近场传输技术有哪些？

下面从信道估计、波束赋形、码本设计、波束训练、多址技术、近场系统架构与部署和标准影响等方面介绍近场传输技术。

1.近场信道估计

精确的信道状态信息是设计 6G 网络信号处理的基础保障，是实现6G 超高频谱效率的关键因素。然而，由于辐射近场的新特性，给精确的信道估计带来了挑战。在现有 5G 大规模阵列通信系统中，研究人员常利用远场信道在角度域的稀疏性，使用压缩感知算法以低导频开销精确地恢复角度域稀疏信道。其信号处理大致流程为：首先对天线域信道进行傅里叶变换，将其转换到稀疏角度域，接着使用正交匹配追踪算法（Orthogonal Matching Pursuit，OMP）等稀疏信号重构方法精确重构角度域信道。然而，远场低开销信道估计方案依赖于信道的角度域稀疏性，而角度域稀疏性的一个重要前提是远场平面波建模。由于超大规模阵列的近场信道由球面波构成，近场球面波传播特性将导致如图5.1 所示的近场信道在角度域的能量扩散效应，即每条近场路径的能量扩散到角度域的多个格点上。能量扩散效应破坏了近场信道在角度域的稀疏性，因此，现有的信道估计方案在近场环境下将存在严重的估计精度下降问题。。

为克服上述近场信道角度域能量扩散问题，可基于近场球面波传播特性构建近场码本字典矩阵，恢复近场信道在该码本的稀疏特性，在近场通信场景内使用压缩感知方法。具体来说，现有远场傅里叶变换的角度域字典矩阵本质上是对空间角度的均匀划分，保证远场信道在角度域的稀疏性。为适应球面波传播特性，可在均匀划分空间角度的基础上，额外增加对空间距离的非均匀划分，并保证码字在距离域维度上采样尽可能少，从而同时提取信道在“角度-距离”两个维度（极坐标域）上的信息，构建近场极坐标域码本。基于菲涅尔近似可证明，提出的极坐标域表示方法可适配近场传播环境，保证近场信道的极坐标域稀疏性[145]。通过将信道从空域转化为极化域，并利用近场信道在极化域中的稀疏性，利用压缩感知实现低导频开销的信道估计。 文献[146]利用给定观测信号时球面波传播角度和距离的耦合性，构建距离参数化角域稀疏字典来表示近场信道，并进一步提出联合字典学习和稀疏恢复算法进行角度和距离估计，重构近场信道。提出的近场信道表示方法将距离作为参数，仅在角度域进行采样构建字典，很好的解决了极坐标域方法存在的高存储开销和高相干性问题，如图5.2 所示。考虑到极坐标域方法在字典构建上存在的困难，[147]中进一步提出基于模型的深度学习近场信道估计方法，此方法从观测数据中学习一个较小的稀疏字典来表示近场信道，并利用基于学习的迭代收缩阈值算法实现信道参数的稀疏恢复。

除了构建近场极坐标域的码本来保证近场信道的稀疏性，[148]中通过构建一个波前转换矩阵，将近场信道转换到逼近于远场信道、甚至于成为远场信道，然后采用离散傅里叶变换（DFT）矩阵将信道投影到角度域上，保证信道的稀疏性。不同于远场信道的结构，现有的近场信道包含了额外的距离矩阵，即不同天线阵列单元的相位偏差。为了缓解相位偏差的影响，可以基于近场信道和远场信道的结构特征，构建一个垂直于远场导向矢量矩阵所在空间的行满秩矩阵，通过矩阵运算得到一个满秩矩阵，同时提取并归一化满秩矩阵的对角元素，作为构建的波前转换矩阵。在天线数量足够大的时候，波前转换矩阵与角度和距离有关，同时信道的估计误差将趋近于零[148]。

为了消除功率扩散带来的信道估计精度损失，[149]中提出了面向功率扩散消除的远近场信道估计方法。其对近远场信道进行联合角域-极化域变换：即压缩感知的变换字典同时包括了近场导向矢量和远场导向矢量。如图 5.3 所示，对于天线覆盖的近场范围，利用近场导向矢量对方向和距离进行二维采样；对于远场区域，利用远场导向矢量对方向进行一维采样。在每次迭代中，都检测到一条远场/近场路径在角度域/极化域中的变换值（呈现单峰，可采用传统 OMP 方法检测得到），据此可估计并消除该路径在另一个域中的功率扩散范围，避免对后续检测造成干扰。由于第一次迭代时，变换值对应单峰幅度大于其他路径功率扩散范围的幅度大小，因此可以正确检测该路径，保证迭代顺利执行。 基于辐射近场信道在极化域的稀疏性和深度学习算法在信道估计方面的高性能表现，[150]中提出了两种信道估计方案，即基于极化域多重残差密集网络（polar-domain multiple residual dense network，P-MRDN）和极化域多尺度残差密集网络（polar-domain multi-scale residual dense network，P-MSRDN）的信道估计方案。同时，将所提出的方法和极化域的正交匹配追踪算法（polar-domain orthogonal matching pursuit，P-OMP）对比[145]，分析了信道稀疏性对传统算法和深度学习算法性能的影响。

传统的基于 MRDN [151]的信道估计方案。该方案旨在通过快速傅里叶变换将接收信号转换到角度域，从而充分利用信道在角度域中的稀疏性。然后，通过MRDN在角度域中恢复远场稀疏信道，其中，MRDN 的组成模块如图 5.6 所示。然而，近场信道在角度域的稀疏性并不显著。相反，类似于远场信道在角度域的稀疏性，辐射近场信道在极化域中表现出一定的稀疏性。 如图 5.5 所示，为了利用近场系统中的极化域信道稀疏性，其提出的基于P-MRDN的信道估计方案采样极化域变换（polar-domain transform，PT）将接收信号转换到极化域中，这类似于角度域变换。基于 MRDN 和基于 P-MRDN 的信道估计方案之间的关键区别在于它们利用固有信道稀疏性的方法不同。基于 MRDN 的信道估计方案将信道转换到角度域中，利用远场中的角度域稀疏性。相反，基于 P-MRDN 的信道估计方案将信道转换到极化域中，利用信道在辐射近场的极化域稀疏性。为了进一步提高信道估计的精度，其定义了ASPP和RDN 的并行模块，称为基于 ASPP 的 RDN（atrous spatial pyramid pooling-based residual dense network，ASPP-RDN），如图 5.6 所示。通过将 ASPP 结合到所提出的P-MRDN中，新的信道估计方案可以实现更高的归一化均方误差（normalized mean-square error，NMSE）性能。

此外，近场信道的另一个特性是空间非平稳性，即不同天线子阵列具有不同的可视区域（visibility region，VR），这使得传统忽略信道非平稳的波束赋形方案性能下降[152]。如图5.7 所示，VR 可定义为用户-散射体之间的可视区域和散射体-阵列之间的可视区域。空间非平稳效应的形成原因包括：用户到不同天线的路径损耗不相等，由于阵列尺寸过大，当用户与阵列之间的距离小于菲涅耳距离时，由于球面波传播特点，距用户较远的天线能量较弱；障碍物遮挡引起的信道功率分布不均，不同于远场情况下整个信道都可能会被树木等障碍物遮挡，在近场或菲涅耳区域的用户，其信道中只有基站阵列的部分区域被障碍物遮挡，遮挡引起了信道功率分布不均。可以预想的是，当用户和具有较大物理尺寸的超大规模天线阵列通信时，仅有一部分观测到较好信道环境的子阵列能够接收到绝大多数的信号能量，而大部分阵列由于相对该用户的距离、角度等因素不够理想，可能仅仅接收到微弱的信号能量。

为了获取空间非平稳条件下的近场信道状态信息，需要从阵列侧和用户侧两个维度实现超大规模阵列 VR 识别。针对阵列侧的 VR 识别问题，若仅存在单一用户且基站端采用全数字射频前端，则对应 VR 可以通过上行发送导频信号，并在接收端测量阵列单元对应的功率获取[139][153]。然而，由于近场效应通常出现在基于混合预编码架构的超大规模阵列系统中，直接获取每个天线单元对应的接收信号功率难度较大。为此，[154]考虑了基站采用子阵列架构下的 VR 识别问题，首先利用参数化信道重构算法估计得到近场信道参数，随后结合重构信道和接收信号估计得到 VR 范围。超大规模 RIS 同样可作为超大规模MIMO系统的实现方式之一，超大规模 RIS 的使用同样会引入近场空间非平稳特性。为此[155]考虑了超大规模 RIS 中的 VR 识别问题：首先估计得到用户-RIS-基站的级联信道，随后利用VR的能量特性，根据重构信道的能量判决得到 VR 的范围。针对用户侧的VR 识别问题，文献[156]将 VR 作为一地理上的区域，且与阵列上的特定天线单元集合相对应，即当用户位于VR 内部时，其信号可以被阵列上的特定天线单元接收；当用户进入另一VR 区域时，信号可以被阵列上的其他特定天线单元集合接收到。文献[156]通过选择少量信标用户的VR信息作为环境先验信息，并在此基础上设计了位置 VR 识别网络，利用训练完成的网络，以较低的复杂度识别用户侧 VR。

2.近场波束赋形

波束赋形是一种通过利用天线阵列将无线信号导向特定的接收器的技术。它可以通过从不同的天线发射具有不同幅度和相位的信号，在接收器处产生相长有用信号或相消干扰，从而增强所需信号和减少干扰来提高无线通信的质量、容量和可靠性。然而，在现有远场无线通信系统中，由于电磁波前是平面的，波束赋形只能在角度（方向）一个维度上控制信号传播。不同于远场，在近场通信环境下，通过利用球面波传播特性，近场波束赋形（波束聚焦）技术能够将信号能量聚焦在空间特定位置上，实现在角度和距离两个维度上控制信号传播[157][158]。近场波束赋形（波束聚焦）提供了一种新型的多用户干扰控制机制。

在已知 CSI 的情况下，近场波束赋形设计仍可采用传统 MIMO 波束赋形设计方法，比如最大比率传输（Maximum Ratio）、迫零传输（Zero-Forcing）和最小均方差传输（Minimum-Mean Square Error），以实现空间复用。相较于远场平面波传播，近场球面波传播能大幅增强空间复用能力。具体而言，如图 5.8 所示，在远场环境中，不同用户的信道随着天线阵列尺寸的增大只在角度域逐渐趋于正交。这种正交性由波束宽度所决定。但当用户位于近场时，用户信道的渐进正交性不仅存在于角度域，还存在于距离域。这种正交性同时由波束宽度和波束深度所决定[159]。因此，在近场情况下，波束赋形能够同时将波束聚焦于特定的角度和距离，实现更高自由度的空间复用能力，有效抑制用户间干扰，促进多用户接入。

在多天线宽带系统中存在双重宽带效应，一是由多径效应引发的频率宽带效应，二是由于大天线孔径带来的空间宽带效应。频率宽带效应导致近场信道具有频率选择性，造成了严重的码间串扰问题。这类挑战可以通过多种现有技术有效解决，例如带有循环前缀的正交频分复用技术（Orthogonal Frequency Division Multiplexing，OFDM）。空间宽带效应则使不同的子载波以不同的角度和距离“观察”用户位置。在收发机使用低功耗的混合数字模拟波束赋形架构时，可能出现波束斜视或波束分裂问题。具体来说，传统模拟波束赋形使用不具备频率选择性的相移器来形成波束，无法针对不同的子载波生成差异化波束，因此无法使波束在不同的子载波上精准定位用户。为应对这类难题，[159]和[160]提出了一种全连接时延- 相移混合波束赋形架构，如图 5.9 所示。这一架构通过引入适量的真实时延器，辅助实现随频率变化的波束，有效克服了波束斜视和波束分裂问题。

然而，在近场通信中，为确保一定规模的近场范围，通常需要天线阵列具备较大的孔径，这对于真时延器的可实现最大时延提出了严格的要求。针对此问题，[161]和[162]分别提出了部分连接和串行连接时延-相移波束赋形架构（如图 5.10 和图 5.11 所示），以降低最大延迟需求，从而减少硬件成本和复杂度，具体如下：  部分连接时延-相移波束赋形[161]：在此架构中，每个射频链通过真时延器和相移器连接到部分天线子阵列。因此，每组真时延器只需要克服每个子阵列的波束斜视和波束分裂现象。由于每个子阵列具有较小的孔径，真时延器的最大时延需求可以大大降低。然而，由于每个射频链无法充分利用整个天线阵列，这种架构可能会带来不可避免的性能损失。 串行连接时延-相移波束赋形[162]：这种架构仍然采用全连接方式，但真时延器不再以并联方式独立工作，而是串联在一起。因此，该架构能够利用多个具有低时延的真时延器来累积较大的时延，有效克服大孔径天线阵列的波束斜视和波束分裂问题。然而，这种串联连接方式同时引入了累积的插入损耗，因此需要设计具有低插入损耗的新型真时延器。

若考虑近场非平稳条件，在获取非平稳条件下信道状态信息后，可利用主导用户接收功率的天线可见区域 VR 设计预编码。考虑到天线 VR 相比于整个超大规模阵列能够具有显著低的天线数目，基于 VR 设计的预编码能够显著降低算法求逆运算等操作的复杂度。文献[105]提出可基于近场信道表达式，计算各子阵列的接收功率闭式表达式，从而找到在接收信号过程中起主导作用的子阵列集合。随后，基于获取的 VR 信息，重构VR对应各用户的信道，即可设计基于 VR 的低复杂度预编码。同时，由于阵列VR 能够接收到绝大多数的信号能量，此算法能够实现与基于全阵列接收信号预编码相似的性能。阵列VR在降低近场预编码复杂度上仍然存在潜在的利用空间。超大规模阵列具有服务大量用户的能力，考虑到用户在空间上的分散分布，各用户可能具有不同的天线 VR。因此，可基于图论最大独立集算法，将具有相似 VR 的用户分为一组，并基于部分干扰迫零算法进行组内干扰消除。相比于对全部大量用户进行迫零干扰消除，基于用户分组的部分干扰迫零算法能够进一步降低预编码复杂度。由于存在较小 VR 重叠的用户组之间仅存在微小的组间干扰，组内干扰消除算法能够实现与全用户干扰消除极为接近的系统性能[105]。同时，[163]中也提出了一种通过利用有效利用基站通过信道估计获得的用户可视区域分布信息来进行波束赋形设计的方案。通过在基站处使用基于子阵列的分布式预编码，可有效利用信道的非平稳特性，能够实现更高的频谱效率，并且基于 randomized Kaczmarz (rKA)算法设计的低复杂度接收机能够实现性能和复杂度的折中。

文献[164]设计了相控阵-RIS 两级波束赋形方案，如图 5.13 所示。其中相控阵作为RIS的馈源，用于对 RIS 馈电；透射式 RIS 用于将入射波向装备传统天线阵列的用户传输。具体来说，各相控阵子阵将已预编码的数据流经波束赋形向 RIS 发射。当RIS 尺寸足够大时，可以通过控制相控阵波束方向调整 RIS 上的入射波功率分布，从而选择性激活特定位置的RIS 阵元。下一步，通过调控被激活的 RIS 阵元的相位使 RIS 透射波束指向用户方向，达到相干的波束赋形传输。上述相控阵-RIS 两级波束赋形方案在发射天线物理位置不变的条件下，等效的实现了孔径调节，从而可以使 LoS MIMO 信道正交化，以获得较高的空间复用增益和传输性能。此外该方案还可以降低发射机天线的成本和功耗，提高能量效率；同时极大简化基带空域信号处理，实现不依赖发端信道状态信息的传输。

3.近场码本设计

目前近场码本设计主要面临三大挑战。第一是在实际应用当中，近场现象往往伴随超大规模阵列出现。而超大规模阵列对空间的分辨率更高，导致需要更多的码字才能覆盖全部近场空间。这使得近场码本设计体量巨大，波束训练耗时较长。第二是近场码本需要从方向和距离两个变量上区分空间，导致出现乘性时间复杂度，进一步扩大了近场码本体量。第三是近场空间难以正交分解。空间的正交分解主要包含两个要素，即单个码字之间的空间要相关，不同码字之间的空间要正交。而由于近场波束的不规则形状，导致这两个条件往往顾此失彼。若码字内空间的相关性没有满足，则会导致码本无法覆盖全近场空间，会出现近场盲区。若码字间的正交性没有满足，则会使得部分空间被多个码字覆盖，码本存在冗余现象。

在现有 5G NR 协议中，用于指示 CSI 信息的预编码矩阵指示（Precoding Matrix Indicator，PMI）码本采用 DFT 向量作为构造码字的基本单元，可以视作对角度域的均匀量化。当考虑用户位于近场的场景，可以采用分数傅里叶变换（Fractional Fourier Transform，FRFT）向量作为基本码字构造单元[165]。具体来说，如图 5.14 所示，在 ULA 场景中，码字为对(sinθ, cos 2θ/r)两个域采样得到的 FRFT 向量；而 UPA 场景对应(sinθcosΦ, sinθsinΦ, 1/r)域的采样。当所述经过变换后的距离域信息反馈值为 0 时，FRFT 码字退化为DFT码字，保持对已有 PMI 码本方案的兼容性。通过分析近场导向向量与码字的相关性可以发现，对所述变换域的等间隔均匀采样保证了相关性函数分布的均匀、对称、单调特性，由此可以得到包括近场、远场在内的混合场的最大量化误差。同时，该相关性函数可以用二次多项式表示，即相关性等高线为椭圆。基于此可以分析得到变换域的最佳采样间隔。理论分析表明，在码本大小受限的情况下，应优先对角度域进行量化，近场引入的距离域只需要少量的采样，额外增加 1~3 比特反馈开销。除了在变换域等间隔采样获得近场码本以外，还可以在距离域进行如下图 5.15 所示的“角度错位”采样。理论分析表明，这种新型码本设计方式能够保证和均匀采样相同的量化性能，但码本大小仅仅是对比方案的 77%。

5G NR 基于离散傅里叶变换(DFT)向量进行码本设计，如图 5.16(a)所示。但若将DFT码本直接应用于近场波束赋形，则会由于与近场信道的不匹配，导致出现严重的信噪比损失。与之相反，以球面波前假设为基础的波束聚焦(beam focusing)可以形成近场信道的最佳相干波束赋形器，如图 5.16(d)所示。但理想的波数聚焦码字不仅难以参数化描述，而且无法针对常见的均匀矩形面阵的两个维度以克罗内克积的形式分别描述。因此，应考虑为大孔径MIMO 天线阵列设计新的近场码本。

工业界提出了两种适用于近场波束赋形的码本。第一种称为两步波束赋形(two-stepbeamforming) [166]，该码本的基本原理为，将大孔径 MIMO 天线阵列划分为若干较小的子阵，使用户处于单个子阵的远场，从而可以在子阵内使用 DFT 波束。该码本的构造方法为：第一步先为整个阵列选择一个指向用户方向的 DFT 波束；第二步再将每个子阵的子波束依该子阵与阵列参考点的相对位置偏转一定角度，同时为每个子阵配置一个初始相位，以补偿球面波前导致的相位差。该码本容易实现，并且兼容多子阵天线架构。第二种称为环形码本(ring-type codebook) [167]，该码本为双层结构：第一层为基于菲涅尔原理设计的环形向量聚焦层；第二层为 DFT 向量偏转层，兼容 DFT 码本。基于用户相对阵列参考点的距离信息，环形码本的第一层用于指示形成一个法线聚焦波束，该波束将焦点聚焦在用户所处的焦平面上。而后使用码本第二层的 DFT 向量将第一层形成的聚焦波束沿焦平面偏转一定角度指向用户。相比两级波束赋形，该码本聚焦更准确，增益更高。而且该码本在低比特数相位量化下仍然能达到较优的性能。