06-6G毫米波技术演进

5G及迈向6G的毫米波通信系列 第6篇：6G毫米波技术演进

摘要

本文将带你深入了解毫米波技术在6G时代的前沿发展，帮助你掌握未来移动通信的关键技术方向。你将学到6G频谱格局、宽带操作挑战、智能反射表面、全双工通信、通感一体化、AI/ML赋能以及拓扑增强技术等内容。

---

本文由”51学通信”（公众号：51学通信，站长：爱卫生）原创分享。如需深入交流或获取更多通信技术资料，欢迎添加微信：gprshome201101。

---

学习目标

阅读完本文后，你将能够：

• 前沿认知能力：理解6G毫米波的技术前沿和发展方向
• 技术分析能力：分析新兴技术的潜力和挑战
• 系统视野能力：把握6G网络架构的演进趋势
• 创新思维能力：思考技术融合带来的新机遇

---

一、6G频谱格局与新兴挑战

1.1 频谱资源演进

6G系统将探索和使用更高频率的频谱资源，包括毫米波的高频段（如100GHz以上）和太赫兹频段（0.1-10THz）。

频谱分层：

1. FR2频段扩展：将5G的FR2频段（24.2-52.6GHz）扩展到71GHz
2. 新毫米波频段：探索100-300GHz频段
3. 太赫兹频段：开发0.1-1THz窗口，最终达到10THz

频谱特性对比：

频段	覆盖能力	带宽潜力	技术成熟度	标准化进展
Sub-6GHz	极强	有限	非常成熟	已完成
24-52GHz	较弱	丰富	成熟	已完成
52-71GHz	弱	很丰富	较成熟	进行中
100-300GHz	很弱	极丰富	研发中	早期研究
太赫兹	极弱	超丰富	早期研究	概念阶段

51学通信认为：6G频谱策略将采用”分层覆盖、按需使用”的原则。Sub-6GHz提供基础覆盖，毫米波提供容量增强，太赫兹用于特定场景（如超高速率短距通信）。这种多层次频谱架构可以满足不同场景的需求，最大化频谱资源的使用效率。

1.2 新兴挑战

随着频率向更高频段扩展，6G毫米波和太赫兹系统面临新的挑战：

大气吸收：在60GHz、120GHz、183GHz等频率附近存在氧气和水汽的强吸收峰，在这些频率附近进行通信需要特别考虑大气衰减。

相位噪声：频率越高，振荡器的相位噪声越严重，对高阶调制的解调性能影响越大。

功放效率：频率越高，功率放大器的效率越低，这对系统的功耗和散热提出了更高要求。

flowchart TD
    Challenge[6G高频段挑战] --> Atmos[大气吸收<br>特定频率峰]
    Challenge --> PhaseNoise[相位噪声<br>频率越高越严重]
    Challenge --> PA[功放效率<br>高频段效率低]
    Challenge --> Hardware[硬件实现<br>工艺限制]

    Atmos --> A1[60GHz: O2峰]
    Atmos --> A2[120GHz: O2峰]
    Atmos --> A3[183GHz: H2O峰]

    PhaseNoise --> PN1[影响高阶调制]
    PhaseNoise --> PN2[需要补偿算法]

    PA --> Eff[效率<10%]
    Eff --> Heat[功耗散热挑战]

    Hardware --> Process[半导体工艺限制]
    Hardware --> Integration[集成度限制]

    style Challenge fill:#e1f5fe
    style Atmos fill:#ffcdd2
    style PhaseNoise fill:#fff9c4
    style PA fill:#ff8a65
    style Hardware fill:#b39ddb

图表讲解：这张图展示了6G高频段面临的四大类挑战。大气吸收在特定频率（60GHz、120GHz、183GHz）出现峰值，这些频率附近的通信会受到严重衰减。相位噪声随频率增加而恶化，影响高阶调制的解调性能。功放效率在高频段急剧下降到10%以下，导致功耗和散热挑战。硬件实现受到半导体工艺和集成度的限制，需要突破性的技术进步。理解这些挑战对于6G系统的设计和部署至关重要：不是所有高频段都适合通信应用，需要仔细选择频率窗口并开发相应的补偿技术。

二、宽带操作挑战

2.1 宽带信号处理

6G系统将支持超大带宽（可能是5G的10倍以上），这对信号处理提出了巨大挑战。

宽带操作的影响：

1. 采样率：大带宽需要高采样率的ADC/DAC，功耗和复杂度急剧上升
2. 数字处理：高采样率导致数字信号处理的数据量剧增
3. 存储需求：信道状态信息、预编码矩阵等的存储需求增加

宽带解决方案：

• 子带处理：将宽带划分为若干子带，分别处理
• 压缩感知：利用信道的稀疏性降低采样和处理需求
• 混合架构：结合模拟和数字处理，降低对全数字处理的需求

2.2 宽带功放线性化

宽带信号的峰均比（PAPR）较高，对功放的线性度提出了更高要求。

线性化技术：

1. 数字预失真（DPD）：在基带对信号进行预失真，补偿功放的非线性
2. Doherty架构：提高功放在回退条件下的效率
3. 包络跟踪（ET）：根据信号包络动态调整功放供电电压

51学通信提示：宽带DPD是6G系统的关键技术之一。由于带宽很大，传统的DPD算法复杂度急剧增加。需要开发新的低复杂度DPD算法，可能利用机器学习技术来降低复杂度。

2.3 宽带波束成形

宽带波束成形面临频率敏感性的挑战：不同频率的波长不同，相同的相移对应不同的波束方向。

宽带波束成形方法：

1. True-Time Delay：使用真时延（TTD）单元代替相移器，实现频率不变的波束方向
2. 子带波束成形：将宽带划分为若干子带，每个子带独立设计波束成形权重
3. LFMCW波形：使用线性调频连续波，自然实现宽带波束成形

三、智能反射表面

3.1 RIS基本原理

智能反射表面（RIS，Reconfigurable Intelligent Surface）是6G网络的一项关键技术，通过大量低成本无源反射单元来实现对电磁环境的智能调控。

RIS组成：

• 反射单元：可调阻抗的无源单元
• 控制单元：调整每个反射单元的相移
• 控制器：根据信道状态优化RIS配置

RIS工作原理：

$$\mathbf{y}=({\mathbf{H}}_d+{\mathbf{H}}_r\mathbf{\Theta })\mathbf{x}+\text{mathsymbol}\omega$$

其中${\mathbf{H}}_d$是直射信道，${\mathbf{H}}_r$是RIS反射信道，$\mathbf{\Theta }$是RIS的对角相位矩阵，$\mathbf{\omega }$是噪声。

3.2 RIS应用场景

RIS在6G网络中有多种应用场景：

覆盖增强：在信号被遮挡的区域部署RIS，通过智能反射恢复覆盖。

容量提升：通过RIS创建额外的有效路径，提升空间复用能力。

功耗降低：RIS是无源器件，不需要射频链路，可以显著降低网络功耗。

flowchart LR
    BS[基站] --> Direct[直射路径<br>被遮挡]
    BS -.->|信号弱| UE[用户]

    BS --> RIS[智能反射表面]

    RIS --> Reflect[智能反射<br>重建链路]

    Reflect --> UE

    RIS --> Control[控制器]
    Control --> CS[信道状态获取]
    Control --> Opt[相位优化]

    style BS fill:#e1f5fe
    style RIS fill:#c8e6c9
    style UE fill:#fff9c4
    style Direct fill:#ffcdd2
    style Reflect fill:#e8f5e9

图表讲解：这张图展示了RIS在覆盖增强场景中的应用。基站到用户的直射路径被建筑物遮挡，导致信号微弱。通过在合适位置部署RIS，可以建立智能反射路径，重建基站与用户之间的链路。RIS的控制器负责获取信道状态信息并优化每个反射单元的相位配置，以最大化接收信号功率。RIS的应用可以显著改善毫米波网络的覆盖问题，特别是在遮挡严重的场景。理解RIS的工作原理对于设计6G网络至关重要。

3.3 RIS设计挑战

RIS的设计面临以下挑战：

相位分辨率：相位分辨率（位数）影响波束成形性能，需要在性能和复杂度之间权衡。

带宽限制：当前的RIS大多是窄带的，如何设计宽带RIS是一个研究热点。

信道获取：RIS本身是无源的，如何获取RIS辅助的信道状态信息是挑战。

优化算法：RIS单元数量可能很大（如256×256），如何高效优化相位配置是关键。

51学通信建议：RIS是6G网络的一项关键技术，但目前仍处于研究阶段。未来的研究方向包括宽带RIS设计、全息MIMO、RIS与AI的融合等。随着技术成熟，RIS有望在6G网络中发挥重要作用。

四、全双工通信

4.1 全双工基本概念

全双工（Full-Duplex）通信是指在同一频率上同时进行发送和接收的技术，理论上可以将频谱效率提升一倍。

全双工挑战：

1. 自干扰：发射信号会严重干扰本机的接收信号，自干扰功率可能比有用信号高60-100dB
2. 器件隔离：发射和接收通路之间的隔离度有限
3. 线性度要求：对器件线性度要求极高

自干扰抑制技术：

1. 天线隔离：通过天线设计提高发射和接收之间的隔离
2. 模拟抑制：在射频域进行自干扰抑制
3. 数字抑制：在数字域进行自干扰消除

4.2 全双工在毫米波的应用

毫米波频段为全双工应用提供了独特优势：

天线隔离：毫米波波长极短，可以通过精巧的天线设计实现更高的隔离度。

波束域隔离：利用窄波束的特性，发射和接收波束在空间上分离。

挑战：

1. 相位噪声：全双工对相位噪声更加敏感
2. 线性度：毫米波功放线性度差，自干扰更难抑制
3. 带宽：大带宽使得自干扰抑制更复杂

五、通感一体化（JCAS）

5.1 JCAS基本概念

通感一体化（JCAS，Joint Communication and Sensing）是6G网络的一项重要使能技术，将通信和感知功能融合在同一系统中。

JCAS优势：

1. 频谱效率：通信和感知共享频谱资源
2. 硬件共享：共享天线、射频链路等硬件资源
3. 协同增强：通信和感知可以相互增强性能

JCAS应用场景：

1. 智能交通：车辆定位、防撞检测
2. 增强现实：环境感知与定位
3. 安防监控：入侵检测、目标追踪
4. 工业互联网：设备定位、环境监测

5.2 JCAS波形设计

JCAS波形设计需要同时满足通信和感知的需求：

通信导向波形：以OFDM等通信波形为基础，增加感知功能

感知导向波形：以雷达波形为基础，增加通信功能

联合波形：全新设计，同时优化通信和感知性能

flowchart TD
    JCAS[通感一体化] --> Waveform[波形设计]

    Waveform --> Comm[通信导向<br>OFDM扩展]
    Waveform --> Sense[感知导向<br>雷达波形扩展]
    Waveform --> Joint[联合波形<br>全新设计]

    Comm --> CAdv[优势: 兼容性好]
    Comm --> CDis[劣势: 感知性能受限]

    Sense --> SAdv[优势: 感知性能好]
    Sense --> SDis[劣势: 通信性能受限]

    Joint --> JAdv[优势: 性能最优]
    Joint --> JDis[劣势: 复杂度高]

    style JCAS fill:#e1f5fe
    style Waveform fill:#fff9c4
    style Comm fill:#c8e6c9
    style Sense fill:#e1bee7
    style Joint fill:#ffcdd2

图表讲解：这张图展示了JCAS波形设计的三大类方法及其权衡关系。通信导向波形以OFDM等通信波形为基础，通过扩展增加感知功能，优势是兼容性好，但感知性能受限。感知导向波形以雷达波形为基础，增加通信功能，优势是感知性能好，但通信性能受限。联合波形是全新设计，同时优化通信和感知性能，优势是性能最优，但复杂度高。选择哪种波形设计方法取决于应用场景和性能需求。对于6G系统，可能需要在不同场景使用不同的波形设计方法。

5.3 JCAS硬件架构

JCAS硬件架构需要支持通信和感知的协同工作：

共享架构：

• 天线共享：同一套天线阵列用于通信和感知
• 射频链路共享：通信和感知共享射频链路
• 数字处理共享：基带处理单元同时处理通信和感知信号

分离架构：

• 独立天线：通信和感知使用独立天线阵列
• 独立射频链路：通信和感知使用独立射频链路
• 独立数字处理：通信和感知使用独立处理器

混合架构：

• 部分硬件共享，部分硬件独立
• 在性能和成本之间取得平衡

六、AI/ML赋能的毫米波解决方案

6.1 AI在信道估计中的应用

毫米波信道的稀疏多径特性使得信道估计相对简单，但AI/ML可以进一步提升性能：

增强信道估计：

• 压缩感知：利用信道的稀疏性，从少量测量中恢复信道
• 深度学习：通过神经网络学习信道特征，提升估计精度
• 迁移学习：利用在不同场景学习的模型适应新环境

51学通信认为：AI/ML在毫米波信道估计中的应用潜力巨大。传统的信道估计算法（如最小二乘、MMSE）虽然性能良好，但复杂度较高且需要精确的统计信息。AI/ML方法可以通过学习大量数据自动提取特征，在降低复杂度的同时提升性能。

6.2 AI在波束管理中的应用

波束管理是毫米波系统的关键挑战，AI/ML可以提供智能化的波束管理方案：

波束预测：通过机器学习预测最佳波束方向，减少波束搜索时间

波束跟踪：通过深度学习跟踪波束变化，适应用户移动和环境变化

波束调度：通过强化学习优化多用户波束调度，提升系统容量

sequenceDiagram
    autonumber
    participant Env as 环境
    participant Sense as 感知模块
    participant AI as AI/ML模型
    participant Beam as 波束管理

    Note over Env,Beam: AI赋能的波束管理流程

    Env->>Sense: 1. 信道变化<br>用户移动/环境变化

    Sense->>AI: 2. 特征提取<br>CSI/RSRP/DoA

    AI->>AI: 3. 模型推理<br>预测最佳波束

    AI->>Beam: 4. 波束调整指令

    Beam->>Env: 5. 应用新波束

    Beam->>Sense: 6. 性能反馈

    Sense->>AI: 7. 模型更新<br>在线学习

    Note over Env,Beam: 智能闭环优化

图表讲解：这个序列图展示了AI赋能的波束管理闭环流程。当环境发生变化（用户移动、环境改变）时，感知模块收集信道状态信息（CSI、RSRP、DoA等）并提取特征。AI/ML模型基于提取的特征进行推理，预测最佳波束方向。波束管理模块根据AI的预测调整波束，然后收集性能反馈。这个反馈信息可以用于AI模型的在线学习和更新，形成智能闭环优化。这种AI赋能的波束管理可以显著提升毫米波系统的性能，减少波束搜索时间，快速适应环境变化。

6.3 AI在资源分配中的应用

AI/ML可以优化毫米波网络的资源分配，提升系统效率：

功率分配：通过强化学习优化各用户的功率分配，最大化能效

子带分配：通过图神经网络优化子带分配，提升频谱效率

用户调度：通过多臂老虎机算法优化用户调度，提升公平性和容量

七、拓扑增强技术

7.1 分布式MIMO

分布式MIMO（Distributed MIMO）将多个地理位置分布的接入点协同服务用户，形成虚拟大规模MIMO阵列。

优势：

• 覆盖增强：多个接入点可以覆盖更大范围
• 容量提升：虚拟大规模阵列提供更高的阵列增益
• 可靠性增强：多个接入点提供分集增益

挑战：

• 同步要求高：需要精确的时间和频率同步
• 回传需求大：需要高速回传连接
• 算法复杂度高：联合处理算法复杂

7.2 无小区架构

无小区（Cell-Free）架构是分布式MIMO的极端形式，大量接入点协同服务用户，完全消除了小区边界。

优势：

• 消除小区边界干扰：没有小区切换，用户体验平滑
• 宏分集增益：用户始终接收来自多个接入点的信号
• 资源利用率高：所有资源可以灵活分配

挑战：

• 同步要求极高：需要纳秒级的时间同步
• 回传容量需求极大：需要极高速的回传网络
• 算法实现极其复杂：联合处理需要全局优化

51学通信提示：无小区架构是6G网络的一个潜在方向，但目前仍处于研究阶段。实现无小区架构需要在同步、回传、算法等多个方面取得突破。随着技术的进步，无小区架构有望逐步走向实用化。

核心概念总结

概念名称	定义	6G中的作用	挑战
频谱分层	多层频谱架构	满足不同场景需求	频谱协调
RIS	智能反射表面	覆盖增强、功耗降低	信道获取、优化
全双工	同频同时收发	频谱效率翻倍	自干扰抑制
JCAS	通感一体化	新应用场景	波形设计、硬件架构
AI/ML	人工智能/机器学习	智能化网络	数据需求、算法复杂度
无小区架构	消除小区边界	极致性能	同步、回传、算法

常见问题解答

Q1：6G为什么需要探索太赫兹频段？

答：6G探索太赫兹频段的主要原因是寻求更多的频谱资源。随着移动通信业务量的持续增长，Sub-6GHz和毫米波频段的资源逐渐趋于饱和，太赫兹频段拥有极其丰富的频谱资源（可能达到数十GHz的连续带宽），可以支持极高容量的通信。此外，太赫兹频段在感知、成像等领域也有独特优势，可以实现通信与感知的融合。但太赫兹频段也面临巨大挑战，如大气吸收严重、硬件实现困难、覆盖范围极小等，需要在材料、器件、系统等多个层面取得突破。

Q2：智能反射表面（RIS）如何工作？

答：智能反射表面（RIS）由大量低成本的无源反射单元组成，每个单元可以独立调整其反射相位。当电磁波照射到RIS上时，各单元的反射波在某些方向上相干叠加，在其他方向上相互抵消，从而实现波束成形的效果。RIS不产生新的信号，只是重新分配现有信号的能量方向。通过优化RIS的相位配置，可以增强目标用户的接收功率，或抑制干扰信号。RIS的优势是成本低、功耗小、易部署，适合大规模部署，是6G网络覆盖增强的潜在关键技术。

Q3：全双工通信在毫米波频段有什么优势和挑战？

答：全双工通信在毫米波频段的优势在于可以利用极短的波长实现更好的天线隔离，以及利用窄波束特性实现波束域隔离。理论上，全双工可以将频谱效率提升一倍，在频谱资源紧张的毫米波频段尤为有价值。但全双工也面临巨大挑战，最主要的是自干扰抑制：毫米波功放的线性度差，自干扰更加严重；大带宽使得自干扰抑制更复杂；相位噪声对全双工性能的影响更大。因此，毫米波全双工的实现需要突破性的自干扰抑制技术。

Q4：通感一体化（JCAS）有什么应用价值？

答：通感一体化（JCAS）在6G网络中有广泛的应用价值。首先，JCAS可以实现通信与感知功能的融合，提升频谱效率和硬件利用率。其次，JCAS可以催生新的应用场景，如智能交通中的车辆定位和防撞、增强现实中的人机交互、工业互联网中的设备定位和环境监测等。第三，JCAS可以通过感知功能辅助通信网络优化，如通过环境感知优化波束管理、通过用户定位优化资源分配。JCAS代表了6G网络从单纯通信向通信+感知融合的转变，是6G网络的重要创新方向。

Q5：AI/ML如何赋能毫米波网络？

答：AI/ML可以在多个方面赋能毫米波网络。在信道估计方面，AI/ML可以利用信道稀疏性从少量测量中恢复信道，提升估计精度和速度。在波束管理方面，AI/ML可以预测最佳波束方向、跟踪波束变化、优化多用户波束调度，显著提升波束管理效率。在资源分配方面，AI/ML可以优化功率分配、子带分配和用户调度，提升系统容量和能效。在故障诊断方面，AI/ML可以通过分析网络数据快速定位和解决问题。总的来说，AI/ML可以使毫米波网络更加智能化、自适应和高效，是6G网络的重要使能技术。

结语

至此，我们完成了5G及迈向6G的毫米波通信系列的全部六篇文章。我们从毫米波通信的基础知识开始，逐步深入到信道建模、天线与射频约束、链路级设计与性能优化、系统级部署与优化，最后展望了6G毫米波技术的前沿发展。

毫米波技术是5G和6G网络的关键组成部分，它提供了海量的频谱资源、极高的带宽容量和强大的空间复用能力。虽然面临传播损耗大、覆盖范围有限、遮挡敏感等挑战，但通过大规模天线阵列、波束成形、混合预编码、智能反射表面、AI/ML赋能等技术，这些挑战正在被逐步克服。

6G时代的毫米波技术将继续向更高频率、更宽带宽、更智能化方向发展。通感一体化、全双工通信、无小区架构等新技术将进一步提升毫米波系统的性能和效率。随着技术的不断成熟和创新应用，毫米波将在6G网络中发挥更加重要的作用。

感谢您跟随本系列的学习！希望这些文章能够帮助您建立起对毫米波通信的完整认知框架，为您的工作和学习提供有价值的参考。

---

本文由”51学通信”（公众号：51学通信，站长：爱卫生）原创整理。

微信交流：gprshome201101