徐友云,许魁
(1.南京邮电大学通信与网络技术国家工程研究中心,江苏 南京 210003;2.陆军工程大学通信工程学院,江苏 南京 210007)
用户需求提升和技术革新是移动通信系统演进的源动力。随着全息类通信、数字孪生、虚实空间融合互动、广域物联网等新兴应用的快速涌现,要求未来移动通信系统能够支持Tbps量级的无线传输速率和厘米级定位精度[1-2]。基于大规模MIMO(Multi-Input Multi-Output,多输入多输出)[3-6]、毫米波[7]、新型编码调制、网络虚拟化等技术,5G实现了峰值速率、用户体验速率、频谱效率、时延、连接密度、网络能效等性能的全方位提升,用户和网络的基本需求得到了一定的满足。然而,随着应用范畴不断拓展且受到频谱、能耗、成本等多重因素的制约,移动通信系统仍需要不断演进以应对巨大的流量、连接数量增长、差异化应用以及高精度定位等持续发展需求。
目前,世界各国在快速推动5G商用部署的同时,也陆续发布了6G的研发计划[8-9]。2019年11月3日,我国科技部会同发改委、教育部、工信部、中科院、基金委召开6 G 技术研发工作启动会,并成立国家6 G 技术研发推进工作组和总体专家组,旨在推动6 G 研发并促进全球合作,力争主导6G的研发工作。2021年9月,中国IMT-2030(6G)推进组发布的《6G网络架构愿景与关键技术展望》白皮书[10]指出:在服务能力方面,新一代移动通信网络将以信息传输为基础进一步发展融合的“内生感知”与通信服务能力;在覆盖模式方面,新一代移动通信网络将从地面用户覆盖为主向立体化、分布式协作覆盖演进,从而能够有效支撑万物智联的宏伟目标。虽然业界关于6G内涵、技术趋势与特征还没有达成共识,但是在实现上述目标过程中以下技术将扮演重要角色:(1)“去蜂窝”(Cell-Free)超大规模MIMO技术[11-12];(2)太赫兹技术[13];(3)人工智能技术[14-15];(4)通信感知一体化技术[16-17]。
去蜂窝超大规模MIMO系统中,大量配置单根或多根天线的AP(Access Point,接入点)利用前向/回程链路连接到CPU(Central Processing Unit,中央处理单元),并引入“以用户为中心”的服务架构,实现大范围区域的连续覆盖[18-22],从而突破了“以小区为中心”的传统蜂窝覆盖思想,有效消除了蜂窝边界以及由频率资源静态支配所带来的局限,如图1所示。采用去蜂窝超大规模MIMO系统构架,未来6G系统的总频谱利用率理论上可由现有5G系统的50~100 bit/s/Hz提升至500 bit/s/Hz左右[11]。由于AP的天线数量有限,因此尺寸很小且成本较低,能够灵活部署在空间受限的位置。基于以上优点,去蜂窝超大规模MIMO系统非常适合在大型体育场馆、学校/医院、高铁/车站、金融/购物中心、智慧工厂、密集城市街道等热点区域部署。
图1 去蜂窝超大规模MIMO与其他系统的对比
通信感知一体化是6G技术与业务的主导趋势之一,由于无线通信频段向毫米波、太赫兹和可见光等更高频段发展,与传统感知频段将产生越来越多的重叠,因此通过在系统设计、信号处理与数据处理等方面进行一体化设计,可以通过软硬件资源共享或信息共享同时实现无线感知与无线通信功能协同,从而有效提升系统频谱效率、硬件效率和信息处理效率。去蜂窝超大规模MIMO作为6G物理层关键技术,在提升系统频谱利用率的同时,需要充分挖掘分布式系统的无线定位潜力,实现通信感知一体化,从而为6G网络提供无时无刻不在、无处不在的无线感知定位能力。同时,利用定位得到的用户位置、速度等信息,能够进一步实现网络整体性能和业务能力的提升。
未来的6G通信系统中基于位置的服务应用将遍及自动驾驶、资产/物流追踪、增强现实、医疗保健、共享车辆和紧急呼叫等多个行业领域,从而导致极高精度定位需求的爆炸性增长[9]。最新的研究表明,定位信息不仅可以为各类应用提供位置信息支撑,在提升通信系统的谱/能效并简化系统设计方面也可以发挥重要作用[23-26]。例如,在集中式大规模MIMO系统中,用户位置信息通常与其信号空间结构密切相关,可用于简化空间复用方案的设计。因此,位置信息辅助的移动通信系统设计得到了业界越来越多的关注[27-28]。
去蜂窝超大规模MIMO系统频谱效率性能提升以计算/实现复杂度的增加为代价[11]。借助位置信息来优化去蜂窝系统传输性能并简化计算/实现复杂度是一种可能的解决思路。然而,在城市密集区、室内、地下等部署场景中,大量高层建筑和障碍物导致电磁传播环境异常复杂,GPS卫星定位和传统小区多边定位方法信号不稳定且精度大幅下降[29],难以满足上述应用对任意时刻、任意地点高精度定位需求。采用地面伪卫星、辅助GPS、超宽带等感知与定位技术能够实现可靠定位,但构建专用定位网络实现大覆盖范围内无缝精准定位的建设和维护成本极高。去蜂窝超大规模MIMO系统分布式阵列的稀疏结构可等效为大口径天线,因而具备带内高精度感知定位与跟踪的潜力,如图2所示。
图2 通信感知一体去蜂窝超大规模MIMO技术应用场景示意图
在去蜂窝超大规模MIMO系统中进行通信与带内感知一体化设计,一方面能够利用分布式阵列天线大幅增加等效阵列口径,从而显著提升感知精度,并最大限度地降低感知网络的部署成本;另一方面能够充分利用感知得到的位置、速度等信息优化传输性能并简化计算/实现复杂度。尽管具有诸多优势,但去蜂窝超大规模MIMO系统性能受限于前向/回程链路容量[20],而感知定位会引入额外的前向/回程链路开销。因此,去蜂窝超大规模MIMO通信与定位一体化设计需要根据通信与定位的多样化性能要求和大规模分布式AP的系统特点,对通信接入、传输和带内定位技术进行重新优化设计,从而最大化通信与定位一体化设计的复合增益。
然而,通信感知一体去蜂窝超大规模MIMO系统所具有的AP随机分布广、服务规模可伸缩、无线链路差异大、回程/前向链路容量受限、不完美硬件等特点使得系统的优化维度显著增加,问题求解变得更加复杂。因此,在去蜂窝超大规模MIMO系统中进行通信感知一体化设计仍然面临诸多问题亟待解决。
目前,关于去蜂窝超大规模MIMO系统的研究主要集中在无线定位、波束成形与系统性能分析、导频分配与信道估计、回程/前向链路受限下的性能优化等方面,下面从4个方面分述去蜂窝超大规模MIMO系统的研究现状及发展趋势。
目前,基于去蜂窝超大规模MIMO系统的无线定位方法研究尚处于起步阶段,研究的重点主要集中在如何利用去蜂窝系统构成的分布式MIMO阵列实现精确的目标定位。文献[30]研究了毫米波去蜂窝超大规模MIMO系统中基于二维射频指纹的无线定位问题,提出了基于链路状态和信号到达角(AOA,Angle of Arrival)的二维指纹动态训练方法,实时提取环境中锚节点位置特征。同时,针对时变富散射信道环境,设计基于信息熵的接入点(AP,Access Point)动态选择和锚节点过滤方法,实现了室外条件下米级精确定位。文献[31]研究了去蜂窝超大规模MIMO系统中的指纹定位方法,提出了相应的用户分簇和导频分配方法,进一步提高了指纹定位精度。文献[32]提出了一种基于角度相似性的去蜂窝超大规模MIMO系统指纹定位方法,基于谱聚类算法对提取的大量参考点指纹进行了分簇处理,提升了用户指纹匹配的效率,并利用指纹匹配和加权K近邻算法,得到了用户精确位置估计。
目前,针对不同的天线配置设计上行/下行波束成形矩阵,并在此基础之上开展系统性能分析是去蜂窝超大规模MIMO系统研究的热点之一。在AP处配置单根天线时,文献[33]分析了采用下行共轭波束成形、上行匹配滤波的去蜂窝超大规模MIMO系统容量。文献[34]研究了去蜂窝超大规模MIMO系统下行传输分别采用共轭波束成形和迫零预编码时的性能及相应的低复杂度功率分配算法,使得系统性能相较于微蜂窝系统可获得5至10倍的增益。文献[20]在相关瑞利衰落信道条件下对比了全局最小均方误差合并和本地最小均方误差合并方法。文献[35]推导了采用迫零波束成形的去蜂窝超大规模MIMO系统近似可达上行速率,并给出了渐进性能下界。文献[36]研究了基于共轭预编码和匹配滤波的上行传输方法。文献[37]借助随机几何工具分析得出下行链路覆盖概率和可达速率性能。
在AP处配置多根天线时,文献[24]研究了去蜂窝超大规模MIMO系统中的信道固化和有利传播特性。文献[38]研究了以用户为中心的去蜂窝无人机通信系统,提出了最小速率最大化的功率分配策略和用户调度策略,提升了服务的公平性。文献[39]研究了多天线AP和完全导频迫零的去蜂窝超大规模MIMO系统下行传输方法。文献[40]研究了空间相关瑞利衰落信道下去蜂窝超大规模MIMO非相关联合传输和相关联合传输方法的频谱效率性能,提出了去蜂窝超大规模MIMO系统的下行传输功率优化算法,提升了频谱效率和能量效率性能。文献[41]提出了一种基于去蜂窝构架的网络辅助全双工(NAFD,Network-Assisted Full-Duplex)技术,提升了去蜂窝超大规模MIMO系统的频谱效率。
导频污染是制约去蜂窝超大规模MIMO系统性能的重要因素,如何合理地分配导频并改善信道估计性能成为提升系统性能的关键所在。文献[42]提出了基于用户间隔距离的动态导频复用策略。文献[43]提出了基于位置信息的贪婪导频分配方法,有效减小了导频污染。文献[44]研究了采用非正交导频和AP选择的时分双工去蜂窝超大规模MIMO系统导频功率分配问题,有效降低了信道估计的均方误差。文献[45]提出一种基于快速灵活去噪卷积神经网络的信道估计框架,提升了信道训练速度。文献[46]提出一种基于禁忌搜索的导频分配方案,该方法能够显著提升用户的净吞吐量性能。
为了解决频分双工去蜂窝超大规模MIMO系统存在的信道非互易性问题,文献[47]研究了下行导频训练问题,提出了基于最大-最小公平功率控制策略和贪婪导频分配算法,提升了下行链路可达速率性能。文献[48]提出了一种低复杂度的多径成分估计方法,显著提升了AOA和大尺度衰落系数的估计精度。文献[32]提出了位置信息辅助的信道估计算法,从角度域对窃听者所带来的导频污染进行了消除,提升了系统的抗截获传输能力。
在去蜂窝超大规模MIMO系统中,每个AP需要同时服务更多的用户,并且需要将数据通过回程链路传输给CPU,CPU也需要将发送数据通过前向链路传输给各个AP,这一传输机制导致对于回程/前向链路容量的需求也越来越高。由此带来的问题是现有的回程/前向链路设计可能无法满足巨大的网络吞吐量。在前向链路受限下的性能优化方面,文献[49]研究了前向链路受限条件下采用共轭波束成形的传输优化方法,提出了功率和前传容量受限下基于最大-最小速率准则的接收机滤波器设计和功率分配方法。文献[19]研究了前向链路受限条件下用户设备和AP存在硬件损伤情况时去蜂窝超大规模MIMO系统的上行传输方法,分析了压缩-转发-估计、估计-压缩-转发和估计-相乘-压缩-转发等三种传输策略的可达速率。
在回程链路受限下的性能优化方面,文献[50]提出了一种适用于去蜂窝超大规模MIMO系统非对称上行链路的扩展计算-转发与迭代功率优化算法,提升了系统的可达和速率性能。文献[51]分析了反馈受限下基于信道信息量化的去蜂窝超大规模MIMO系统性能,提出了最大-最小功率控制算法来保证用户的数据速率。文献[52]提出了回程容量约束下基于最大-最小准则的上行速率优化算法,改善了有限回程链路下去蜂窝超大规模MIMO系统的性能。文献[53]研究了采用容量受限的无线微波回程链路的去蜂窝超大规模MIMO系统的能效优化问题,给出了存在信道估计误差下的系统频谱效率闭式表达式。
与传统通信与定位独立设计的分离式结构相比,通信感知一体去蜂窝超大规模MIMO系统通过引入“以用户为中心”的可伸缩服务架构,能够有效消除传统蜂窝边界,并利用分布式阵列的稀疏结构可等效为大口径天线的技术优势,充分挖掘带内高精度定位潜力,从而构建低成本的定位网络,同时实现位置信息支撑的可靠通信。因此,需要从用户接入、业务传输、性能优化等方面研究通信感知一体去蜂窝超大规模MIMO系统智能传输方法,推动形成通信与定位信息的相互利用和良性迭代更新机制,有望突破通信与定位分离式结构局限,满足未来移动系统的高能/谱效传输与带内高精度定位需求,如图3所示:
图3 未来研究方向示意图
目前,关于通信感知一体去蜂窝超大规模MIMO与高频段无线接入技术研究是一个全新的课题,诸多全新的基础理论与实际应用问题亟待解决。下面从以下几个方面介绍未来的主要研究方向。
去蜂窝系统中大规模MIMO天线是在三维空间随机布设的,远场平行波入射、信道广义平稳、天线间共参数(波达/离方向、散射体/簇数目、随机衰落统计特性)等假设将不再成立,信道导向矢量的相位不再与天线序号呈线性关系,信道角度扩展也因为用户-AP距离的缩短而显著增大,共散射簇的数目也显著减少。在AP密集布设的无线环境中,信道呈现远近场叠加特性,这些特性增加了去蜂窝超大规模MIMO系统通信性能限分析的难度。在位置估计领域,克拉美-罗下界(CRLB,Cramér-Rao Lower Bound)给出了无偏角度估计算法的均方误差性能下界,在位置信息等参数估计领域一直占据主导地位。传统的通信系统性能评价体系与定位性能评价标准差异巨大且相互分隔,这给通信感知一体去蜂窝超大规模MIMO系统的基本信息理论分析带来了极大挑战。
在通信感知一体去蜂窝超大规模MIMO系统中,通信与定位资源的深度共用导致功能紧密耦合。由于利用通信资源进行定位,在进行定位性能限分析时,不仅需要充分考虑地面用户周围分布着大量的散射体所带来的低空多径、阴影遮挡效应等电磁传播特性,还需要考虑动态协作簇的组成、前向/回程链路受限、簇间干扰等通信信号的传输特征。在分析通信理论性能限时,不仅需要充分考虑近场宽带传输、非同步等实际约束对性能限的影响,还需要分析不同位置信息估计精度条件下信道传输速率容量,揭示系统频谱和能量效率、用户速率和容量、定位精度与系统天线配置之间的关系。因此,需要借助空间信息论[54]等理论,研究基于互信息的通信与定位一体化性能评价与分析方法,揭示信号与资源共享条件下,感知与通信性能相互影响与促进的内在机理与折衷关系。
在蜂窝移动通信系统中,终端用户的成功接入依赖公共信道传输的多种公共信息,比如系统信息、同步信息、控制信令以及多媒体广播多播等。例如,用户在开机之后首先要检测下行同步信号,此时系统并未获取与终端之间的信道状态信息,无法使用定向波束传输下行同步信号,需要设计公共信号以向所有待接入终端(包括:初始接入用户、休眠用户、待机用户等)广播公共信号。在去蜂窝超大规模MIMO系统中,“以用户为中心”的覆盖方式需要构建动态协作簇来服务用户接入,而协作簇的构建和接入资源的分配依赖用户位置等信息。用户的自定位信息可以借助于空间基准来获取,但是由于接入过程中去蜂窝超大规模MIMO系统无法获知用户的自定位信息,而利用随机布设的天线阵列对用户进行定位是一种有效的解决手段。因此,初始用户接入设计不仅需要设计公共信号以支撑公共信息传输和随机接入,还需要实现初始定位以支撑动态协作簇构建和资源的精准调度。需要利用随机布设的天线阵列进行均匀辐射预编码[54],同时,AP端可以利用随机接入导频信号提取用户角度、信号强度、多径信息等进行接入阶段的初始感知定位,从而实现通信感知一体化系统中用户的可靠初始接入。
在去蜂窝超大规模MIMO中,稠密用户分布以及有限的正交导频资源使得系统中导频分配和复用问题更为复杂。同时,“以用户为中心”的服务架构使得为每个用户提供服务的AP簇随着用户位置的变化而动态变化。动态变化的协作簇以及簇间干扰的存在使得集中式大规模MIMO系统的导频复用方法在去蜂窝系统中并不适用。如何设计合理的导频复用方法,从而减轻导频污染成为亟待解决的问题。另一方面,信道信息与定位信息的获取依赖正交导频,导频传输将消耗大量的通信资源,从而构成系统瓶颈。如何有效节约导频资源、降低导频污染是提高信道估计性能、提升系统频谱效率和定位精度的关键所在。因此,需要结合天线阵列随机布设、协作簇动态构建等特点,研究去蜂窝超大规模MIMO系统的动态导频复用、联合信道估计和位置更新方法。
基于用户接入阶段获取的初始位置信息进行导频资源受限条件下的导频分配方案设计,充分挖掘用户簇间、AP协作簇间的干扰影响,进而减少系统导频污染、提升信道估计性能。同时,基于精确的信道估计值,提取用户角度、信号强度、多径信息等精确信道特征,借助指纹定位、深度学习等技术实现位置信息的动态更新,最终实现信道估计与用户定位信息的相互利用与良性迭代更新机制。
位置信息辅助的导频分配方案主要通过对用户和AP进行分簇处理,将位置相近的用户分成一簇,簇内的用户使用正交导频,簇间用户进行导频复用,有效地减轻导频污染,提升信道估计准确度。图4对比了不同导频分配方案的信道估计均方误差。从图中可以看到,位置辅助导频分配方法相较于随机导频分配[55]、贪婪导频分配[56]以及基于位置的贪婪导频分配[57]等三种方案,可以实现最优的信道估计性能。另外,还可以直观地看到,正交导频数目越多,信道估计均方误差越小,因为此时用户间的干扰较小。
图4 不同导频分配方案下,信道估计均方误差随信噪比变化的示意图(M=8、N=20、K=20、τp=15,η=4 m。M:天线数目;N:AP数目;K:用户数目;τp:导频长度;η:参考点间隔)
利用精确估计的信道状态信息,提取更新后的位置指纹信息,进行用户位置更新,可进一步改善定位精度。图5给出了联合信道估计与位置更新方法的不同阶段的定位性能示意图。可以看到,定位性能随着天线数目的增加而提升,因为更多的天线可以提供更大的自由度。另外,还可以观察到,相较于初始定位,位置更新方法在精确定位阶段可以实现更高的定位精度。这是因为精确定位阶段用于定位的位置指纹信息提取自更加准确的估计信道信息,有效提升了定位性能。
图5 所提位置更新方法下,不同定位阶段定位误差的累积分布函数示意图(其中N=20、K=20、τp=10、η=4 m)
仅有本地AP或簇内AP信道状态信息可用时,位置信息将在分布式波束成形优化设计中发挥关键作用。受限于系统反馈容量以及大量信道反馈引入的信道老化,AP仅有本地或簇内AP的信道状态信息可用。由于不同AP-用户信道的散射路径相对独立,用户信号角度域分布更为稠密且不同用户间角度谱特征差异显著降低,仅依赖角度信息难以有效区分用户信号空间关联关系,从而导致集中式的大规模MIMO统计波束成形方法[4-7]不再适用。因此,需要充分挖掘用户位置信息与簇间干扰功率、AP波束成形策略之间的数学联系,研究位置信息激励的分布式波束成形优化设计方法,这是构建通信感知一体去蜂窝超大规模MIMO系统时所需解决的核心问题,如图6所示。
图6 位置信息辅助的分布式波束成形示意图
相对于瞬时信道状态信息,用户位置信息可视为准静态信息,对反馈链路的容量和时延要求远低于瞬时信道的反馈。因此,位置信息辅助的去蜂窝超大规模MIMO分布式波束成形方法具有很强的实用性。利用用户精确定位信息分析邻居协作簇用户的平均接收干扰功率与不同AP波束成形策略之间的数学联系,构建邻居协作簇的波束成形策略(波束角度、码本选择)与关联干扰相互的作用模型。在此基础上,设计可促进网络信干噪比(SINR,Signal to Interference plus Noise Ratio)、信号泄露比(SLNR,Signal to Leakage and Noise Ratio)最大化的效用函数,利用博弈论、强化学习等方法进行求解,并可针对不同用户位置分布样式,利用字典学习等基于数据的码本构建方法,对波束成形的码本向量空间进行自适应离线学习,从而优化和精简求解问题的策略空间,进一步改善分布式波束成形的实现复杂度和性能。
无线信道随机变化、协作簇规模可伸缩、用户分组动态变化、反馈链路资源受限等组网特点给资源优化配置带来了极大挑战。在去蜂窝超大规模MIMO系统中,蜂窝边界概念弱化,由多个AP构成的动态协作簇来共同服务一个用户,大幅减少了小区间干扰,提升了网络覆盖的均匀性。动态协作簇的AP构成是“以用户为中心”进行选择且动态更新变化的,协作簇的规模可以根据用户的服务质量需求进行伸缩。因此,去蜂窝超大规模MIMO系统具有很强的灵活性,这些灵活性在带来以上优势的同时,也给系统资源分配带来了极大的挑战。同时,由于信道估计误差、反馈受限、非理想硬件等因素导致各类干扰无法被理想抑制,残余的簇间干扰、多用户干扰将始终存在。当残余干扰累积到一定的水平,系统的频谱效率增益将大幅下降。而普遍存在的网络环境时-空变化、业务多样性和时变性、服务质量需求差异化以及通信和定位固有的资源需求矛盾等因素也从另一个方面制约着频谱效率的提升。
在进行资源分配时,需要充分考虑通信感知一体去蜂窝超大规模MIMO系统所具有的特征。簇内AP通常仅具有本地或局部邻居节点信道信息,且协作AP簇间遵循“利己主义”,资源竞争对邻近簇产生直接影响。当相邻AP簇占用相同时频资源引发簇间干扰时,通过簇间传递可间接影响并波及全部协作簇。此外,通信与定位对资源分配需求存在固有矛盾,提升定位精度可改善分布式传输性能,其代价是消耗更多功率和带宽资源,且独立的定位波束成形将占用额外的时间和计算资源,从而压缩信道估计和分布式传输的可用资源空间。同样地,基于簇间干扰抑制的资源分配策略虽可改善通信质量,但压缩了精确定位的可利用资源空间,从而限制定位性能的提升,并反向约束分布式波束成形性能。因此,在资源总量受限条件下,需要协同定位精度和通信资源消耗的折衷关系,在MIMO传输、NOMA传输、混合NOMA/OMA传输等策略的基础上,充分考虑残余簇间干扰、反馈链路受限等实际约束,研究多维资源动态分配问题,以实现各类资源的细粒度调度和自适应调整。
6G网络将在现有5G网络的基础上支持更高的数据速率(峰值速率达1 Tbps)、更高的能量效率、更低的时延以及更加多样化的用户需求。为满足这些网络需求,超大规模天线阵列和高频频段(如毫米波和太赫兹)无线接入等物理层关键技术将被应用于未来6G去蜂窝超大规模MIMO系统。分布式的超大规模天线阵列(基站或者智能超表面配置数百根甚至上千根天线)可以显著提高系统的频谱效率,同时高频段提供了更多可利用的带宽资源。不同于现有远场无线通信系统,超大规模天线阵列和高频谱资源的启用将使未来6G去蜂窝超大规模MIMO系统中的用户位于天线的辐射近场(菲涅尔)区域。在近场区域,电磁波的传播模型为球面波[58],而非传统假设的平面波传播模型。这种电磁传播环境的物理上的根本性变化给基于远场平面波模型推导的经典无线通信理论带来了巨大挑战[59-60]。同时,近场球面波传播特性也为无线通信带来了新的机遇。考虑定位感知和通信共享发射机硬件、频谱等资源且均工作于近场区域的场景,近场波束聚焦在增强通信性能的同时却会降低定位探测范围。因此,在近场通感一体化场景中,如何通过波束设计来权衡通信与定位探测雷达之间的性能是一个非常有意义的研究方向[61]。也可进一步研究近场射频无线能量传输基础理论及能量波束聚焦技术[62],为6G时代物联网设备无源化,即终端去电池、去电源线提供了理论基础和技术支撑。
鉴于去蜂窝超大规模MIMO系统广阔的应用前景,本文介绍了未来移动通信系统中通信感知一体化的潜在技术需求。在此基础上结合国内外最新研究动向和进展,提出通信感知一体去蜂窝超大规模MIMO系统。之后从基本信息理论分析、通信感知一体化接入方法、联合信道估计和位置更新方法、位置信息辅助的分布式波束成形、高能/谱效的分布式资源优化等方面介绍了通信感知一体去蜂窝超大规模MIMO系统的未来研究方向。进一步,结合高频段通信及其带来的近场无线接入技术特点,详细分析了6G无线网络中的近场通信挑战,给出了近场波束聚焦、射频无线传能等未来研究方向。最后总结了通信感知一体去蜂窝超大规模MIMO系统的主要优势和未来仍需关注的问题。未来,通过对通信感知一体去蜂窝超大规模MIMO系统的优化设计,同时充分发挥高频段通信与近场无线接入技术优势,能够推动形成通信与感知定位信息的相互利用和良性迭代更新机制,从而克服宽带通信与感知定位分离式结构局限,探索联合高谱/能效传输与带内高精度感知定位的一体化创新解决方案。