《IEICE Transactions on Communications》:AI-native radio transceiver signal processing for next-generation mobile communication systems
编辑推荐:
本文针对下一代(6G)移动通信系统对高可靠性、低延迟及高频谱效率的迫切需求,提出了一种AI原生无线收发机架构。研究团队通过将AI模型集成至传统信号处理链路,实现了对信道估计、波束成形、链路自适应等关键功能的动态优化。实验基于毫米波通信测试床与真实数据验证表明,所提方法可显著降低导频开销、提升信道估计精度,并有效克服硬件非线性损伤,为6G网络支持扩展现实(XR)等沉浸式应用奠定基础。
随着第五代移动通信(5G)技术的规模化部署,产业界与学术界已启动对下一代(6G)系统的探索。6G愿景中明确提出需支持峰值速率达1Tbps、空口延迟低于10微秒的极致性能指标,以赋能扩展现实(XR)、全息通信及工业自动化等新兴应用。然而,迁移至6GHz以上频段(如毫米波)虽能拓宽频谱资源,却面临路径损耗剧增、信道动态性加剧等挑战。传统收发机设计依赖预设模型处理无线信号,难以自适应复杂环境变化,导致频谱效率与能耗优化陷入瓶颈。
为解决上述问题,RWTH Aachen大学分布式信号处理团队在《IEICE Transactions on Communications》发表特邀论文,系统性提出“AI原生无线收发机”创新架构。该设计将人工智能(AI)模型深度嵌入物理层(PHY)信号处理流程,通过动态学习无线环境中的信道特性、硬件非线性、流量模式等规律,实现收发机功能的自主优化。研究强调从纯仿真验证向实际部署转型,基于软件定义无线电(SDR)与毫米波硬件平台构建实验环境,显著提升了结论的工程指导价值。
关键技术方法涵盖:
- 1.
基于卷积神经网络(CNN)与Transformer(TF)的信道估计(CE)模型,通过编码导频信号的空间-频率相关性,将插值复杂度从O(PlogP+KlogK)降至线性级O(P+K);
- 2.
混合多输入多输出(MIMO)预编码器,结合CNN与恒定模约束层,生成满足硬件限制的模拟/数字波束成形权重;
- 3.
深度强化学习(DRL)驱动的动态功率分配(DPA)与链路自适应策略,以网络和速率最大化为目标优化资源分配;
- 4.
毫米波相控阵天线模块(PAAM)的AI校准技术,利用残差网络抑制幅相误差引发的旁瓣抬升。
3.1 AI辅助MIMO信道估计
通过构建256子载波OFDM(正交频分复用)系统实验,对比CNN与传统FFT(快速傅里叶变换)插值性能。在导频密度降至12.5%(32导频减至8)时,CNN仍保持10-4量级的均方误差(MSE),而FFT插值因硬件非线性失效(误码率BER=0.5)。进一步引入TF模型处理2×2 MIMO信道,其多注意力机制可捕捉长程时空相关性,在12.5%导频密度下使归一化MSE(NMSE)较FFT降低一个数量级。
3.2 AI赋能链路自适应
针对多用户OFDM场景,设计DRL功率分配模型。深度Q网络(DQN)与深度确定性策略梯度(DDPG)在满足基站总功率约束下,通过学习用户信道状态信息(CSI),实现接近注水算法(Water Filling)的和速率性能,同时改善边缘用户公平性。此外,AI模型可通过预测信道短期变化,将调制编码策略(MCS)选择从被动反馈升级为主动调整。
3.3 多用户MIMO预编码AI优化
在混合波束成形架构中,CNN将瞬时CSI映射至模拟移相器权重与数字预编码矩阵。通过联合优化频谱效率(SE)与均方误差损失,该方案在4×4均匀平面阵列(UPA)上实现接近全数字MIMO的容量,且计算能耗降低80%。
3.4-3.5 波束管理与跟踪
CNN超分辨率网络将4×4宽波束参考信号接收功率(RSRP)地图重构为8×8高分辨率地图,减少75%波束训练开销。DRL智能体通过贝尔曼方程更新Q值,在移动场景下将波束搜索复杂度从O(n)降至O(1)。实验显示,当用户速度提升至30km/h且TDD(时分双工)切换延迟达1ms时,AI波束跟踪仍可将BER维持在10-3以下。
3.6 相控阵天线AI校准
针对幅相误差导致的波束指向偏差,CNN编码器-解码器结构可从远场信号中识别异常天线单元,校准后旁瓣电平(SLL)降低15dB,定向精度提升至0.1°以内。
4. AI使能的扩展现实应用
研究以工业自动化与自动驾驶为典型场景,阐明AI原生无线接入网(RAN)对XR业务的支撑能力。例如,远程机器人操控需亚5毫秒端到端延迟、99.999%可靠性及200Mbps吞吐量,而AI-Native收发机通过实时CSI反馈与资源调度可满足上述需求。
本研究证实AI原生设计可显著提升6G收发机对动态环境的适应性。CNN与TF模型通过数据驱动学习有效补偿硬件损伤,降低导频开销与波束管理成本。未来工作需聚焦AI模型的硬件友好型简化、现场可编程门阵列(FPGA)部署及多智能体协同优化,以推动技术从实验床走向规模化商用。