发生位翻转。位传输错误可能导致接收图像损坏且难以恢复甚至触发重传请求。通过在图像压缩和重建期间考虑当前传输条件,可以实现更鲁棒的图像传输。41IMT-2030(6G)推进组IMT-2030(6G)Promotion Group针对高清图像视频等高速业务信息实时传输场景,研究基于数据驱动的太赫兹传输和高速业务一体化技术
92、,来实现更加鲁棒和自适应的传输效果。具体地,该一体化技术根据当前数据传输状况,动态调整高清图像、视频和语音等多媒体信息编解码过程,并重点保护高速业务中的高价值多媒体信息,其架构如图 5-14 所示图5-14面向高速业务的数据驱动太赫兹传输系统结构为实现高清图像的高速传输,提出一种基于生成对抗网络(GAN)训练的基于神经网络的图像传输系统,以实现对信道条件变化的鲁棒性,可应对太赫兹信道变化快特性。基于 GAN 的训练方法有望使接收器适应当前传输条件并恢复原始图像。面对不同传输条件下时变的太赫兹信道,该技术具备更优良的抗突发错误的能力,进而有望实现更加鲁棒和自适应的高清业务传输效果。在移动接入等时
93、变性强的太赫兹传输场景下,基于数据驱动的传输和高速业务一体化技术有望实现更加高效、鲁棒和自适应的高速业务传输效果。42IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第六章 参考文献1黄宇红,刘盛纲,杨光,等.5G 高频系统关键技术及设计M.人民邮电出版社,20182Z.Zhang,H.Li,Y.Dong,X.Wang and X.Dai,Decentralized Signal Detection via ExpectationPropagation Algorithm for Uplink Massive MIMO Systems,in IEEE Tra
94、nsactions on VehicularTechnology,vol.69,no.10,pp.11233-11240,Oct.2020.3Y.Dong,H.Li,Z.Zhang,X.Wang and X.Dai,Efficient EP Detectors Based on Channel Sparsificationfor Massive MIMO Systems,in IEEE Communications Letters,vol.24,no.3,pp.539-542,March 2020.4H.Li,Y.Dong,C.Gong,X.Wang and X.Dai,Decentraliz
95、ed group wise expectation propagation detectorfor uplink massive MU MIMO systems,IEEE Internet Things J,vol.10,no.6,pp.5393-5405,Mar.2023.5G.Sun,W.Yan,W.Hao,C.Huang,C.Yuen,Beamforming Design for the Distributed RISs-aidedTHz Communications with Double-Layer True Time Delays,IEEE TVT.(Major Revision)
96、6W.Yan,W.Hao,C.Huang,et al.Wideband Beamforming for STAR-RIS-assisted THz Communicationswith Three-Side Beam Split.7Z.Li,Z.Gao and T.Li,Sensing Users Channel and Location with Terahertz Extra-Large ReconfigurableIntelligent Surface under Hybrid-Field Beam Squint Effect,in IEEE Journal of Selected To
97、pics in SignalProcessing.doi:10.1109/JSTSP.2023.3278942.8Y.Chen,J.Tan,M.Hao,R.MacKenzie,and L.Dai,Accurate beam training for RIS-assisted widebandterahertz communication,IEEE Trans.Commun.,2023.9J.Zang,Q.Liu,J.He and G.Wang,On Spectrum Sensing for mmWave and THz Beam basedCommunications,2023 IEEE 97
98、th Vehicular Technology Conference(VTC2023 Spring)Spring),Florence,Italy,2023,pp.1 6,doi:10.1109/VTC2023 Spring57618.2023.10199957.10 Y.Chen,L.Yan,and C.Han,Hybrid Spherical-and Planar-Wave Modeling and DCNN-poweredEstimation of Terahertz Ultra-massive MIMO Channels,IEEE Trans.Commun.,vol.69,no.10,p
99、p.70637076,Oct.2021.11 Y.Chen,R.Li,C.Han,S.Sun,and M.Tao,Hybrid Spherical-and Planar-Wave Channel Modeling andEstimation for Terahertz Integrated UM-MIMO and IRS Systems,IEEE Trans.Wireless Commun.,toappear 2023.12 K.Meng,Q.Wu,W.Chen and D.Li,Sensing-Assisted Communication in Vehicular Networks With
100、Intelligent Surface,IEEE Trans.Veh.Technol.,early access,2023.13 Z.Liu,C.Yang,Y.Sun,and M.Peng,Closed-Form Model for Performance Analysis of THz JointRadar-Communication Systems,IEEE Trans.Wireless Commun.,early access,2023.43IMT-2030(6G)推进组IMT-2030(6G)Promotion Group第七章 主要贡献单位表7-1主要贡献单位序号序号主主要要贡献单位贡献单位1电子科技大学2上海交通大学3中国联通4诺基亚贝尔实验室5北京科技大学6武汉大学7北京理工大学8郑州大学9华为技术有限公司10清华大学11复旦大学12北京邮电大学