1. 项目概述当RIS遇见极化一场关于“分”与“合”的智能博弈在无线通信这个看不见硝烟的战场上信号工程师们每天都在与两个永恒的敌人作斗争衰落和干扰。为了对抗衰落我们引入了分集技术比如极化分集它就像让信号“兵分两路”走两条正交的路径即使一条路被阻挡另一条路也能把信息送达以此提升链路的鲁棒性。为了压制干扰、提升信噪比我们又祭出了波束赋形技术特别是方向性模式它像探照灯一样将信号能量聚焦到目标用户实现功率的最大化利用。长久以来这两种策略像是天平的两端工程师们往往需要根据经验或粗略的信道估计在系统设计之初就做出“二选一”的抉择。然而真实的无线环境是动态且复杂的一个在清晨空旷街道上表现优异的方向性波束到了午间人流密集时可能就会因为多径反射产生严重的自干扰。可重构智能表面RIS的出现为打破这种静态僵局带来了曙光。RIS本质上是一面由大量可编程单元构成的“智能镜子”能够动态地调控反射电磁波的相位、幅度乃至极化状态。这意味着一面RIS面板理论上可以同时扮演“分路器”和“聚光灯”两种角色关键在于我们如何智能地控制它。本文探讨的核心正是如何赋予RIS这种“情境感知”的智能使其能根据实时的信道环境在极化分集模式和方向性模式之间自主、动态地切换。我们提出的方法不是简单的全局开关而是深入到RIS的“毛细血管”——将其划分为更小的“组”Group每个组包含两个“瓦片”Tile并引入一个名为圆极化基相关CBC的本地化度量作为决策依据。通过上行导频信号在时分双工TDD框架下对CBC进行低复杂度估计系统能够以“组”为粒度智能地判断当前信道更适合“分”还是“合”。这项研究为5G-Advanced及未来6G网络中在复杂城市峡谷、室内场馆等场景下实现动态、高可靠的无线覆盖提供了一条极具潜力的技术路径。2. 核心架构与设计思路从“硬”面板到“软”智能的进化传统的RIS研究大多聚焦于相位调控以实现波束转向或将极化能力作为一个固定的、全局的属性。我们的设计思路则向前迈进了一步将极化控制与波束赋形在子阵列级别进行解耦与协同从而实现更精细、更自适应的空间信号处理。2.1 RIS硬件架构模块化与双极化可重构我们的RIS面板在物理上被组织为一个层次化结构面板Panel整个物理表面。组Group空间上连续的子网这是模式选择的基本单元。每个组包含两个完全相同的瓦片Tile。瓦片Tile由多个例如16个辐射单元构成的均匀矩形阵列URA是执行波束赋形的基本单位。单元Element最基本的可重构单元能够独立控制反射波的相位和极化状态。设计的核心创新在于每个瓦片的极化可重构性。每个瓦片可以被独立配置为反射右旋圆极化RHCP波或左旋圆极化LHCP波。为什么是圆极化相较于线极化H/V或±45°圆极化具有独特的优势对天线朝向不敏感无论接收天线如何旋转圆极化波都能被有效接收避免了因极化失配导致的额外损失这在用户设备UE姿态随机的移动场景中至关重要。抗多径去极化能力强信号经复杂物体反射后其极化状态会发生随机旋转去极化。圆极化波的两个正交分量可视为两个线极化分量的特定组合在经历去极化后仍能保持较好的正交性为极化分集提供了更稳定的基础。支持极化复用RHCP和LHCP是相互正交的为空间复用提供了另一个潜在的维度。硬件实现上可以通过PIN二极管、变容二极管、MEMS开关或液晶等可调元件来实现每个单元对圆极化状态的切换。虽然不同技术在手性结构设计、切换速度纳秒级到毫秒级和功耗上各有取舍但都足以支持我们在信道相干时间内的准静态重配置需求。2.2 系统与信道模型构建自洽的评估基础为了准确评估算法性能我们建立了一个物理意义清晰且自洽的系统模型。考虑一个单小区TDD系统基站BS配备M个双极化天线共2M个端口排列成URA。用户UEK个单天线用户且天线为垂直V线极化。我们假设直达径被阻挡通信完全依赖RIS反射路径。关键挑战当RIS反射圆极化波到达V极化UE天线时会经历一个固有的3 dB投影损耗。因为任何圆极化波都可以分解为两个幅度相等、相位差90度的正交线极化分量而V极化天线只能接收其中一个分量另一半能量被浪费。这是我们方案必须克服的“入门成本”。信道模型采用莱斯衰落包含视距LOS和非视距NLOS分量。一个关键细节是引入了极化混合矩阵M。这个矩阵由两部分构成一个描述两个正交极化通道间相关性的矩阵C_g其非对角元素r_g即极化相关系数和一个表示极化基旋转的矩阵R(ψ)。M C_g^{1/2} R(ψ) 精确刻画了信号在传播过程中极化状态的耦合与旋转使得模型能真实反映从RIS圆极化到UE线极化的完整变换过程。2.3 核心算法思想两级智能决策我们的自适应模式选择算法是一个两级决策过程兼顾了全局态势与局部细节动态策略预览Dynamic Strategy Preview这是一个全局级的粗判决。系统基于简单的信道统计信息如平均信道增益、干扰水平或快速扫描预先评估当前网络环境是噪声受限低信噪比SNR还是干扰受限高SNR。这一步的目标是确定一个全局倾向性策略在噪声受限时应倾向于选择能最大化接收信号功率的模式通常是方向性模式在干扰受限时则应倾向于选择能更好管理干扰的模式可能是分集模式。这避免了仅基于局部CBC度量做出短视决策。基于CBC的细粒度模式选择这是组级别的精判决。每个RIS组独立计算其圆极化基相关CBC, ρ_g。CBC是什么它不是一个直接的理论参数而是一个从上行链路实测数据中提取的度量。在TDD系统中我们利用信道互易性。首先将RIS组的两个瓦片分别配置为反射RHCP和LHCP波。然后基站接收来自所有用户的上行导频信号假设用户发射线极化导频。分别收集在RHCP和LHCP配置下接收到的信号序列 y_g,RH 和 y_g,LH。如何计算CBC定义为这两个接收信号序列的归一化互相关系数的平方ρ_g |Cov(y_g,LH, y_g,RH) / sqrt(Var(y_g,LH)*Var(y_g,RH))|^2。ρ_g的值介于0到1之间。物理意义ρ_g反映了经过当前特定RIS配置和实际空间信道后RHCP和LHCP两条路径的“相似程度”。ρ_g越高说明两条路径越相关相干合并方向性的增益潜力越大ρ_g越低说明两条路径越独立采用分集模式利用不相关路径的收益越高。决策与执行每个组将本地测量的ρ_g与一个动态阈值θ_0进行比较。θ_0并非固定值而是根据全局SNR等因素自适应调整例如θ_0 max(a, b - c·SNR_dB)。低SNR时阈值较低倾向于选择分集以对抗噪声在高SNR时阈值升高倾向于选择方向性以追求更高容量。若 ρ_g ≤ θ_0选择分集模式该组的两个瓦片分别设置为RHCP和LHCP形成两个正交的极化分集路径。若 ρ_g θ_0选择方向性模式计算RHCP和LHCP中哪个能带来更大的上行接收功率然后将该组的两个瓦片都设置为该最优极化状态并通过相位对齐进行相干波束赋形最大化指向目标用户的信号功率。3. 算法实现与工程化考量理论模型固然优美但将其转化为可运行、可评估的算法并考虑实际工程约束才是研究落地的关键。3.1 上行CBC估计的实操流程CBC估计是整个自适应算法的基石其实现必须兼顾精度与开销。以下是详细的步骤与参数设计考量初始化配置在每一个信道相干时间块的开始RIS所有瓦片被设置为一个已知的初始相位配置例如基于宽波束或上一次迭代的优化结果。基站也采用一个初始的接收波束赋形矢量w_init_BS。这些初始配置旨在保证能接收到来自所有潜在用户的信号而非最优指向某一用户。导频传输与信号收集所有K个用户在其上行时隙发射已知的垂直极化导频序列。RIS控制器按顺序或在特殊设计的正交导频下同时将指定组g的两个瓦片分别切换到“仅反射RHCP”和“仅反射LHCP”状态。每种状态持续S个符号时间“快拍”。基站在每种配置下使用w_init_BS对接收信号进行合并得到标量信号y_g,RH[s]和y_g,LH[s]其中s1,2,...,S。关键点接收信号是来自所有K个用户信号的叠加。这看似引入了多用户干扰但实际上有利于CBC的稳健估计。因为CBC度量的是信道本身的极化相关性这种相关性是空间信道和RIS配置的属性与多用户信号叠加的细节关系不大。叠加反而提供了一种“平均”效果使估计对单个用户的信道波动更不敏感。CBC计算根据公式(13)计算两组信号序列的样本协方差和方差进而得到ρ_g。计算复杂度仅为O(S)对于每个组是独立的因此可以并行处理开销极低。开销分析CBC估计的主要开销在于需要为每个组收集两种极化状态下的S个快拍。假设有G个组则总的上行导频开销约为 2GS 个符号。在典型的慢衰落信道中相干时间包含数百至数千个符号这个开销是可接受的。相较于需要估计完整高维信道状态信息CSI的传统方法CBC估计仅需获取一个标量度量复杂度大大降低。3.2 下行波束赋形与预编码的协同一旦所有组完成了模式选择分集或方向性就需要进行下行传输的联合优化有效信道构建对于选择分集模式的组其到用户k的有效下行信道是RHCP和LHCP两条路径对应上行信道的共轭转置之和h_eff,div (h_up_RHCP)^H (h_up_LHCP)^H。对于选择方向性模式的组其两个瓦片采用相同的极化t*有效信道是两个瓦片信道的共轭转置之和对应该极化h_eff,dir Σ (G_t Φ_t F_t j_up,t*)^H。RIS相位优化每个瓦片的相位配置Φ_t一个对角矩阵需要优化以最大化到达目标用户的信号功率。在实际系统中由于硬件限制相位通常从一个离散的码本如DFT码本中选择。优化过程可以是一个低复杂度的本地搜索对于每个用户遍历该用户所属服务组的瓦片可用的相位码字选择能使该用户接收功率最大的组合。对于多用户情况则需要权衡可能采用迭代或基于信漏噪比SLNR的准则。基站波束赋形在获得所有组的聚合有效信道h_eff_k对于用户k后基站需要计算一个模拟或数字波束赋形矢量w_BS。在本文的模拟假设下w_BS从一个预定义的码本W_BS中选择以最大化所有用户接收功率的总和w_BS argmax Σ |h_eff_k w|^2。这是一个典型的码本搜索问题。系统吞吐量计算最终系统下行和速率Sum-Rate通过公式(19)计算它综合考虑了期望信号功率、噪声功率以及用户间干扰。这个指标是衡量整个自适应方案性能的黄金标准。实操心得算法部署的时序考量在实际的TDD帧结构中需要精心安排以下阶段1)上行探测阶段用于CBC估计和可能的粗略CSI获取2)计算与配置阶段基站或RIS控制器运行模式选择算法并计算最优的RIS相位和BS波束3)下行传输阶段应用优化后的配置进行数据传输。整个过程的时长必须远小于信道相干时间否则配置将失效。对于中低速移动场景如步行速度典型的相干时间在几十毫秒量级足以支持这套流程。3.3 动态阈值θ_0的启发式设计与优化阈值θ_0是平衡分集与方向性的“调节阀”。我们采用了一个简单而有效的SNR自适应启发式公式θ_0 max(a, b - c·SNR_dB)。参数物理意义a阈值下限确保在高SNR时仍有一个最小阈值避免因测量噪声导致误切换到分集模式。b低SNR时的名义阈值。在低SNR噪声受限区域系统更倾向于选择分集模式来对抗衰落因此b设置得较低使得ρ_g更容易超过阈值从而触发方向性模式追求功率最大化这里需要仔细推敲在低SNR噪声受限时我们期望更倾向于选择方向性模式以提升信噪比因此阈值应设低让更多ρ_g θ_0的组选择方向性。公式b - c·SNR_dB在SNR很低时为较大的b值这意味着阈值高不利于选择方向性这与直觉相反。实际上原论文的意图可能是在低SNR时公式结果主要由b决定应设置一个较低的b值以鼓励方向性在高SNR时b - c·SNR_dB会变小但由max(a, ...)保护阈值不低于a。c是一个正数使得随着SNR增加阈值计算值减小但通过max函数最终阈值会稳定在a。因此更合理的解读是b是低SNR下的起始阈值设得较低以鼓励方向性随着SNR升高b - c·SNR_dB减小但被a限幅最终在高SNR时阈值维持在a。a的取值则需根据干扰受限情况下的最优折中来调整。参数调优参数[a, b, c]需要通过离线仿真或在线学习来确定。一种实用的方法是在典型信道模型如3GPP UMi/UMa下进行大量的蒙特卡洛仿真扫描不同的[a, b, c]组合以最大化长期平均和速率为目标找到一组鲁棒性较好的参数。也可以根据长期统计的信道信息如莱斯K因子、时延扩展对参数进行微调。4. 性能仿真与结果深度剖析我们通过蒙特卡洛仿真在两种典型的莱斯衰落场景下验证了所提自适应算法的有效性。系统关键参数如下载频3.75 GHzBS为4x4双极化URA共32端口RIS由8个组构成每组2个瓦片每个瓦片为4x4 URA服务8个单天线V极化用户。4.1 场景一分集友好型场景多径丰富低相关此场景模拟典型的城市非视距NLOS环境极化相关系数r_g的均值E[r_g] -0.33负相关意味着两条路径倾向于反相相干合并可能产生破坏性干扰莱斯K因子较低K_BR0.5,K_RU1阴影衰落标准差较大3 dB。信道由量散射路径主导极化相关性弱。仿真结果分析低SNR区域 15 dB系统受加性白噪声AWGN主导。此时非极化控制模式即RIS使用固定线极化如V极化性能最优。因为它避免了圆极化到线极化固有的3 dB投影损耗。我们的自适应算法通过动态策略预览识别出这一噪声受限状态但其决策仍受CBC和阈值影响。图中显示在此区域自适应算法性能介于固定分集和固定方向性之间略低于非极化模式这是为获取自适应能力而支付的“学习成本”。高SNR区域 15 dB系统进入干扰受限区域。在丰富的散射环境下多用户干扰呈现随机特性。此时提升性能的关键在于最大化期望信号功率。固定方向性模式通过相干合并展现了强大优势在20 dB SNR时达到约55 bps/Hz的和速率。自适应算法通过动态策略预览感知到高SNR和干扰受限的环境整体倾向于选择方向性模式见图5各组的直接性模式选择概率在高SNR下普遍较高其性能曲线紧追固定方向性模式达到约53 bps/Hz显著优于固定分集模式。CBC与r_g的关系图3展示了理论极化相关系数r_g左与实测CBCρ_g右的对比。可以看到r_g有正有负且均值为负而ρ_g始终为正值且波动范围很大。这清晰地表明CBC并非r_g的简单映射它包含了空间信道、波束赋形等多种因素的综合影响因此直接测量CBC比依赖理论r_g更为可靠。避坑指南理解“负相关”场景当信道两条路径的极化相关系数r_g为负时意味着它们的信道增益倾向于反相。在这种情况下如果强行进行相干合并方向性模式可能会导致信号抵消性能反而比单一路径还差。此时分集模式让两条路径独立传输是更安全的选择。我们的CBC度量ρ_g是相关系数的平方无法区分正负相关。因此算法依赖动态策略预览和阈值调整来间接处理这种情况在预测到信道可能呈现负相关特性如本场景时通过调整阈值θ_0使得算法更倾向于选择分集模式。4.2 场景二方向性友好型场景LOS主导高相关此场景模拟视距LOS条件良好的环境极化相关系数r_g的均值E[r_g] 0.5莱斯K因子高K_BR3,K_RU10阴影衰落弱0.5 dB。信道具有强的主径极化相关性高。仿真结果分析全SNR范围固定方向性模式在低SNR时凭借强大的相干合并增益轻松弥补了3 dB的投影损耗性能远超非极化模式和分集模式。在0 dB SNR时方向性模式的和速率约为38.7 bps/Hz而非极化模式仅为18.7 bps/Hz。高SNR区域的转折一个有趣的现象出现在高SNR区域。当SNR超过约10 dB后固定分集模式的性能开始超越固定方向性模式。这是因为在强LOS和高SNR下方向性模式产生的尖锐波束会带来严重的结构化干扰。当多个用户的波束在空间上重叠或产生旁瓣干扰时这种干扰是毁灭性的。而分集模式由于利用了正交的极化路径其波束图案相对更宽、更“柔和”在抑制多用户干扰方面表现更好。自适应算法的智能切换我们的自适应算法完美地捕捉到了这一转折。如图8所示在低SNR时算法几乎为所有组选择方向性模式以最大化功率。随着SNR升高算法开始动态地将一部分组切换到分集模式以平衡信号功率和干扰管理。最终在20 dB SNR时自适应算法取得了最佳的和速率约59.7 bps/Hz既在低SNR时利用了方向性的功率增益又在高SNR时通过引入分集抑制了干扰。4.3 核心洞见与工程启示通过对比两个场景我们可以得出几个至关重要的结论没有“放之四海而皆准”的最优模式。最优策略高度依赖于SNR工作点噪声受限 vs. 干扰受限和干扰的结构随机散射干扰 vs. 结构化波束干扰。自适应是必由之路。固定配置的RIS只能在特定场景下表现良好。在动态变化的无线环境中自适应切换机制是释放RIS全部潜力的关键。两级决策的有效性单纯的基于本地CBC的决策可能在高SNR的LOS场景中陷入“功率陷阱”一直选择方向性。引入动态策略预览这一全局视角使系统能提前感知到干扰受限的态势从而指导本地决策向干扰管理分集倾斜这是算法成功的关键。圆极化的价值尽管有3 dB的固有损耗但圆极化提供的极化正交性和对去极化的鲁棒性为在复杂环境中实现稳定的分集增益奠定了基础。如果未来用户设备也采用双极化或圆极化天线这一损耗将被消除系统性能有望进一步提升。5. 扩展讨论、挑战与未来方向5.1 实际部署面临的挑战硬件非理想性本文基于理想的RIS硬件抽象。实际中单元间的互耦、有限的相位/极化量化精度、幅度响应不一致、控制电路的非线性等都会影响性能。例如有限的相位分辨率会导致波束指向偏差和旁瓣升高互耦会改变单元的有效阻抗影响预期的极化状态。未来的研究需要将CBC度量和模式选择算法与这些硬件损伤模型结合进行联合优化设计。信道估计与反馈开销虽然CBC估计相比全CSI估计开销更低但在高速移动场景下信道相干时间变短频繁的重配置可能导致训练开销占比过高。需要研究更高效的信道探测帧结构、压缩感知或基于深度学习的信道预测技术以降低开销。与3GPP标准的集成如何将RIS的配置包括分组、模式选择、相位码本纳入现有的5G NR或未来6G的帧结构、参考信号和信令流程中是一个巨大的系统工程挑战。需要定义新的控制信道、测量报告和动态指示符。多RIS与多小区协同在密集部署中多个RIS之间以及RIS与多个基站之间会产生复杂的相互干扰。需要研究分布式或集中式的协同模式选择算法可能涉及不同RIS面板间通过回传链路交换有限的信道统计信息或CBC数据以实现网络级的性能优化。5.2 未来研究方向基于机器学习的增强可以使用强化学习RL来在线优化阈值θ_0甚至直接学习从原始信道测量或CBC到模式选择的端到端映射避免依赖精确的数学模型。深度神经网络也可用于从少量导频中更准确地预测CBC或直接预测最优模式。频分双工FDD系统的扩展本文方法严重依赖TDD的信道互易性。在FDD系统中上下行频率不同互易性不成立。未来工作可以探索基于信道空间互易性角度信息或利用深度学习建立上下行CBC映射模型的方法。更精细的粒度与混合模式当前以“组”为粒度进行模式选择。未来可以探索以“瓦片”甚至“单元”为粒度的混合模式即同一RIS面板上不同区域同时采用分集和方向性模式为不同空间位置的用户提供定制化的服务。结合其他RIS功能将极化模式选择与RIS的其他高级功能结合如同时透射反射STAR-RIS、全息波束赋形、索引调制等有望开辟更广阔的智能无线电环境应用空间。我个人在复现和思考这项研究时的体会是其最大的价值在于提出了一种“软硬结合”的务实思路。它没有追求理论上极致的全局最优解那通常计算复杂且难以实现而是通过一个巧妙的本地化度量CBC和一个轻量级的全局预览实现了复杂度的有效控制与性能的显著提升。这为RIS从实验室走向实际网络部署提供了一个极具参考价值的算法框架范例。在实际工程中或许第一步可以先将“动态策略预览”简化为基于长期统计如平均SNR、用户分布的静态门限先行验证极化自适应带来的增益再逐步迭代引入更复杂的动态逻辑。
