简介面向6G的无蜂窝大规模MIMO无线传输技术是当前移动通信领域的热点方向。这份技术综述文档面向通信技术研究人员、6G研究者及高年级相关专业学生系统梳理了无蜂窝系统的技术原理、发展脉络以及相对传统蜂窝架构的优势并深入分析了信道信息获取、分布式收发机设计、交叉链路干扰等瓶颈问题的解决思路。文档还兼顾高频段与低频段场景介绍了网络辅助全双工等关键技术给出了太比特每秒峰值速率、百微秒时延等6G关键指标及十大研究方向为6G研究提供了系统参考。资源包内含单个docx文档大小仅127KB便于快速下载与直接阅读目前已有五百五十六人学习浏览适合作为快速掌握无蜂窝大规模MIMO技术体系的入门与进阶参考资料兼具综述广度与工程参考价值。1. 无蜂窝大规模MIMO先别盯着天线数先把“去蜂窝”三个字想透第一次在仿真里把小区删掉把天线按 50 米间距撒出去大部分做 NR 优化出身的人第一反应是不适应没有小区边缘、没有切换、没有邻区干扰协调那调度和干扰怎么办这就是无蜂窝大规模MIMO给人最直观的冲击。它不是在“小区内堆天线”而是让几何上相邻的一批接入点AP同时为一个用户服务以用户为中心重新画协作边界基站这个概念被拆散成一组可以随时组合的分布式节点。面向6G几件绕不开的硬事——超高峰值带宽、极低时延、超大规模连接——都被这套思路托着AP 密度够用户始终处在“小区中心”协作范围够边缘干扰从敌人变成增益。这篇博文从部署架构、导频分配、前传压缩和功率控制四个角度整理一条能直接落地的无线传输技术路径适合正在从 5G 转向 6G 预研的 RAN 算法、网络规划和前传设计工程师。2. 部署架构与回传预算无蜂窝大规模MIMO先把“地面规则”定清楚无线传输技术无论怎么演进第一关永远是物理部署。无蜂窝系统把“小区”拿掉之后AP 放在哪、谁往上联、数据怎么回来、时钟怎么对齐比任何算法都先决定系统能不能收敛。这一章按我实际评估项目的顺序来讲先定架构再算前传最后谈同步。2.1 从 C-RAN 到无蜂窝传输架构里少了小区多了什么传统 C-RAN 的集中单元处理一个区域内的所有小区协作粒度是“扇区”无蜂窝大规模MIMO的协作粒度细化到 AP一个 AP 可能同时服务几十个用户一个用户也同时被多个 AP 服务。RAN 功能拆分的思路沿用 3GPP 的 Option 7-2 最顺手AP 侧完成 FFT、信道估计和波束成形权重应用中央单元CU只保留联合调度、导频分配和功率控制。这个拆法背后的原因很实际。Option 8 把时域 IQ 全量回传前传速率直接和天线数乘带宽64 个 8 天线 AP 在 400 MHz 下轻松跑出 Tbps 量级Option 7-2 把数据从“每根天线的波形”压缩成“每个用户的频域符号”速率从天线维度降成流维度整个前传网络的预算才谈得下去。无蜂窝系统本质上就是一个“协作半径动态可变”的 C-RAN中央单元不需要知道每个 AP 的瞬时时域波形只需要知道调度结果和信道信息。正因为这样无蜂窝对 CU 的实时性要求反而更高调度周期要跟着信道相干时间走导频分配要全局做功率控制要按大尺度衰落慢更新。架构上一个常见误区是把无蜂窝当成“更密的小小区”每个 AP 独立调度。一旦调度分离用户同时被多个 AP 服务时资源分配互相踩踏协作增益立刻变成干扰增量。2.2 AP 密度与前传预算一张表和一段脚本搞定AP 部署密度不能拍脑袋。室内场景我一般按 20 到 40 米间距布点城市户外按 50 到 80 米AP 数量大致取用户数的 5 到 10 倍。这个区间的下限由覆盖决定上限由前传决定——AP 再密带宽传不回来也是白搭。前传预算可以用一小段 Python 先快速估算不用等到设备选型再发现光纤白拉了。import numpy as np # 前传带宽估算Option 7-2频域IQ传输 fscs 120e3 # 子载波间隔 120 kHz rb_bandwidth 12 * fscs # 每个RB包含12个子载波 bw 400e6 # 单载波带宽 400 MHz6G中频候选量级 n_rb int(bw / rb_bandwidth) ofdm_symbols_per_ms 8 * 14 # 120kHz SCS下每毫秒8个时隙每时隙14个OFDM符号 n_layer 2 # 每用户实际并发流数 iq_bits 8 # 前传压缩后I/Q单轴位宽 # 单AP每秒需要传输的比特数 rate_ap n_rb * (12 * ofdm_symbols_per_ms) * 1e3 * n_layer * (2 * iq_bits) print(fRB数: {n_rb}) print(f单AP前传速率: {rate_ap / 1e9:.2f} Gbps) print(f64AP全网前传: {rate_ap * 64 / 1e9:.2f} Gbps)这段代码的核心逻辑是先把带宽折算成资源块RB数再乘每毫秒的 OFDM 符号数得到每秒承载的资源粒子数最后乘流数和 I/Q 位宽。iq_bits是 I 路和 Q 路各自的量化位宽乘 2 才是复数符号的总位数。把n_layer从 2 改成 4前传速率直接翻倍把iq_bits从 8 降到 4速率减半。AP 天线数不直接出现在式子里因为 Option 7-2 传的是流天线增益已经折算进波束成形的信道里了。不同量化位宽下的前传预算如下量化噪声对无线性能的影响放到第 4 章展开。I/Q 单轴位宽单AP速率400MHz/2流64AP全网前传特点4 bit5.96 Gbps381.4 Gbps引入量化噪声高调制阶数下掉性能8 bit11.91 Gbps762.4 Gbps工程折中配合外置纠错足够16 bit23.83 Gbps1524.8 Gbps近乎无损需要大容量回传网络这张表算出来之后光纤预算、交换机端口速率、CU 侧加速卡带宽就都有了上限。实际项目里还有一个很关键的修正项多 AP 联合处理时中央单元需要同时拿到参与协作的所有 AP 数据哪怕某个 AP 只给用户贡献了很小一路信号。所以全网峰值前传不是简单相加而是按“协作簇重叠度”再放大 20% 到 30% 来规划。2.3 同步精度TDD 无线传输里最容易被低估的环节无蜂窝大规模MIMO几乎都走 TDD依赖信道互异性做下行预编码。但互异性只解决“信道怎么读”的问题不解决“各 AP 什么时候读”的问题。AP 之间只要有时钟偏差同一个用户的上行信号到达不同 AP 时就带着不同的相位旋转中央单元做联合检测时本应相干叠加的多路信号会互相抵消。误差有多大相位误差和时钟误差的关系是Δφ 2π * f_c * Δt。在 4 GHz 载波上要做到 10 度相位误差以内时间偏差必须小于 7 皮秒。这个精度不是靠 PTPIEEE 1588敲出来的——1588 在网络里能做到亚微秒级离皮秒差着三个数量级。无蜂窝的同步是分层的1588 兜底时钟锁定AP 出厂校准固定时延最后靠空口导频在每个相干块里做残余相位补偿。前两层保证偏差不漂移第三层保证残余偏差被物理层消化掉。注意无蜂窝的同步不是“对个表”而是波束成形的相位对齐。仿真里把同步误差建模成零均值高斯变量很容易但工程里固定偏差比随机抖动更常见固定偏差会让所有波束方向整体转一个角度这是观测量测不出来的系统性风险。我通常会留一个调试手段让一个测试 UE 站在两个 AP 的交叠区发一段已知导频AP 把各自估计出的信道相位上报到 CUCU 用相位差反推固定时延差再下发给 AP 做补偿。这套流程在实验室里能精确到几十皮秒已经够 6G 中频段使用。3. 导频分配与 CSI 获取无蜂窝大规模MIMO的分水岭在大尺度关系信道估计的质量直接决定无线传输技术能兑现多少增益。无蜂窝与蜂窝的另一个本质差别在这里放大蜂窝系统一个用户只被一个小区看到CSI 是一条链路无蜂窝系统一个用户被几十个 AP 看到CSI 是一张“用户-AP”二分图。这张图的获取成本是导频和回传也是系统设计最先算的一笔账。3.1 信道模型先分清大尺度系数与小尺度衰落无蜂窝仿真里用户 k 到 AP m 的信道通常写成两部分大尺度系数β_mk和小尺度衰落h_mk。大尺度系数由距离和阴影决定变化慢可以每几百毫秒更新一次小尺度衰落是快变的需要在每个相干块里重新估计。大尺度系数的经典模型是β_mk PL_0 * (d_mk / d_0)^(-α) * ξ_mk其中PL_0是参考距离d_0处的路径损耗α是路径损耗指数ξ_mk是对数正态阴影。室内场景α通常在 3.0 到 3.5阴影标准差 4 到 6 dB户外城市场景α在 3.5 到 4.2阴影标准差 6 到 8 dB。最关键的 W2 点是β_mk在无蜂窝里不只是做调度的依据它本身就是导频分配和功率控制的输入。小尺度衰落h_mk在散射充分的环境下按 CN(0,β) 建模。上行接收时AP m 收到的来自用户 k 的信号功率是p_k * |h_mk|²期望就是p_k * β_mk。这一段量化关系是后面所有算法的出发点。3.2 导频复用策略四种常见做法放进同一张表无蜂窝场景下导频数量受限于相干块长度。以一个 120 kHz 子载波间隔、0.5 ms 相干时间的块为例一块内大约有 14 个 OFDM 符号去掉上下行切换和保护间隔能留给上行导频的通常只有 16 到 32 个符号。如果用户数大于导频池大小复用不可避免。策略核心思想实现成本适用场景随机复用用户从导频池随机挑一个O(K)最低做 baseline 或用户数很少贪婪复用按信道质量排序差的用户先挑干净导频O(K²·τ)中规模工程首选图着色复用把干扰超阈值的用户视为相邻涂不同颜色O(K² log K)静态拓扑AP 已知空间隔离复用利用角度或协方差差异复用同一导频需要协方差估计大天线 AP用户稀疏随机复用简单但方差大两个离得很近的用户撞到同一个导频整个相干块全部污染。图着色适合 AP 位置固定的场景边界条件变化时需要重新着色动态场景下重算成本较高。空间隔离复用对 AP 天线数要求高天线少了协方差矩阵的零空间不够复用可靠性没有保障。工程上第一版实现我会选贪婪复用因为它只用得上β_mk不需要瞬时 CSI天然适合分布式获取。3.3 贪婪导频分配的代码先把最差的用户安排好先给出一段可运行的最小实现。场景是 12 个 AP、32 个用户、导频池 8 个beta矩阵里存的是大尺度系数行是 AP列是用户。import numpy as np N_ap, N_ue, tau_p 12, 32, 8 rng np.random.default_rng(42) # 生成大尺度系数行对应AP列对应用户 beta rng.lognormal(mean-2.0, sigma1.2, size(N_ap, N_ue)) # 用户按信道整体质量排序最差的排前面 quality beta.sum(axis0) users np.argsort(quality) pilot_load [[] for _ in range(tau_p)] for u in users: cost [] for p in range(tau_p): # 该用户与p导频池已有用户在各AP上大尺度乘积之和 interference 0.0 for v in pilot_load[p]: interference float(np.sum(beta[:, u] * beta[:, v])) cost.append(interference) p_choice int(np.argmin(cost)) pilot_load[p_choice].append(int(u)) print(导频池分配结果:) for p in range(tau_p): print(f导频 {p}: 用户 {pilot_load[p]})这段代码的核心逻辑是两段式的argsort(quality)把接收信号最弱的用户排在最前面保证它们优先占用干扰最小的导频内层循环计算“如果用户 u 加入导频池 p与池内已有用户在所有 AP 上的干扰总和”选总和最小的那个池。复杂度是 O(用户数 × 导频池 × 池内平均用户数)在 K40、τ16 的规模下毫秒级跑完可以直接放进调度器。参数层面值得调整的是排序权重。beta.sum(axis0)把弱用户排前但如果某个用户只是被个别 AP 看见得特别差全局求和会稀释它的优先级改成beta.max(axis0)更适合照顾边缘用户。另一个变体是把「用户到最近 AP 的距离」算进排序距离越远优先级越高——这本质上是把几何信息也纳入大尺度关系。提示这段简化代码只优化了导频冲突没有考虑“一个用户只需要被激活的 AP 子集服务”。工程里可以先做 AP 激活按 β 阈值筛选每个用户的协作 AP 集合再在激活集内跑导频分配导频池的复用压力会小很多。4. 前传压缩与功率控制无线传输方案的“经济账”无蜂窝系统把整个物理层拆成分布式以后纯粹的空口算法固然重要但真正决定方案能不能落地的是前传放不放得下、功率控不控得住、预编码选得对不对。这三件事互相耦合压缩送来的数据精度影响功率控制的感知质量功率分配影响预编码的干扰底噪。4.1 前传压缩位宽量化噪声就是无线性能损失的一部分第 2 章算过不压缩的 Option 7-2 在 8 天线、双流、400 MHz 下单 AP 就得 23.83 Gbps64 个 AP 直接超过 1.5 Tbps。现实前传网络通常给每个 AP 的口袋是 10G 或 25G因此必须做 I/Q 压缩。量化噪声对接收端的影响工程上用一个很直接的折算均匀量化下的量噪比SQNR大约等于6 * q 1.76dBq 是 I/Q 单轴位宽。4 bit 大约 25.76 dB8 bit 大约 49.76 dB。这个数字要和调制阶数对起来看64QAM 解调通常需要 20 dB 以上 SINR4 bit 量化的 25 dB 还能接受256QAM 需要 28 dB 以上4 bit 就明显不够了至少要 6 到 8 bit。前传压缩的常见做法不是把量化噪声当白噪声一次性认栽而是把量化器设计成“噪声整形”的把量化误差往用户信道零空间推。具体实现通常依赖前传接口里的增益归一化因子——每个 RBA 先做归一化让量化器满量程始终落在信号动态范围峰值而不是按所有 AP 统一固定增益。这个归一化参数要随每个时隙的功率控制结果一起更新两边没对齐的话量化噪声会直接抬高底噪。4.2 上行功率控制先求最差用户再谈公平功率控制的目标我习惯定义成最大化最差用户 SINR因为无蜂窝系统的评判标准本来就是“5% 边缘用户提升多少”。上行场景下用户 k 的 SINR 由它到协作 AP 集的信道增益、自身功率和其他所有用户功率共同决定这是一个非凸问题但规模不大时可以直接调优化器。import numpy as np from scipy.optimize import minimize rng np.random.default_rng(7) K 8 # 用户数 Pmax 200e-3 # 最大功率 200 mW约 23 dBm sigma2 1e-10 # 噪声功率约 -100 dBm # g[k,j]用户j对用户k接收端的等效干扰增益 # 对角线是用户k到其协作AP集合的有效信道增益 g np.abs(rng.normal(loc1e-7, scale3e-8, size(K, K))) 1e-9 np.fill_diagonal(g, 1e-6) # 自信道远强于互信道 def neg_min_sinr(p): p np.abs(p) # 保证功率非负 sinr np.zeros(K) for k in range(K): sig g[k, k] * p[k] inf sigma2 sum(g[k, j] * p[j] for j in range(K) if j ! k) sinr[k] sig / inf return -np.min(sinr) # 最小SINR越大越好因此取负 best None for seed_p in [0.05, 0.10, 0.15]: # 多起点对抗非凸 res minimize(neg_max_sinr, x0[seed_p] * K, bounds[(0.0, Pmax)] * K, methodSLSQP) if best is None or res.fun best.fun: best res p_opt np.abs(best.x) sinr_opt -best.fun print(最优功率(mW):, np.round(p_opt / 1e-3, 2)) print(最差SINR:, round(10 * np.log10(sinr_opt), 2), dB)函数neg_max_sinr里我先做np.abs(p)把优化器的变量强制映射到非负区间防止中间迭代步产生负功率g[k, k]是用户 k 到整个协作 AP 集的等效信道增益对角线之外是跨用户干扰。minimize用 SLSQP它适合带边界约束的中小规模非线性问题。多起点循环是因为最大最小 SINR 问题非凸SLSQP 只能找到局部最优用三个不同初值取最差 SINR 最高的那次工程上已经足够。这段代码对应的是集中式功率控制适用于用户数在几十量级的局部系统。如果系统规模上百用户SLSQP 会越来越慢主流做法退回到固定点迭代每个用户按“当前干扰下目标 SINR 还差多少”比例更新功率反复迭代到收敛。固定点迭代的收敛性对大尺度带宽敏感和信道估计质量直接相关实际部署时建议保守点只用它反映大尺度衰落的更新周期而不是每个时隙都重算。预编码方案需要的CSI实现复杂度典型场景MRT共轭本地信道相位低AP密集、干扰被分布式波束成形天然抑制局部ZFAP对激活集内用户信道矩阵求逆中AP天线数≥8激活集小全局ZF全网瞬时CSI汇总到CU高仅小规模验证或干扰受限极严重4.3 下行预编码MRT、局部 ZF 与全局 ZF 的边界无蜂窝的分布式架构下MRT最大比发送是起点。每个 AP 只用自己的本地信道信息做共轭共轭不需要和别的 AP 交换瞬时 CSI实现最简单。系统里 AP 足够密时用户离多个 AP 都很近非正交的共轭波束之间干扰被路径损耗天然隔离MRT 往往已经够用。AP 天线数上升到 8 以上时局部 ZF 开始有实际意义对激活集里的用户在本地做信道求逆能压制用户间干扰代价是噪声增强。不是天线多就该用 ZFZF 在信噪比低的覆盖场景反而更差。全局 ZF 是把所有 AP 的信道矩阵汇总到中央单元统一求逆性能上限最高但前传开销随用户数平方增长现实中很难跑起来。选型经验是先跑 MRT 版本的链路级仿真把边缘 SINR 提上来然后再看用户间干扰还占多少如果干扰比噪声高 6 dB 以上再往局部 ZF 方向改。反过来如果干扰本来就在噪声以下上 ZF 只会白白丢掉阵列增益。5. 无蜂窝无线传输的快速验证一天跑出可信对比算法设计最终要落到一个能说服自己的对比数据上。无蜂窝系统的一个“造数雷区”是仿真里物理参数不一致蜂窝系统用的三扇区模型无蜂窝却用的是全向 AP出来的性能增益一半是模型差异贡献的。下面这套最小验证流程可以在一台笔记本上跑出可复现的基线。5.1 最小 Monte Carlo 对比蜂窝与无蜂窝的 SINR CDF蜂窝模式用“用户连最近 AP其他信号全算干扰”无蜂窝模式用“用户最接近的 3 个 AP 联合服务”其余 AP 算干扰。路径损耗统一用1/d^3的线性简化不掺杂频谱效率和调度策略只比无线传输的接收质量。import numpy as np rng np.random.default_rng(0) AP rng.uniform(0, 1000, size(16, 2)) UE rng.uniform(0, 1000, size(200, 2)) alpha 1e4 # 简化路径增益常数 def sinr_cellular(ue_idx): d np.sqrt(((AP - UE[ue_idx])**2).sum(axis1)) gain alpha / d**3 serve_idx int(np.argmax(gain)) signal gain[serve_idx] interference gain.sum() - signal 1e-12 return 10 * np.log10(signal / interference) def sinr_cellfree(ue_idx): d np.sqrt(((AP - UE[ue_idx])**2).sum(axis1)) gain alpha / d**3 server np.argsort(gain)[-3:] # 最近的3个AP signal gain[server].sum() interference np.delete(gain, server).sum() 1e-12 return 10 * np.log10(signal / interference) cell_sinr [sinr_cellular(i) for i in range(len(UE))] cf_sinr [sinr_cellfree(i) for i in range(len(UE))] for tag, arr in [(蜂窝, cell_sinr), (无蜂窝, cf_sinr)]: print(f{tag}: 5%分位 {np.percentile(arr, 5):.1f} dB, 平均 {np.mean(arr):.1f} dB)无蜂窝里np.argsort(gain)[-3:]取的是增益最大的 3 个 APgain[server].sum()把这 3 路信号功率直接相加这是“等增益合并”的最简化形式没有考虑相位和频偏。跑完看两个数5% 分位和平均值。无蜂窝的 5% 分位通常会比蜂窝高 5 到 8 dB平均值反而可能差不大。如果平均值涨了很多、5% 分位没动说明增益全给了核心用户边缘用户没受益要么 AP 密度不够要么导频复用策略有问题。5.2 把参数对齐到 6G 评估带宽、AP 间距、导频长度仿真参数不要直接沿用 LTE 时代的配置否则结论没有参考价值。带宽按 6G 候选频段走400 MHz 起步也可以直接试到 800 MHz 甚至更高对比参考的 Wi-Fi 7 已经把信道带宽推到 320 MHz蜂窝侧为了承载沉浸式通信单载波带宽往这个量级走几乎是必然前传预算表要跟着重算。AP 间距按拓扑均匀分布别用六边形小区。无蜂窝的 AP 位置天然是异构的部署时允许 5% 到 10% 的随机抖动更贴近真实。导频长度按低移动性场景设 16 到 32 个符号对应的用户承载能力就是导频池的上限想多容纳用户优先增加导频长度而不是扩大复用因子。网上大量 6G 测速、6G WiFi 相关的内容都在讲“带宽翻倍、速率翻倍”那是链路层面的直觉无蜂窝大规模MIMO的验证要盯住的是“在同样前传预算和同样导频开销下5% 边缘用户提升了多少”。跑完这个小对比把 5% 分位两个数字贴到评审材料里比一句“性能提升了”有说服力得多。本文还有配套的精品资源点击获取
无蜂窝大规模MIMO：从部署架构到功率控制的工程实践
简介面向6G的无蜂窝大规模MIMO无线传输技术是当前移动通信领域的热点方向。这份技术综述文档面向通信技术研究人员、6G研究者及高年级相关专业学生系统梳理了无蜂窝系统的技术原理、发展脉络以及相对传统蜂窝架构的优势并深入分析了信道信息获取、分布式收发机设计、交叉链路干扰等瓶颈问题的解决思路。文档还兼顾高频段与低频段场景介绍了网络辅助全双工等关键技术给出了太比特每秒峰值速率、百微秒时延等6G关键指标及十大研究方向为6G研究提供了系统参考。资源包内含单个docx文档大小仅127KB便于快速下载与直接阅读目前已有五百五十六人学习浏览适合作为快速掌握无蜂窝大规模MIMO技术体系的入门与进阶参考资料兼具综述广度与工程参考价值。1. 无蜂窝大规模MIMO先别盯着天线数先把“去蜂窝”三个字想透第一次在仿真里把小区删掉把天线按 50 米间距撒出去大部分做 NR 优化出身的人第一反应是不适应没有小区边缘、没有切换、没有邻区干扰协调那调度和干扰怎么办这就是无蜂窝大规模MIMO给人最直观的冲击。它不是在“小区内堆天线”而是让几何上相邻的一批接入点AP同时为一个用户服务以用户为中心重新画协作边界基站这个概念被拆散成一组可以随时组合的分布式节点。面向6G几件绕不开的硬事——超高峰值带宽、极低时延、超大规模连接——都被这套思路托着AP 密度够用户始终处在“小区中心”协作范围够边缘干扰从敌人变成增益。这篇博文从部署架构、导频分配、前传压缩和功率控制四个角度整理一条能直接落地的无线传输技术路径适合正在从 5G 转向 6G 预研的 RAN 算法、网络规划和前传设计工程师。2. 部署架构与回传预算无蜂窝大规模MIMO先把“地面规则”定清楚无线传输技术无论怎么演进第一关永远是物理部署。无蜂窝系统把“小区”拿掉之后AP 放在哪、谁往上联、数据怎么回来、时钟怎么对齐比任何算法都先决定系统能不能收敛。这一章按我实际评估项目的顺序来讲先定架构再算前传最后谈同步。2.1 从 C-RAN 到无蜂窝传输架构里少了小区多了什么传统 C-RAN 的集中单元处理一个区域内的所有小区协作粒度是“扇区”无蜂窝大规模MIMO的协作粒度细化到 AP一个 AP 可能同时服务几十个用户一个用户也同时被多个 AP 服务。RAN 功能拆分的思路沿用 3GPP 的 Option 7-2 最顺手AP 侧完成 FFT、信道估计和波束成形权重应用中央单元CU只保留联合调度、导频分配和功率控制。这个拆法背后的原因很实际。Option 8 把时域 IQ 全量回传前传速率直接和天线数乘带宽64 个 8 天线 AP 在 400 MHz 下轻松跑出 Tbps 量级Option 7-2 把数据从“每根天线的波形”压缩成“每个用户的频域符号”速率从天线维度降成流维度整个前传网络的预算才谈得下去。无蜂窝系统本质上就是一个“协作半径动态可变”的 C-RAN中央单元不需要知道每个 AP 的瞬时时域波形只需要知道调度结果和信道信息。正因为这样无蜂窝对 CU 的实时性要求反而更高调度周期要跟着信道相干时间走导频分配要全局做功率控制要按大尺度衰落慢更新。架构上一个常见误区是把无蜂窝当成“更密的小小区”每个 AP 独立调度。一旦调度分离用户同时被多个 AP 服务时资源分配互相踩踏协作增益立刻变成干扰增量。2.2 AP 密度与前传预算一张表和一段脚本搞定AP 部署密度不能拍脑袋。室内场景我一般按 20 到 40 米间距布点城市户外按 50 到 80 米AP 数量大致取用户数的 5 到 10 倍。这个区间的下限由覆盖决定上限由前传决定——AP 再密带宽传不回来也是白搭。前传预算可以用一小段 Python 先快速估算不用等到设备选型再发现光纤白拉了。import numpy as np # 前传带宽估算Option 7-2频域IQ传输 fscs 120e3 # 子载波间隔 120 kHz rb_bandwidth 12 * fscs # 每个RB包含12个子载波 bw 400e6 # 单载波带宽 400 MHz6G中频候选量级 n_rb int(bw / rb_bandwidth) ofdm_symbols_per_ms 8 * 14 # 120kHz SCS下每毫秒8个时隙每时隙14个OFDM符号 n_layer 2 # 每用户实际并发流数 iq_bits 8 # 前传压缩后I/Q单轴位宽 # 单AP每秒需要传输的比特数 rate_ap n_rb * (12 * ofdm_symbols_per_ms) * 1e3 * n_layer * (2 * iq_bits) print(fRB数: {n_rb}) print(f单AP前传速率: {rate_ap / 1e9:.2f} Gbps) print(f64AP全网前传: {rate_ap * 64 / 1e9:.2f} Gbps)这段代码的核心逻辑是先把带宽折算成资源块RB数再乘每毫秒的 OFDM 符号数得到每秒承载的资源粒子数最后乘流数和 I/Q 位宽。iq_bits是 I 路和 Q 路各自的量化位宽乘 2 才是复数符号的总位数。把n_layer从 2 改成 4前传速率直接翻倍把iq_bits从 8 降到 4速率减半。AP 天线数不直接出现在式子里因为 Option 7-2 传的是流天线增益已经折算进波束成形的信道里了。不同量化位宽下的前传预算如下量化噪声对无线性能的影响放到第 4 章展开。I/Q 单轴位宽单AP速率400MHz/2流64AP全网前传特点4 bit5.96 Gbps381.4 Gbps引入量化噪声高调制阶数下掉性能8 bit11.91 Gbps762.4 Gbps工程折中配合外置纠错足够16 bit23.83 Gbps1524.8 Gbps近乎无损需要大容量回传网络这张表算出来之后光纤预算、交换机端口速率、CU 侧加速卡带宽就都有了上限。实际项目里还有一个很关键的修正项多 AP 联合处理时中央单元需要同时拿到参与协作的所有 AP 数据哪怕某个 AP 只给用户贡献了很小一路信号。所以全网峰值前传不是简单相加而是按“协作簇重叠度”再放大 20% 到 30% 来规划。2.3 同步精度TDD 无线传输里最容易被低估的环节无蜂窝大规模MIMO几乎都走 TDD依赖信道互异性做下行预编码。但互异性只解决“信道怎么读”的问题不解决“各 AP 什么时候读”的问题。AP 之间只要有时钟偏差同一个用户的上行信号到达不同 AP 时就带着不同的相位旋转中央单元做联合检测时本应相干叠加的多路信号会互相抵消。误差有多大相位误差和时钟误差的关系是Δφ 2π * f_c * Δt。在 4 GHz 载波上要做到 10 度相位误差以内时间偏差必须小于 7 皮秒。这个精度不是靠 PTPIEEE 1588敲出来的——1588 在网络里能做到亚微秒级离皮秒差着三个数量级。无蜂窝的同步是分层的1588 兜底时钟锁定AP 出厂校准固定时延最后靠空口导频在每个相干块里做残余相位补偿。前两层保证偏差不漂移第三层保证残余偏差被物理层消化掉。注意无蜂窝的同步不是“对个表”而是波束成形的相位对齐。仿真里把同步误差建模成零均值高斯变量很容易但工程里固定偏差比随机抖动更常见固定偏差会让所有波束方向整体转一个角度这是观测量测不出来的系统性风险。我通常会留一个调试手段让一个测试 UE 站在两个 AP 的交叠区发一段已知导频AP 把各自估计出的信道相位上报到 CUCU 用相位差反推固定时延差再下发给 AP 做补偿。这套流程在实验室里能精确到几十皮秒已经够 6G 中频段使用。3. 导频分配与 CSI 获取无蜂窝大规模MIMO的分水岭在大尺度关系信道估计的质量直接决定无线传输技术能兑现多少增益。无蜂窝与蜂窝的另一个本质差别在这里放大蜂窝系统一个用户只被一个小区看到CSI 是一条链路无蜂窝系统一个用户被几十个 AP 看到CSI 是一张“用户-AP”二分图。这张图的获取成本是导频和回传也是系统设计最先算的一笔账。3.1 信道模型先分清大尺度系数与小尺度衰落无蜂窝仿真里用户 k 到 AP m 的信道通常写成两部分大尺度系数β_mk和小尺度衰落h_mk。大尺度系数由距离和阴影决定变化慢可以每几百毫秒更新一次小尺度衰落是快变的需要在每个相干块里重新估计。大尺度系数的经典模型是β_mk PL_0 * (d_mk / d_0)^(-α) * ξ_mk其中PL_0是参考距离d_0处的路径损耗α是路径损耗指数ξ_mk是对数正态阴影。室内场景α通常在 3.0 到 3.5阴影标准差 4 到 6 dB户外城市场景α在 3.5 到 4.2阴影标准差 6 到 8 dB。最关键的 W2 点是β_mk在无蜂窝里不只是做调度的依据它本身就是导频分配和功率控制的输入。小尺度衰落h_mk在散射充分的环境下按 CN(0,β) 建模。上行接收时AP m 收到的来自用户 k 的信号功率是p_k * |h_mk|²期望就是p_k * β_mk。这一段量化关系是后面所有算法的出发点。3.2 导频复用策略四种常见做法放进同一张表无蜂窝场景下导频数量受限于相干块长度。以一个 120 kHz 子载波间隔、0.5 ms 相干时间的块为例一块内大约有 14 个 OFDM 符号去掉上下行切换和保护间隔能留给上行导频的通常只有 16 到 32 个符号。如果用户数大于导频池大小复用不可避免。策略核心思想实现成本适用场景随机复用用户从导频池随机挑一个O(K)最低做 baseline 或用户数很少贪婪复用按信道质量排序差的用户先挑干净导频O(K²·τ)中规模工程首选图着色复用把干扰超阈值的用户视为相邻涂不同颜色O(K² log K)静态拓扑AP 已知空间隔离复用利用角度或协方差差异复用同一导频需要协方差估计大天线 AP用户稀疏随机复用简单但方差大两个离得很近的用户撞到同一个导频整个相干块全部污染。图着色适合 AP 位置固定的场景边界条件变化时需要重新着色动态场景下重算成本较高。空间隔离复用对 AP 天线数要求高天线少了协方差矩阵的零空间不够复用可靠性没有保障。工程上第一版实现我会选贪婪复用因为它只用得上β_mk不需要瞬时 CSI天然适合分布式获取。3.3 贪婪导频分配的代码先把最差的用户安排好先给出一段可运行的最小实现。场景是 12 个 AP、32 个用户、导频池 8 个beta矩阵里存的是大尺度系数行是 AP列是用户。import numpy as np N_ap, N_ue, tau_p 12, 32, 8 rng np.random.default_rng(42) # 生成大尺度系数行对应AP列对应用户 beta rng.lognormal(mean-2.0, sigma1.2, size(N_ap, N_ue)) # 用户按信道整体质量排序最差的排前面 quality beta.sum(axis0) users np.argsort(quality) pilot_load [[] for _ in range(tau_p)] for u in users: cost [] for p in range(tau_p): # 该用户与p导频池已有用户在各AP上大尺度乘积之和 interference 0.0 for v in pilot_load[p]: interference float(np.sum(beta[:, u] * beta[:, v])) cost.append(interference) p_choice int(np.argmin(cost)) pilot_load[p_choice].append(int(u)) print(导频池分配结果:) for p in range(tau_p): print(f导频 {p}: 用户 {pilot_load[p]})这段代码的核心逻辑是两段式的argsort(quality)把接收信号最弱的用户排在最前面保证它们优先占用干扰最小的导频内层循环计算“如果用户 u 加入导频池 p与池内已有用户在所有 AP 上的干扰总和”选总和最小的那个池。复杂度是 O(用户数 × 导频池 × 池内平均用户数)在 K40、τ16 的规模下毫秒级跑完可以直接放进调度器。参数层面值得调整的是排序权重。beta.sum(axis0)把弱用户排前但如果某个用户只是被个别 AP 看见得特别差全局求和会稀释它的优先级改成beta.max(axis0)更适合照顾边缘用户。另一个变体是把「用户到最近 AP 的距离」算进排序距离越远优先级越高——这本质上是把几何信息也纳入大尺度关系。提示这段简化代码只优化了导频冲突没有考虑“一个用户只需要被激活的 AP 子集服务”。工程里可以先做 AP 激活按 β 阈值筛选每个用户的协作 AP 集合再在激活集内跑导频分配导频池的复用压力会小很多。4. 前传压缩与功率控制无线传输方案的“经济账”无蜂窝系统把整个物理层拆成分布式以后纯粹的空口算法固然重要但真正决定方案能不能落地的是前传放不放得下、功率控不控得住、预编码选得对不对。这三件事互相耦合压缩送来的数据精度影响功率控制的感知质量功率分配影响预编码的干扰底噪。4.1 前传压缩位宽量化噪声就是无线性能损失的一部分第 2 章算过不压缩的 Option 7-2 在 8 天线、双流、400 MHz 下单 AP 就得 23.83 Gbps64 个 AP 直接超过 1.5 Tbps。现实前传网络通常给每个 AP 的口袋是 10G 或 25G因此必须做 I/Q 压缩。量化噪声对接收端的影响工程上用一个很直接的折算均匀量化下的量噪比SQNR大约等于6 * q 1.76dBq 是 I/Q 单轴位宽。4 bit 大约 25.76 dB8 bit 大约 49.76 dB。这个数字要和调制阶数对起来看64QAM 解调通常需要 20 dB 以上 SINR4 bit 量化的 25 dB 还能接受256QAM 需要 28 dB 以上4 bit 就明显不够了至少要 6 到 8 bit。前传压缩的常见做法不是把量化噪声当白噪声一次性认栽而是把量化器设计成“噪声整形”的把量化误差往用户信道零空间推。具体实现通常依赖前传接口里的增益归一化因子——每个 RBA 先做归一化让量化器满量程始终落在信号动态范围峰值而不是按所有 AP 统一固定增益。这个归一化参数要随每个时隙的功率控制结果一起更新两边没对齐的话量化噪声会直接抬高底噪。4.2 上行功率控制先求最差用户再谈公平功率控制的目标我习惯定义成最大化最差用户 SINR因为无蜂窝系统的评判标准本来就是“5% 边缘用户提升多少”。上行场景下用户 k 的 SINR 由它到协作 AP 集的信道增益、自身功率和其他所有用户功率共同决定这是一个非凸问题但规模不大时可以直接调优化器。import numpy as np from scipy.optimize import minimize rng np.random.default_rng(7) K 8 # 用户数 Pmax 200e-3 # 最大功率 200 mW约 23 dBm sigma2 1e-10 # 噪声功率约 -100 dBm # g[k,j]用户j对用户k接收端的等效干扰增益 # 对角线是用户k到其协作AP集合的有效信道增益 g np.abs(rng.normal(loc1e-7, scale3e-8, size(K, K))) 1e-9 np.fill_diagonal(g, 1e-6) # 自信道远强于互信道 def neg_min_sinr(p): p np.abs(p) # 保证功率非负 sinr np.zeros(K) for k in range(K): sig g[k, k] * p[k] inf sigma2 sum(g[k, j] * p[j] for j in range(K) if j ! k) sinr[k] sig / inf return -np.min(sinr) # 最小SINR越大越好因此取负 best None for seed_p in [0.05, 0.10, 0.15]: # 多起点对抗非凸 res minimize(neg_max_sinr, x0[seed_p] * K, bounds[(0.0, Pmax)] * K, methodSLSQP) if best is None or res.fun best.fun: best res p_opt np.abs(best.x) sinr_opt -best.fun print(最优功率(mW):, np.round(p_opt / 1e-3, 2)) print(最差SINR:, round(10 * np.log10(sinr_opt), 2), dB)函数neg_max_sinr里我先做np.abs(p)把优化器的变量强制映射到非负区间防止中间迭代步产生负功率g[k, k]是用户 k 到整个协作 AP 集的等效信道增益对角线之外是跨用户干扰。minimize用 SLSQP它适合带边界约束的中小规模非线性问题。多起点循环是因为最大最小 SINR 问题非凸SLSQP 只能找到局部最优用三个不同初值取最差 SINR 最高的那次工程上已经足够。这段代码对应的是集中式功率控制适用于用户数在几十量级的局部系统。如果系统规模上百用户SLSQP 会越来越慢主流做法退回到固定点迭代每个用户按“当前干扰下目标 SINR 还差多少”比例更新功率反复迭代到收敛。固定点迭代的收敛性对大尺度带宽敏感和信道估计质量直接相关实际部署时建议保守点只用它反映大尺度衰落的更新周期而不是每个时隙都重算。预编码方案需要的CSI实现复杂度典型场景MRT共轭本地信道相位低AP密集、干扰被分布式波束成形天然抑制局部ZFAP对激活集内用户信道矩阵求逆中AP天线数≥8激活集小全局ZF全网瞬时CSI汇总到CU高仅小规模验证或干扰受限极严重4.3 下行预编码MRT、局部 ZF 与全局 ZF 的边界无蜂窝的分布式架构下MRT最大比发送是起点。每个 AP 只用自己的本地信道信息做共轭共轭不需要和别的 AP 交换瞬时 CSI实现最简单。系统里 AP 足够密时用户离多个 AP 都很近非正交的共轭波束之间干扰被路径损耗天然隔离MRT 往往已经够用。AP 天线数上升到 8 以上时局部 ZF 开始有实际意义对激活集里的用户在本地做信道求逆能压制用户间干扰代价是噪声增强。不是天线多就该用 ZFZF 在信噪比低的覆盖场景反而更差。全局 ZF 是把所有 AP 的信道矩阵汇总到中央单元统一求逆性能上限最高但前传开销随用户数平方增长现实中很难跑起来。选型经验是先跑 MRT 版本的链路级仿真把边缘 SINR 提上来然后再看用户间干扰还占多少如果干扰比噪声高 6 dB 以上再往局部 ZF 方向改。反过来如果干扰本来就在噪声以下上 ZF 只会白白丢掉阵列增益。5. 无蜂窝无线传输的快速验证一天跑出可信对比算法设计最终要落到一个能说服自己的对比数据上。无蜂窝系统的一个“造数雷区”是仿真里物理参数不一致蜂窝系统用的三扇区模型无蜂窝却用的是全向 AP出来的性能增益一半是模型差异贡献的。下面这套最小验证流程可以在一台笔记本上跑出可复现的基线。5.1 最小 Monte Carlo 对比蜂窝与无蜂窝的 SINR CDF蜂窝模式用“用户连最近 AP其他信号全算干扰”无蜂窝模式用“用户最接近的 3 个 AP 联合服务”其余 AP 算干扰。路径损耗统一用1/d^3的线性简化不掺杂频谱效率和调度策略只比无线传输的接收质量。import numpy as np rng np.random.default_rng(0) AP rng.uniform(0, 1000, size(16, 2)) UE rng.uniform(0, 1000, size(200, 2)) alpha 1e4 # 简化路径增益常数 def sinr_cellular(ue_idx): d np.sqrt(((AP - UE[ue_idx])**2).sum(axis1)) gain alpha / d**3 serve_idx int(np.argmax(gain)) signal gain[serve_idx] interference gain.sum() - signal 1e-12 return 10 * np.log10(signal / interference) def sinr_cellfree(ue_idx): d np.sqrt(((AP - UE[ue_idx])**2).sum(axis1)) gain alpha / d**3 server np.argsort(gain)[-3:] # 最近的3个AP signal gain[server].sum() interference np.delete(gain, server).sum() 1e-12 return 10 * np.log10(signal / interference) cell_sinr [sinr_cellular(i) for i in range(len(UE))] cf_sinr [sinr_cellfree(i) for i in range(len(UE))] for tag, arr in [(蜂窝, cell_sinr), (无蜂窝, cf_sinr)]: print(f{tag}: 5%分位 {np.percentile(arr, 5):.1f} dB, 平均 {np.mean(arr):.1f} dB)无蜂窝里np.argsort(gain)[-3:]取的是增益最大的 3 个 APgain[server].sum()把这 3 路信号功率直接相加这是“等增益合并”的最简化形式没有考虑相位和频偏。跑完看两个数5% 分位和平均值。无蜂窝的 5% 分位通常会比蜂窝高 5 到 8 dB平均值反而可能差不大。如果平均值涨了很多、5% 分位没动说明增益全给了核心用户边缘用户没受益要么 AP 密度不够要么导频复用策略有问题。5.2 把参数对齐到 6G 评估带宽、AP 间距、导频长度仿真参数不要直接沿用 LTE 时代的配置否则结论没有参考价值。带宽按 6G 候选频段走400 MHz 起步也可以直接试到 800 MHz 甚至更高对比参考的 Wi-Fi 7 已经把信道带宽推到 320 MHz蜂窝侧为了承载沉浸式通信单载波带宽往这个量级走几乎是必然前传预算表要跟着重算。AP 间距按拓扑均匀分布别用六边形小区。无蜂窝的 AP 位置天然是异构的部署时允许 5% 到 10% 的随机抖动更贴近真实。导频长度按低移动性场景设 16 到 32 个符号对应的用户承载能力就是导频池的上限想多容纳用户优先增加导频长度而不是扩大复用因子。网上大量 6G 测速、6G WiFi 相关的内容都在讲“带宽翻倍、速率翻倍”那是链路层面的直觉无蜂窝大规模MIMO的验证要盯住的是“在同样前传预算和同样导频开销下5% 边缘用户提升了多少”。跑完这个小对比把 5% 分位两个数字贴到评审材料里比一句“性能提升了”有说服力得多。本文还有配套的精品资源点击获取