毫米波异构天线系统中的波束管理创新方案

1. 异构天线系统中的波束管理挑战与创新方案

在毫米波通信系统中，波束成形技术是实现高速数据传输的核心手段。然而，随着终端设备形态的多样化发展，天线配置呈现出显著的异构特性——不同设备可能采用不同尺寸的阵列（如3×3、5×5、7×7等）、不同的安装方位角（如车载多面板的旋转偏移）以及差异化的波束码本设计。这种异构性给传统波束管理带来了三大核心挑战：

1. 配置依赖性问题：传统方法需要为每种天线配置单独训练模型，当面对未见过的新配置时性能急剧下降。例如，基于固定阵列尺寸训练的模型在遇到更大尺寸天线时完全失效。

2. 实时性要求：在高速移动场景（如车载通信）中，波束相干时间可能短至2-3ms，而穷举搜索所有可能的波束组合需要测试Nr,y×Nr,z×P次（对于7×7阵列约49×3=147次），远超可用时间预算。

3. 多维度耦合：传播路径特性（如到达角、离开角、路径增益）与天线物理参数（如阵列尺寸、极化方式、面板朝向）高度耦合，难以直接分离建模。

针对这些挑战，我们提出了一种基于传播路径解耦的创新框架。其核心思想是将无线信道分解为两个独立部分：

• 传播特性：包括路径角度、时延、功率等与天线无关的固有属性
• 天线响应：取决于具体的天线配置（尺寸、方向、码本等）

通过这种解耦，系统只需学习传播特性与地理位置的关系，而天线响应可以通过物理公式实时计算。这使得模型能够泛化到未见过的天线配置，实现真正的"异构无关"波束管理。

2. 三阶段路径预测框架详解

2.1 阶段一：稀疏化到达角聚类预测

第一阶段网络f1,θ1的输入是经过CNN处理的位置特征zloc∈R256，输出是G=120个角度区间上的路径计数预测ĉi∈RG。其创新点在于采用了三种特殊的正则化损失：

1. KL散度损失：确保预测的路径数量分布与训练数据整体统计特性一致

   L_KL = KL_div(mean(ĉ_i), prior_path_count_distribution)

2. 计数损失：约束总路径数接近真实值

   L_count = |sum(ĉ_i) - true_total_paths|

3. 稀疏损失：通过ReLU函数惩罚超过阈值ρs=0.5的预测，促使网络聚焦于主要路径

   L_sparse = sum(ReLU(ĉ_i,g - ρs)) / G

这三个损失的加权组合（λKL=0.3, λcount=0.2, λsparse=0.05）使网络既能准确预测路径分布，又保持结果的物理合理性。实验表明，这种设计将角度预测误差降低了37%，同时使计算效率提升2.1倍。

2.2 阶段二：自回归的离开角索引预测

第二阶段采用创新的上下文累积机制预测离开角(AoD)索引。对于每个预测到的到达角(AoA)簇g，网络执行以下步骤：

1. 初始化上下文向量ccontext∈R60为零
2. 将AoA的one-hot编码eg与ccontext拼接，输入含残差连接的全连接网络
3. 通过softmax输出各AoD簇的概率分布，选择概率最高的gAoD
4. 更新上下文向量：ccontext[gAoD mod 60] += 1

这种设计实现了两个关键功能：

• 路径多样性：通过记录已预测的AoD方向，避免重复选择相同区域
• 动态调整：模运算允许不同物理角度映射到同一上下文维度，增强泛化能力

训练使用分类交叉熵损失，在测试中表现出85.6%的top-3预测准确率。值得注意的是，这种自回归方式仅需约15ms即可完成全部路径预测，比传统方法快6-8倍。

2.3 阶段三：基于Cholesky分解的路径矩阵重构

第三阶段将位置特征zloc与预测的角度信息(eAoA,eAoD)结合，输出路径矩阵的低维表示。关键技术亮点包括：

1. Cholesky因子预测：网络直接预测下三角矩阵Lℓ,i∈C4×4，通过R=LL*保证矩阵的正定性，无需额外约束

   L = tril(reshape(net_output, (4,4))) # 下三角化 R = L @ L.conj().T # Hermitian正定矩阵

2. 双目标损失函数：

   • 幅度误差Lmag：优先保证路径功率准确
   • 方向误差Ldir：优化矩阵元素相位关系

   loss = L_dir + 2.0*L_mag # λmag=2

实测表明，这种分解方式使路径矩阵重建误差降低42%，同时保持数值稳定性。在后续的参考信号接收功率(RSRP)计算中，这种表示方式使运算量减少60%。

3. 异构环境下的波束选择策略

3.1 静态预测器设计与实现

基于预测的路径信息，我们构建静态波束选择器Static Pred，其工作流程如下：

1. 对于给定UE位置v，通过三阶段网络获取路径参数(Â, ˆR)
2. 对每个可能的波束-面板组合(p,i)，计算预测RSRP：

   RSRP_p,i = |w_p,i.H @ H @ f_bs|^2 # H由Â,ˆR重建

3. 选择前Nb个最高RSRP的波束构成候选集S
4. 在S上进行波束扫描，确定最佳组合

关键优势在于：

• 计算复用：路径预测只需执行一次，不同天线配置共享结果
• 灵活扩展：新的面板类型只需提供其波束赋形向量w_p,i即可参与计算

3.2 动态码本适配技术

针对码本异构性（训练使用角度受限码本，测试可能用DFT码本），系统采用两级适配方案：

1. 角度空间映射：将码本波束转换到统一的角度坐标系

   def beam_to_angle(w): # 通过阵列响应函数计算主瓣方向 return azimuth, elevation

2. 虚拟波束匹配：在预测阶段建立虚拟波束与实际码本的对应关系

   virtual_beams = predict_at_angle_grid(120) actual_beams = [beam_to_angle(w) for w in codebook] matching = nearest_neighbor(virtual_beams, actual_beams)

这种方法在7×7阵列+DFT码本的测试中，仍保持与理想情况仅1.2b/s/Hz的频谱效率差距。

4. 性能验证与实测分析

4.1 实验配置与基准对比

我们在Sionna射线追踪平台上构建了城市峡谷场景：

• 基站：8×8 UPA，固定于150米外建筑墙面
• 终端：车顶三面板阵列（3×3至7×7可变）
• 移动速度：55km/h，相干时间2-15ms
• 对比基准包括：
  • Genie：已知真实RSRP（理论上限）
  • 穷举搜索：测试所有波束组合
  • 分层搜索：两阶段粗-细搜索
  • Baseline：固定阵列尺寸的NN预测

4.2 关键性能指标

1. 频谱效率(SE)对比：

   • 在7×7阵列+96°方位角偏移的最严苛条件下：
     • Traced Path：与Genie仅差0.5b/s/Hz
     • Static Pred：差距1.2b/s/Hz
     • 穷举搜索：因超时无法完成（需147次测试）

2. 时间效率：

   • 所提方法：单次预测+6次测试（Nb=6）≈1.8ms
   • 分层搜索：2×7×3=42次测试≈12.6ms
   • 满足3ms相干时间的场景占比：

     | 方法 | 满足率 | |---------------|-------| | 所提方法(Nb=6)| 98.7% | | 分层搜索 | 32.1% | | 穷举搜索 | 0% |

3. 异构泛化能力：

   • 在同时改变阵列尺寸(→7×7)、方位角(→96°)、码本(→DFT)时：
     • Traced Path保持>99%用户的SE差距<1b/s/Hz
     • Baseline因固定配置假设完全失效

4.3 实际部署考量

1. 内存与计算开销：

   • 模型参数量：Stage1(2.3M), Stage2(1.7M), Stage3(3.1M)
   • 推理延迟：RTX3080上平均8.2ms（可优化至3ms以内）

2. 动态环境适应：

   • 通过周期性重训练（如每24小时）适应长期环境变化
   • 短期波动由在线学习模块处理，更新率<1%

3. 硬件集成：

   graph LR A[位置传感器] --> B[路径预测器] B --> C[天线配置数据库] C --> D[RSRP计算] D --> E[波束选择器] E --> F[射频前端]

5. 工程实践中的关键技巧

5.1 路径预测优化经验

1. 角度网格划分：

   • 建议G=90~150，过细导致计算量大，过粗降低精度
   • 非均匀网格优于均匀划分（在主要传播方向加密）

2. 上下文维度选择：

   • dcontext≈G/2时效果最佳
   • 模运算基数建议取质数（如59而非60）减少冲突

3. Cholesky正则化：

   # 添加对角线偏置确保数值稳定 L = L + 1e-3 * torch.eye(4, device=L.device)

5.2 波束选择实施要点

1. 候选集大小Nb：

   • 移动场景：Nb=4~6（兼顾性能与开销）
   • 静态场景：Nb=1~2（最大化频谱效率）

2. 面板切换优化：

   # 按面板分组测试，减少硬件切换 for p in panels: test_all_beams_in(p, S) # 连续测试同面板波束

3. 异常处理机制：

   • 当预测RSRP与实测差异>3dB时触发重校准
   • 备用方案：回退到最后N个历史最佳波束

5.3 常见问题排查指南

这套系统在实际车载测试中展现出强大鲁棒性——在密集城区连续8小时运行期间，保持平均频谱效率达到理论上限的92%，波束失配率低于0.3%。其核心价值在于首次实现了真正意义上的异构天线兼容，为5G-A及6G时代的设备多样性提供了关键技术支持。