6G推进组：超大规模天线技术研究

随着5G在全球加快部署，学术界和产业界也在着眼未来通信技术的研究。

今天，我们来学习一下关于6G的一些前沿研究内容。正如之前多篇文章中，笔者谈到6G中最为显著的几个方向：无线AI融合、智能超表面、超大规模天线、太赫兹通信、星地一体化等。其中，AI无线融合技术，在前期的推文中，我们已经发布过了。今天，我们根据IMT-2030（6G）推进组发布的研究报告，看看《超大规模天线技术研究报告》。

这份报告主要从超大规模天线的性能指标、新型应用、关键技术、新技术、天线结构与部署方式等方面进行了比较全面的阐述。

本文的主要部分来自该报告，公众号《FPGA算法工程师》编辑，仅作学习分享。

第一章 背景

主要概述了超大规模天线应用前景、三维空间波束覆盖、规模部署、智能化应用，同时也指出了高频段路径损耗严重、通信距离和覆盖范围受限、信道测量与建模难度大、信号处理运算量大、前传压力大等一系列挑战。

实际上，大规模天线的实际部署情况并不乐观。采用大规模天线的堆叠技术提高覆盖能力，但与此同时带来的信号处理复杂度、成本上升等不利因素，制约了设备实际部署能力。

越往高频走，天线规模也越大。对于宏站部署，加强热点覆盖和补盲，就成了未来6G天线系统的常规操作。

学术界对于未来通信有着相当宏大的愿景，网络智能化、更高速率、更低时延，但一切都建立在算力之上，算力的根基又是由底层的硬件决定，最终还是归结到芯片器件的处理能力上。

在6G时代，超大规模天线系统可能部署的场景：室内深度覆盖场景；广域覆盖场景；立体覆盖场景；短距/近距覆盖场景等。

第二章 性能指标

主要考虑四个指标：频谱效率、移动速度、能量效率和小区级最大并发数据流数。

对于5G系统，ITU 制定的性能指标中频谱效率包括三种：峰值频谱效率、平均频谱效率和5%用户频谱效率。

频谱效率主要用作移动宽带覆盖的指标。其中，峰值频谱效率为用户在理想条件下可达到的最优性能，可用作热点覆盖等场景的性能指标；平均频谱效率为单站点的平均性能，可用作热点覆盖、广域覆盖等场景的性能指标；5%用户频谱效率为边缘用户的性能，可用作深度覆盖等场景的性能指标。

6G 系统对超大规模天线的移动性要求是指6G 系统能够满足某特定的QoS 要求下所支持终端最大的移动速度（单位：km/h），例如支持飞机的飞行速度。QoS 定义为归一化的业务信道数据速率。超大规模天线相关解决方案可尝试降低高速移动下多普勒频移对系统的影响。

根据ITU 对于网络能量效率的定义：网络能量效率是与所提供的业务量相关的最小化无线接入网能量消耗的空口技术能力。

对于频谱效率的提升，可以通过优化空口传输技术的方式来实现，例如提高数据传输层数和提高信号调制阶数。而对于网络能量效率的提升，则可以考虑降低硬件电路功耗或改进空口传输技术。这两种途径是相互制约的。

小区级最大并发流数，即进行多用户MIMO（MU-MIMO，Multi-user MIMO）传输时可支持的最大并发数据流数目，从4G 系统时开始成为被运营商关注的性能指标，是5G 大规模天线的一个重要性能指标。在未来的6G 系统，为评价超大规模天线在实现小区级多流数据并发传输（即MUMIMO传输）上的实际性能，可以考虑引入小区级最大并发数据流数指标。

第三章  新型应用

新型应用主要有：立体覆盖增强、高速以及超高速移动覆盖、空间精确定位与感知等。

着眼于未来的6G 通信系统，其无线网络覆盖将是将会向陆、海、空、天泛在融合的物理空间拓展，覆盖将延伸到所有人类可能涉及的活动空间，将人类的“数字鸿沟”缩小到极致。

立体覆盖增强主要包含三方面应用场景，一方面是近地面场景，高度范围从地面算起到空中数百米的距离，涉及的新型业务包括无人机物流等；另一方面是高空场景，高度范围在数百米到数十公里，涉及的新型业务包括空中客机的网络服务等。此外，高空基站也是立体覆盖增强的一个重要应用场景。

5G 系统虽然能够提供Gbps 级的传输速率，以及毫秒级的时延，但其网络部署主要还是针对地面移动网络。虽然大规模天线技术为5G 系统在垂直空间增加了一定的自由度，可以解决高楼场景的覆盖问题，但由于垂直维度的射频通道数目一般较少，垂直维度的空间自由度要小于水平维度。相应的，垂直维度的空间分辨率要低于水平维度。

无人机可以在基站上方覆盖较弱的方向提供覆盖增强。为满足无人机的覆盖要求，最主要的是增强垂直维度的覆盖效果。一种方案是直接增加指向空中的天线，另一种是增加超大规模天线在垂直维度的数量，即通过多个窄波束取代原有的宽波束，增加整体的垂直覆盖能力。

此外，空中互联网蕴含着巨大的商业价值，它不仅能为客机上的旅客带来上网的便利，帮助航空公司改善运营服务水平，还有利于增强飞机的安全性、便利性。

目前，主要有两种方式可以实现客机的空中互联，一种是通过卫星通信技术，以卫星作为中继，进行相应信息的接收和转发。其优势主要在于覆盖区域广，可实现全球覆盖；劣势在于配套设备及飞机改造成本较高、单机带宽窄。另一种是通过空地通信技术，利用地面基站为空中客机提供网络服务。

还有一种高空基站，可对水平维度增强。高空基站对于应急通信等特殊场景意义重大，如高空无人机基站飞行到200 米高空时即可覆盖6.5 千米的地面区域，可以为抗震救灾等工作提供更加优质的应急通信方案，在地面通信设备遭到严重破坏的情况下，可以发挥重大作用。

目前大多高空基站是通过系留无人机实现，如图 1 所示。此外也有集成太阳能电池模块的无人机基站，以无线的方式实现自我供电。总体来说，相比于普通地面基站，高空基站由于需要长时间浮空，在功率、重量方面都比较受限。

图1 系留无人机实现高空基站

对于立体覆盖天线阵列，常采用基于移相网络的混合子阵架构。子阵在垂直维度上划分，每个子阵所包含的单元数为2。基于移相网络的混合子阵架构的一般化模型如图 2 所示。

图2 基于移相网络的混合子阵架构一般化模型

而对于高速移动场景，一个典型就是高速铁路沿线通信。伴随全球经济发展，高铁将进入新一轮基建浪潮。高速铁路不仅对于地区经济能起到重要的拉动作用，同时还能促进地区之间的交往和平衡发展，具有重要的实际意义与巨大的市场价值。

对于高速及超高速移动场景，为实现用户的高品质移动互联网接入，超大规模天线技术将发挥重要的作用。通过集中式部署的超大规模天线阵列，结合波束赋形技术，可以显著提升信号质量与系统容量。通过分布式的超大规模天线部署，可以有效的提升覆盖性能，提高信息传输速率。

对于空间精确定位与感知，在城市复杂环境中，GNSS 定位系统的信号易受建筑物的遮挡，定位性能无法满足实际应用需求。超大规模天线技术具备较强的空间感知能力，其在5G/6G 网络中的应用，将为城市环境中定位技术的研究带来新的机遇。这不路痴带来了更为精确的地图，再也不会被带沟里去了。

在位置服务方面，超大规模天线系统也具有较强的空间定位与感知能力，且与已有无线定位系统相比，在某些方面存在明显的技术优势。

第四章 关键技术

在谈到天线的问题时，一个绕不开的技术问题就是信道建模。

信道建模是无线通信系统仿真和性能研究的基础。在5G 通信系统的建模与评估中，终端与基站间的信道建模基于终端天线与基站天线处于互相间的远场的假设进行，接收到的电磁波建模成平面波，且假设处于平稳状态。在超大规模天线系统中，基站天线有可能分布在一个较大的区域，从而形成超大孔径天线阵列。在超大孔径天线阵列下，终端处于天线阵列的近场，此时接收到的电磁波不能近似为平面波，而且具有非平稳特性，现有系统的远场建模方式不再适用。

3GPP 大规模天线的信道建模是一个3D 信道模型，以WINNER 模型和ITU 的2D信道模型为基础，综合考虑了水平和垂直两个维度的空间信道特性。
无线通信系统的信道建模通常包括大尺度衰落和小尺度衰落的建模。

信道的大尺度衰落包括路径损耗、穿透损耗和阴影衰落。在自由空间传播中，路径损耗仅与传输信号的载波频率、传输距离以及收发天线的增益有关。在实际的无线信道环境中，散射体对无线信号的反射、绕射及散射影响着路径损耗、直射径的概率等。因此，不同部署场景下有着不同的路径损耗、直射径概率等的建模方式。

小尺度衰落是指无线电信号在短时间或短距离传播后其幅度、相位或多径时延的快速变化。通常是由于多径分量的叠加引起的。小尺度信道建模主要考虑时间色散参数、频率色散参数及空间色散参数的建模。这些参数的建模与天线的极化方向、收发天线的相对位置等有关。色散参数相关的统计特性多通过实测获得。

在3GPP 的信道模型中，均假设电磁波为平面波，并且针对所有的收发天线使用相同的散射体分布和相同的路径角度进行信道建模。针对大规模天线阵列，仅仅考虑了对散射体数量、散射体角度范围和时延范围进行扩展。3GPP 大规模天线信道建模的下行信道参数生成过程如图3所示。

图3 3GPP 大规模天线信道参数生成过程

相对于传统的大规模天线系统，超大规模天线系统的天线阵列规模更大。在未来的网络部署中，超大规模天线阵列有可能出现以下形态：

（1）天线规模很大，但天线阵列的尺寸与现有系统的阵列相当甚至更小；

（2）天线规模很大，天线阵列的尺寸也很大；

（3）分布式天线阵列。

除了信道建模外，波束管理也是一个关键技术问题。波束管理示意，如图4所示。

高增益天线是实现高频通信的必要技术之一，通过高增益天线弥补高频信道带来的大传输损耗，这不仅要求基站采用高增益天线，终端也可能需要定向天线/波束。如何保持基站与终端之间的波束是对准的，特别是在用户移动或者周围环境发生变化的情况下快速对准波束是技术上的难点。

图4 波束管理示意图

此外，基带处理也是重要关注方向。

超大规模天线技术是现有4G 和5G 网络中大规模天线技术的扩展和延伸。在超大规模天线阵列系统中，基站侧配置超大规模天线阵列（从几十至上千），利用有效的预编码/波束成形技术，可在同一时频资源上服务多个用户，带来巨大阵列增益和干扰抑制增益。然而，采用全数字链路的基站方案意味着每一个天线阵元都需要一条对应的射频链路（包括数/模转换器，功放，混频器等），从而极大地增加基站的硬件成本和功耗。因此，基于硬件受限条件下的高频段超大规模天线系统设计就成为一个亟待解决的问题。

在多用户MIMO 通信场景下，一个配置有多个发射天线的发射端，同时和下行多个用户进行数据的交互，不同用户的数据流之间会相互干扰。在上行链路中，用户之间数据流的干扰可在接收端通过联合检测的方法消除。而在下行链路中，一方面各个用户之间难以协作，单个用户很难预知其他用户的信道状态。另一方面用户终端受体积、功耗和设备成本等因素的限制，终端的处理算法复杂度不能太高。基于这两点，多用户MIMO系统下行链路数据流间干扰的消除需要在发射端进行，预编码技术则是解决这一问题的重要方法。用户全数字预编码系统模型如图5所示。

图5 多用户全数字预编码系统模型图

按照反馈链路是否受限，预编码技术可以分为无限反馈时的预编码技术和有限反馈时的预编码技术。在无限反馈的预编码技术中根据处理方式的线性与否又可以进一步划分为线性预编码与非线性预编码。

线性预编码包括基于迫零准则（ZF，Zero Forcing）的预编码，基于最小均方误差准则（MMSE，Minimum Mean Square Error）的预编码，基于最大比发射（MRT，Maximum Ratio Transmitting）的预编码等。基于ZF 的预编码和基于MMSE 的预编码相当于将接收端的检测工作转移至了发射端进行，所以又称为线性预均衡。基于MRT 的预编码是一种简单的根据信道信息对不同数据流分配不同权重的预编码算法，它的好处是可以获得最大的系统信噪比。

ZF 预编码的处理方式是发射端在信号发射之前对其乘以信道的逆矩阵（如果信道矩阵为方阵）或者伪逆矩阵（如果信道矩阵非方阵），并通过一个功率控制因子对发射信号的总功率进行控制。在经过这样的处理之后，当信号经过传输信道到达接收端时，数据流之间的干扰已经得到了消除。接收端首先通过自动增益控制对信号的功率进行补偿，之后即可进行信号的判决、解调等工作。

与MIMO 检测过程类似，基于MMSE 的预编码矩阵在设计时考虑了对噪声分量的抑制，因而相对于ZF 预编码而言，可以进一步提升系统的性能。

MMSE 预编码很好地处理了用户间干扰，且相对于ZF 预编码，它能够控制干扰和噪声的影响。该算法的缺点在于计算复杂度较大。

对抗多用户间干扰比较有效的预编码算法，比如ZF 算法和MMSE 算法，需要进行高复杂度的矩阵运算（收发端天线阵列规模越大，计算复杂度越高）。针对采用超大规模天线的6G 系统，在可预见的未来，商用硬件承担这类预编码算法所产生的计算负荷将会是一个巨大的挑战。针对TDD 系统，可以考虑采用基于信道状态信息使用有效期（后续简称为“有效期”）来实现这类预编码算法，从而获得算法复杂度与性能增益的良好折中。这种方法的关键特点简述如下：

1）一个有效期可包含多个连续的信道状态信息更新周期，从而可以把计算负荷分摊在多个更新周期里。

2）有效期的长度可以进行自适应的调整。

3）由于用户移动性或业务量变化，在某个有效期内，下行MU-MIMO 的配对用户集发生变化时，基于调度器的评估，如果将新用户添加至配对用户集可提升吞吐量，则用该新用户来补充移出的用户所产生的空位，并且该补充用户可以使用移出用户先前所使用的基于预编码矩阵，避免重新计算预编码矩阵。

这里，我介绍一种基于MRT 的次优预编码算法。根据前面的描述，MMSE 预编码算法中的矩阵求逆会带来较高的计算复杂度，而在MRT 算法中，只根据信道来确定预编码矩阵，没有MMSE 预编码算法中的矩阵求逆操作。下行链路中MRT 预编码矩阵其实也就是通信系统中常常提及的匹配滤波器，而超大规模天线系统中的MRT 算法处理性能很大程度上取决于信道传输环境。理想的环境就是从基站到不同用户终端的信道要尽可能的相互独立。

这种算法的本质就是最大化用户的信噪比，也就是最大化用户的可达速率。MRT 预编码不会考虑对其它用户造成的干扰。但是在超大规模天线系统中，理想情况下，随着天线规模增加，用户间的干扰将趋于消失，MRT 预编码将逼近最优的预编码性能。

第五章 新技术

新技术主要涉及深度学习与人工智能。

预计2030 年前后，通信技术将进入6G 时代。6G 将与人工智能、机器学习、深度学习等技术融合，充分利用和高效处理万物互联产生的海量数据信息。

将深度学习用在通信中，即利用深度学习来代替通信中的部分模块，相比人为设计的算法，可以更加灵活地拟合真实环境。因为人为设计的算法往往基于一些特定的假设，比如高斯分布等等，但实际环境是非常复杂和极其多变的，这些人为设计的算法一般都不是最优的，适用性有限。而深度学习可以模拟任意模型，从而能够有效适应实际环境，获得更好的性能。

深度学习在通信的主要应用场景可大致划分如下：各类编码算法，如信源编码、信道编码、信道状态信息反馈；各类信号处理算法，如信号估计、检测与解调；各类网络优化问题，如用户调度、网规网优等。

目前深度学习技术已经应用在超大规模天线的多个研究领域中，来实现波束的跟踪、预测和管理，信道的估计、预测、压缩和反馈，功率控制，链路自适应，用户配对和调度等等。通过神经网络模型的训练和学习，有助于进一步提升超大规模天线的使用效率和系统容量，降低系统开销、延时和实现复杂度。

举个例子，通过深度学习来估计DMRS信号。解调参考信号（DMRS，Demodulation Reference Signal）估计，是通信系统中非常重要的一个环节。接收端基于DMRS 估计出信道，用于有用信号的解调。如果DMRS 估计的精度不够，接收端获取的信道信息不够准确，会大大降低有用信号解调的准确度，从而降低系统的吞吐量、可靠性等关键指标。

传统的算法，一般基于卡尔曼滤波等经典滤波算法，估计出时域和频域的信道特征，然后基于部分资源上的DMRS，估计出有用信号占据的资源上的信道信息。这样做的缺点在于，实际环境非常复杂，这些滤波算法能够提取的时域和频域的信道特征有限，从而使恢复的信道信息与实际信道信息存在较大误差。

深度学习，采用合适的网络结构后，理论上可以获得时域和频域的所有可获得的信道特征，从而大幅度提升DMRS 估计的精度，进而改善系统性能。图 6 即为神经网络用于DMRS 估计的一个结构示意图，采用一个经典的全连接网络。

图6 神经网络用于DMRS估计的结构示意图

此外，利用神经网络进行码本反馈也是一个研究实现方向。

由信息论可知，准确的信道状态信息（CSI，Channel State Information）对信道容量的至关重要。尤其是对于多天线系统来讲，发送端可以根据CSI 优化信号的发送，使其更加匹配信道的状态。如：信道质量指示（CQI，Channel Quality Indicator）可以用来选择合适的调制编码方案（MCS，Modulation and Coding Scheme）实现链路自适应；预编码矩阵指示（PMI，Precoding Matrix Indicator）可以用来实现特征波束成形（Eigen beamforming）从而最大化接收信号的强度，或者用来抑制干扰（如小区间干扰、多用户之间干扰等）。因此，自从多天线技术被提出以来，CSI 获取一直都是研究热点。

图 7 为基于神经网络的CSI 反馈示意图。网络和终端使用相匹配的神经网络，网络发送CSI-RS 后，终端对CSI-RS 进行信道估计，然后将估计后的结果作为终端侧神经网络的输入，经过隐藏层和量化层后，神经网络的输出即为PMI。网络接收到PMI 后，将PMI 作为网络侧神经网络的输入，经过隐藏层和输出层，神经网络的输出即为恢复的信道信息。其中量化层将浮点数量化为二进制比特，量化层有几个节点，即PMI 包含几个比特。

图7 基于神经网络的CSI反馈示意图

第六章  天线结构与部署方式

随着5G 应用的快速渗透，移动终端数量将呈现指数式增长，由此带来更高的系统容量需求。大规模天线技术可显著提升频谱效率、降低干扰，已在4G 网络和5G 网络规模商用。

目前5G 网络中部署的为集中式大规模天线，在低频已经达到192 阵子和64 通道，高频预计达到512 阵子和4 通道。面向6G 网络，更大规模天线系统对一体化、集成度提出了更高要求，此时分布式大规模天线系统作为另一个解决方案，可以在提升频谱效率的同时有效扩大覆盖范围。分布式超大规模天线系统将在更广域地理范围内部署大量分布式射频和天线。

分布式超大规模天线系统主要应用于大容量场景，特别是人流量密集，数据业务爆发式增长的流量密集场景，例如高校、CBD 热点区域、大中型场馆以及交通枢纽站点等。应用分布式超大规模天线技术，可以灵活、有效地根据不同环境，构建星形、树形、链形、环形等拓扑结构的网络，有效消除干扰快速提升容量。针对高校、CBD 等热点区域，采用室外覆盖室内的方式时，将多个节点连接到BBU，实现控制信道合并，数据信道复用。

随着新材料、新技术的突破与发展，面向6G 的分布式超大规模天线系统有望在架构形态、部署方式等方面纵深演进。为满足新业务、新场景的个性化和多元化需求，分布式超大规模天线系统仍需在以下关键技术点实现突破：

（1）全动态协作簇构建；

（2）空口通道校准技术；

（3）新型用户调度算法；

（4）预处理算法；

（5）信道状态信息获取；

（6）站点间信息交互；

（7）站点间时频同步；

（8） 信道建模；

（9）对波形设计的影响；

（10） 网络结构设计；

超大规模天线的应用部署，天线阵面的形态及革新是运营商非常关注问题。从目前的大规模天线发展来看，大规模天线阵面将天线振元及射频处理单元集成在统一的天线模块中，这种一体化模块称为有源天线单元（AAU，Active Antenna Unit）。其设计优势在于：简化了天面配套要求，通过将天线单元与射频单元的集成处理，降低了馈线损耗，有利于系统容量的提升。然而，这种一体化的设计增加了天线阵面的整体体积、重量，对其施工部署产生了一定的影响。同时，由于射频链路数量庞大，当某个射频链路产生损坏时，故障检测及维护比较困难。

此外，利用智能超表面技术，可人为地设计可控信道，并利用可控的信道完成信号的传输。超表面(meta-surface)是超材料(meta-material)的一种具体实现。超材料的“超”，体现在人工合成材料对自然原有材料性质的突破，如负折射率等。当超表面上有可变参数的器件时，通过控制这些器件，可以使超表面的电磁特性动态变化，进而改变入射电磁波的相位和传播方向，形成可控的信号传输链路。超表面的引入，使无线通信系统设计更具有灵活性。通过合理地设计和布置超表面，人为地构造良好的传输信道，提升系统整体性能。

6G 系统将可能采用低频段、毫米波、太赫兹和光波等频谱资源，具有超高的传输速率、超低的通信时延和更广的覆盖深度，同时融合地面移动通信、近地空间平台、无人机平台、中低轨卫星等技术，解决海陆空天覆盖，实现全球的无缝覆盖。但是，毫米波和太赫兹频段同时也有信号衰减强、易受遮挡和覆盖距离近和穿透固态物体的能力差等弊端。在保持通信质量不变的情况下，会严重限制系统的传输距离；在保持传输距离不变的情况下，易造成通信质量恶化，甚至信息传输中断。因此，基于超大规模天线的智能中继通信技术是一种能够有效补偿无线电波传输损耗的技术。

超大规模天线智能中继通信系统可充分发挥带宽优势，实现超高速和较远距离的传输。值得注意的是，毫米波、太赫兹和光波等频段的无线通信系统均基于波束进行通信，对设备硬件成本代价提出了新挑战，造成现有通信系统协作中继技术不再适用。因此，适用于毫米波、太赫兹和光波等频段通信的超大规模天线技术的多连接技术，以及基于超大规模天线通信的中继设备物理层设计、中继设备波束管理方案成为亟待解决的重要问题。

更多更详细的研究报告内容，请参考6G推进组发布的《超大规模天线技术研究报告》原文。

---

更多关于无线通信、FPGA等内容，可关注微信公众号【FPGA算法工程师】。