1. 项目概述单射频链波束训练MU-MIMO降本增效的新思路在5G和未来6G的演进蓝图中毫米波通信因其巨大的可用带宽被视为实现超高速率数据传输的关键技术。然而毫米波信号路径损耗大、易受遮挡的物理特性迫使我们不得不依赖大规模天线阵列Massive MIMO和精准的波束成形技术来“聚焦”能量以建立可靠的通信链路。多用户MIMOMU-MIMO技术允许多个用户共享同一时频资源是提升频谱效率的核心。但传统方案中每个天线单元背后都需要一条独立的射频RF链路包括数模转换器、混频器、功率放大器等昂贵且耗电的硬件。当基站天线数量动辄64、128甚至256时其硬件成本、系统复杂度和功耗将变得难以承受这与我们追求绿色、低成本部署5G网络的愿景背道而驰。因此如何在保证MU-MIMO性能的同时大幅削减射频链路的数量成为了学术界和工业界共同关注的“卡脖子”难题。混合波束成形、天线选择等方案应运而生但它们往往在性能、复杂度和灵活性之间艰难权衡。本文要探讨的“单射频链波束训练”方法则是一个更为激进的思路它试图证明在特定的波束训练机制下基站侧仅用一条射频链配合一个大规模天线阵列就能有效地为多个用户提供服务。这听起来有些反直觉——一条链如何服务多个用户其秘诀就在于“时间复用”和“智能选择”。通过精心设计的训练序列系统可以快速筛选出那些信道条件最佳、波束方向最易对齐的用户组成一个“精英用户子集”在单个训练时隙内完成对他们的联合训练与调度。这种方法的核心价值在于它从系统架构的源头——射频链路数量上实现了“瘦身”为构建高能效、低复杂度的信息中心物联网毫米波接入点提供了极具潜力的工程实现路径。2. 核心原理与系统模型拆解2.1 为何射频链是MU-MIMO的“成本与功耗黑洞”要理解单射频链方案的价值首先得明白传统全数字波束成形的痛点。在一个典型的全数字MIMO系统中每根天线都连接一条完整的射频链。这意味着一个有M根天线的基站就需要M套射频前端组件。这些组件不仅价格高昂其功耗在系统总功耗中占比可达70%以上。更棘手的是随着天线数增加所需的基带处理单元用于计算复杂的预编码矩阵的复杂度呈指数级增长对芯片算力和散热提出了严峻挑战。因此业界转向了混合波束成形架构。在这种架构下射频链的数量N_RF远小于天线数M例如N_RF4或8M64。数字预编码在少数几条射频链上进行产生N_RF路信号然后每路信号通过一个模拟波束成形网络通常由移相器构成分配到多根天线上。这大大降低了硬件成本和功耗。而我们今天讨论的单射频链波束训练可以看作是混合波束成形的一个极端特例N_RF 1。它通过极致的硬件简化将成本与功耗压到最低但随之而来的挑战是如何用这“唯一”的射频通道去感知并服务多个空间用户。2.2 系统模型单射频链如何连接世界想象一个室内毫米波热点场景比如一个大型会议室或体育馆。一个配备了64根天线单元的基站BS矗立中央但它内部只有一条射频链。周围分布着U个用户设备UE每个用户设备为了简化也假设只有一条射频链连接着N根天线N远小于M例如N4或8。系统的目标就是让这个“简朴”的基站同时与多个用户进行高速通信。信道模型采用经典的Saleh-Valenzuela模型这是描述毫米波多径信道的常用方法。由于毫米波波长极短天线可以做得非常小因此能在有限空间内密集排布大量天线单元形成高增益的定向波束。信道矩阵H_u描述了从基站到第u个用户的无线环境它是由L条路径的贡献叠加而成其中包含一条能量最强的视距路径和若干条较弱的非视距散射路径。每条路径都有自己的离开角、到达角和复增益。基站和用户都使用均匀线性阵列其阵列响应向量决定了信号在空间中的辐射模式。在这个模型中通信的关键在于找到一对“钥匙”——模拟预编码器f位于基站和模拟合并器w位于用户。它们本质上是精心设计的相位权重向量作用就像透镜一样将信号能量精准地“聚焦”到对方的方向上。由于只有一条射频链基站和用户都只能同时生成一个波束。因此波束训练的过程就是为每个用户寻找最优的波束对f, w的过程。所有可能的波束方向构成了一个码本它就像一本记录了所有可能透镜角度的“密码本”。训练就是在密码本中为每个用户找到开锁的那一页。3. 两种核心波束训练机制详解单射频链的限制决定了训练不能“齐头并进”必须“分时复用”。论文提出了两种高效的训练机制顺序下行-上行训练和顺序下行-下行训练。它们的核心思想都是通过巧妙的时序设计用最少的时间开销完成对所有用户的波束配对。3.1 顺序下行-上行训练基站“点名”用户“应答”你可以把这个过程想象成基站拿着一支激光笔单波束依次照射每一个可能的方向码本中的M_B个波束同时让所有用户“举手”报告在哪个方向收到的信号最强。具体步骤如下基站扫描阶段在一个训练时隙内基站使用码本中的第m个波束方向f_m发射训练信号。用户监听与反馈阶段此时所有U个用户同时用自己码本中的每一个波束方向w_n去尝试接收信号。每个用户会遍历自己全部的N_B个波束方向并记录下在基站当前波束f_m下自己用哪个w_n收到的信号功率最大。这个最大值就是用户在当前基站波束下的“潜在最佳信道增益”。信息上报所有用户将自己计算出的“潜在最佳信道增益”值上报给基站。循环与判决基站重复步骤1-3遍历自己所有的M_B个波束方向。至此基站获得了一个三维表格对于每一个基站波束m每一个用户u都对应一个该用户上报的最佳增益值。最优配对选择基站在这个表格中为每个用户独立地寻找全局最优的波束对m, n。即对于用户u找到使得增益最大的那个基站波束索引m_u和用户波束索引n_u。资源分配基站根据某种调度策略例如选择信道增益最高的几个用户确定本次服务哪些用户并告知他们使用对应的最优波束对进行数据传输。时间开销分析基站需要M_B个时隙来扫描所有波束。在每个基站波束下用户需要本地计算N_B个方向但这个计算是并行的不额外占用空口时隙。因此总训练时隙数t*_slots M_B。惊喜的是它与用户数量U无关这是因为所有用户在基站每个波束发射时都在并行地进行本地波束搜索。它的开销仅取决于基站波束码本的大小。注意SDU方案虽然训练时隙少但对用户端的处理能力要求较高。用户需要在每个训练时隙内快速完成本地全码本搜索并即时反馈。这增加了用户设备的复杂度和功耗。同时上行反馈信道需要足够的可靠性来传输这些增益信息。3.2 顺序下行-下行训练基站“广播”用户“轮询”这种模式更像是一个“开放日”。基站同时激活所有波束形成一个宽泛的准全向覆盖区域然后让用户们依次上台来寻找最适合自己的位置。具体步骤如下基站广播阶段在一个较长的训练时间窗口T内基站同时激活其射频链并试图形成一个覆盖范围较广的波束模式技术上可通过波束跳变或宽波束实现近似全向覆盖。在此期间基站持续发射训练信号。用户轮询训练在这个时间窗口T内用户依次进行训练。第1个用户上场用自己码本中的N_B个波束方向依次尝试接收信号找出在基站当前“广播”模式下自己最佳的接收波束w_n并记录对应的信道增益。完成后第2个用户上场重复此过程直到所有U个用户完成训练。最优波束确定每个用户独立完成训练后将自己找到的最优用户波束索引n_u和对应的信道增益上报给基站。基站波束匹配由于基站在广播阶段其波束状态是固定的或已知的序列基站可以根据用户上报的信息结合自己的波束状态为每个用户确定一个“有效”的基站波束方向可能不是码本中最精确的那个但在此广播模式下是最匹配的。时间开销分析基站广播占用1个时隙或一个连续的时段。每个用户需要N_B个时隙来完成自己的全码本搜索。因此总训练时隙数t~_slots 1 U * N_B。可以看到时间开销与用户数U成线性正比关系。实操心得SDD方案将复杂度从基站侧转移到了时间维度上。它的优势在于对用户端要求低每个用户只需进行常规的波束扫描。但其缺点是训练总时长随用户数线性增长在用户密集的场景下训练开销可能变得很大甚至可能超过信道相干时间信道特性保持不变的时间导致训练结果失效。因此SDD更适合用户数较少或对训练延迟不敏感的场景。3.3 与全搜索方法的对比作为基准传统的全搜索方法需要测试所有可能的波束对组合。即对于每个用户基站需要用M_B个波束依次发射而每个用户在每个基站波束下又要用N_B个波束去尝试接收。因此总时隙数为t^_slots M_B * N_B。当M_B和N_B都较大时例如64和16这个数字1024将远大于SDU的M_B64或SDD的1U*16。下图直观展示了三者的开销对比假设N_B16训练方法训练时隙数特点适用场景全搜索M_B * N_B性能最优开销巨大理论研究对时延不敏感的定点通信SDUM_B开销与用户数无关用户端处理复杂用户数多用户设备能力强需快速训练SDD1 U * N_B用户端简单开销随用户数线性增长用户数少用户设备简单对训练速度要求一般显然单射频链的两种训练方法在开销上具有巨大优势。但代价是它们可能无法像全搜索那样找到绝对最优的波束对会引入一定的性能损失。这就引出了下一个核心问题如何最小化这种损失4. “精英用户子集”构建智能选择提升系统效率既然无法同时服务所有用户那么服务哪些用户能使系统整体收益最大这就是“精英用户子集”概念要解决的问题。其核心思想是在每次训练周期内基站不是盲目地为所有用户服务而是智能地选择一组信道条件好、波束易于对齐的用户优先服务从而用有限的资源实现更高的系统容量。4.1 精英用户的选择标准什么样的用户能成为“精英”论文给出了一个基于几何关系的数学判据。简单来说一个用户能否被选入精英子集ℵ_elite取决于其信号主要路径的波达角/波离角与基站码本中波束方向的匹配程度。公式(15)给出了一个形式化的定义用户u的路径角度θ^t_l, φ^r_l与码本中某个波束方向θ^t_m, φ^r_n的正弦值之差必须小于一个阈值1/ε(U)。这个阈值函数ε(U)是关键它控制了子集的“宽松度”。物理意义如果用户的主要信号路径方向恰好落在某个基站波束和用户波束的主瓣范围内那么对齐就非常容易信道增益高这个用户就是优质的“精英”候选者。函数ε(U)的作用ε(U)通常是一个关于总用户数U的递增函数例如log(U)。当U很大时1/ε(U)会变小这意味着筛选标准变得更严格只有那些波束方向非常“正”的用户才能入选。这样可以保证即使在用户很多时被选中的少数用户也能获得极高的信道质量。4.2 对齐因子β_elite引入现实信道因素纯几何角度筛选过于理想。现实中毫米波通信极易受遮挡视距路径并非总是存在。因此论文引入了对齐因子β_elite将视距概率、波束覆盖宽度等多重现实因素纳入考量。β_elite Pr^{LOS}_{BS-U} * [与角度相关的函数]其中Pr^{LOS}_{BS-U}是基站与用户之间存在视距链路的概率。在城市环境中这个概率随距离增加而衰减。一个经典的模型如公式(19)所示它综合了绝对距离和城市建筑密度的影响。一个用户距离基站越远或被建筑物遮挡的可能性越大其视距概率就越低β_elite值也越小入选精英子集的机会就越渺茫。这意味着系统会优先选择那些距离基站近、有清晰视距路径、并且波束方向容易对齐的用户。这完全符合工程直觉把宝贵的资源用在“好沟通”的用户身上整体效率自然更高。4.3 精英子集规模与系统容量的关系通过理论推导可以得到系统容量的上界和下界上界容量C_upper假设基站能同时以最优波束服务所有用户这是理想情况。下界容量C_lower基站仅服务精英用户子集ℵ_elite时的容量。系统实际能达到的容量介于二者之间。精英用户子集的目的就是让这个下界容量尽可能接近上界。论文推导出的容量差公式表明容量差与log(U) / log(|ℵ_elite|)有关。当精英子集用户数|ℵ_elite|的增长率与总用户数U的增长率呈对数关系时容量差可以被控制在一个很小的范围内。这就从理论上证明了即使只服务一小部分精心挑选的用户系统也能获得与服务全部用户相近的容量性能。这为单射频链系统的可行性提供了坚实的理论支撑。5. 仿真结果分析与工程启示论文通过大量仿真验证了所提方案的性能。关键结论如下训练开销显著降低如前所述SDU和SDD方法的训练时隙数远低于全搜索方法尤其在基站波束数较多时优势可达数个数量级。这意味着系统可以将更多的时间资源用于实际数据传输提升频谱效率。系统容量接近最优在用户数较多如U20的场景下采用精英用户子集选择的单射频链系统其可达速率与采用全搜索或多射频链的基准系统相比性能损失非常小通常在几个百分点以内。这说明“以时间换硬件以智能选择补性能损失”的策略是行之有效的。对齐因子的重要性仿真显示考虑视距概率β_elite的精英选择算法其性能明显优于仅基于几何角度的选择。在城市微基站场景下这能有效避免资源浪费在那些被遮挡的、信道条件差的用户上。扩展到大规模MIMO本文的单射频链概念可以自然扩展到大规模MIMO系统。例如一个拥有256天线的基站可以使用4条射频链每条链驱动一个64天线的子阵列。每条射频链独立运行上述单链波束训练算法服务一个用户子集。这样就在硬件复杂度和系统性能之间取得了更好的扩展性平衡。5.1 对信息中心物联网的深远意义这项技术对于信息中心物联网在5G毫米波热点场景的部署犹如一场“及时雨”。IC-IoT强调以信息为中心设备可能海量、低功耗、且数据需求突发性强。成本与能耗单射频链极大降低了接入点AP的硬件成本和功耗使得密集部署毫米波小微基站成为可能契合物联网“泛在连接”的需求。连接管理精英用户子集机制本质上是一种智能的、信道感知的用户调度策略。它可以动态地将资源优先分配给那些有高质量链路和紧急数据需求的设备完美匹配IC-IoT中不同业务流的差异化服务质量要求。快速波束对准SDU方案训练速度快适合物联网设备频繁接入、退出的动态场景能快速建立连接减少信令开销和接入延迟。6. 实现考量、挑战与未来展望尽管前景光明但将单射频链波束训练投入实际应用仍需克服一系列工程挑战。6.1 同步与反馈开销高精度同步无论是SDU还是SDD都要求基站和所有用户之间有严格的时间同步以确保训练序列的起止、时隙边界对齐。在毫米波频段对同步精度的要求更高。反馈信道设计在SDU中所有用户需要在每个训练时隙后向基站反馈一个信道增益值。当用户数很多时上行反馈信道的容量和可靠性面临压力。需要设计高效的反馈压缩和抗误码机制。6.2 动态环境与移动性管理信道时变毫米波信道特别是非视距路径可能快速变化。训练得到的波束对需要定期更新。如何设计低开销的跟踪算法在移动场景下维持波束对准是一个关键问题。子集更新频率“精英用户子集”需要根据信道状态动态更新。更新太频繁训练开销大更新太慢性能下降。需要研究自适应的子集更新策略。6.3 实际部署建议场景选择初期可优先部署在相对静态的室内热点场景如企业办公室、大型场馆、固定无线接入等这些场景用户移动性低信道相对稳定。混合架构不必拘泥于严格的“单链”。可以采用“少数链大阵列”的混合架构每条链运行单链训练算法服务一个用户簇。这样在硬件复杂度和多用户并行能力上取得更好平衡。与高层协议协同波束训练与调度策略需要与MAC层、网络层的资源分配、路由算法紧密协同共同优化端到端的网络性能。6.4 未来研究方向机器学习赋能利用深度学习模型预测用户的信道状态和移动轨迹从而智能预判精英用户子集甚至预测最优波束方向进一步减少训练开销。智能反射面辅助在遮挡严重的区域部署智能反射面可以主动为NLOS用户创造“视距”路径提高其β_elite因子使其有机会进入精英子集从而提升系统覆盖的公平性。跨频段信息辅助利用低频段如Sub-6GHz信道变化慢、覆盖好的特性用其信道信息来辅助毫米波的波束选择实现“粗瞄”与“精瞄”的结合。单射频链波束训练技术从一个看似受限的硬件条件出发通过极致的算法和系统设计优化开辟了一条通往高能效、低成本MU-MIMO毫米波系统的务实路径。它提醒我们在追求更高、更快、更强的通信性能时有时“做减法”的智慧同样重要。这项研究不仅为5G毫米波热点的部署提供了具体的技术方案其“资源受限下的智能优化”思想也对未来6G中更加复杂的网络与终端设计具有深刻的启发意义。
