基于可重构智能表面的6G通信技术

姚嘉铖 许 威，2 黄永明，2 肖华华 鲁照华

（1.东南大学移动通信国家重点实验室、移动信息通信与安全前沿科学中心，江苏南京 210096；2.网络通信与安全紫金山实验室，江苏南京 211111；3.移动网络和移动多媒体技术国家重点实验室，广东深圳 518057；4.中兴通讯股份有限公司，广东深圳 518057）

1 引言

随着近年来科技的不断发展，各类无线通信业务需求不断增长，物联网时代海量的接入设备要求一个拥有更大系统容量、更快信息传输速率以及更加智能化数字化的通信网络。全覆盖、全频谱、全应用、强安全被认为是第六代移动通信（6G）的发展目标与愿景［1］。相较于第五代移动通信（5G）技术，未来6G 时代将会引入并利用更高的频段，要求达到更快的通信速率和更为广域的覆盖范围，这同时也对无线通信系统的部署成本和能耗效率提出了更为严峻的挑战。如何在提升系统性能的同时兼顾成本，提升能耗效率以有效降低无线通信系统的部署与运营成本，是发展未来6G 网络需要解决的关键问题。此外，从“万物互联”到“万物智联”，智慧连接也是未来6G 网络的一大特征之一［2］，不仅是着重于系统性能的提升，未来6G 同时也将会与人工智能、云计算等智能化技术进一步融合，使得通信网络、感知网络、计算网络向一体化方向发展，构建一个全新的智能网络系统。这对6G 空口传输设计提出了新的挑战。

可重构智能表面技术，由于其可编程的特性，被视为是未来6G 移动通信网络的重要技术之一。文献［3］首次提出了可编程超表面的概念，可利用编程实现对反射电磁波参数的智能调控。在此基础上，RIS（Reconfigurable Intelligent Surface）是在天线阵列上集成大量无源反射超材料元件，每个无源反射元件均可以通过编程独立地对入射信号的幅度、相位、频率、极化等进行灵活调整［4-5］，可针对无线信道环境的变化进行实时的配置与调控，由此来实现人工可控制的电磁传播环境，提升系统的性能。相较于一些类似的概念，比如中继通信，反向散射通信，可重构智能表面有着如下的特点和显著优势。一，构成RIS的近似无源的反射元器件，仅被动反射信号，无需进行信号处理，避免了热噪声的引入，同时也大大降低了系统的能耗；二，成本低廉，易于部署。RIS 由大量的低成本反射单元集合而成，部署成本低，而且其平面薄板的结构，可灵活附着于建筑物外部、天花板、标牌等之上。三，可工作于全双工模式，没有自干扰，适应于实际工程应用。将RIS应用于6G 移动通信网络，能有效降低系统的能耗，提升系统能量效率，帮助解决高频段电磁波覆盖范围小的问题，实现更低成本与更高质量的覆盖，并且RIS 辅助下的智能无线环境构建也使得传统的无线通信系统具有了更多可控维度，对于6G的未来发展和实际应用具有着重要意义。

与此同时，RIS 的引入，也给未来6G 通信网络设计带来了诸多新的挑战。区别于传统的通信技术，RIS 的引入带来了一个新的优化维度，同时也使得传统的信号传输过程发生了改变，使得信道建模、信道估计、信息传输等面临更多新的问题。如何更有效地进行设计与优化，激发RIS应用的潜能，对于RIS的实际应用有着重要的意义。本文将着重对于目前基于RIS的6G 通信系统设计思路，包括信道建模与信道估计方法、混合波束赋形技术以及与智能网络的融合设计三个方面的内容，进行介绍并展开深入的分析与探讨。论文最后将针对可重构智能表面技术的未来发展进行展望。

2 RIS简要概述

2.1 RIS工作原理与分类

RIS 的典型工作架构如图1 所示，通常由集成大量反射元件的天线阵列与一个控制器组成，控制器可对每一个反射元件进行独立调控，由此实现对无线环境的智能控制。其中，反射元件通常由PIN（Positive-Intrinsic-Negative）二极管、场效应管或者其他的微机电系统（Micro-Electro-Mechanical Sys⁃tem，MEMS）组成［5］。以PIN 二极管为例，通过对于偏置电压的控制，可以控制PIN二极管的开闭，由此实现相移差的控制。控制器通常为可编程器件，如FPGA（Field Programmable Gate Array），仅需调整偏置电压，便可以实现对电磁波的实时调控。

针对狭义上的可重构智能表面的一些缺陷，目前也涌现出了一些新种类的RIS。针对RIS 通信链路的巨大衰落，主动RIS（Active RIS）通过引入有源的放大器，例如利用二极管将直流偏置转换为射频功率，可实现对反射信号的放大［6-7］，并且可以在较少的反射单元与有限的功率下实现更高的频谱与能量效率［8］。考虑到传统的RIS 仅能实现反射，这也就只能实现对一半空间的智能调控，因此，兼具反射与透射功能的STAR-RIS（Simultaneously Trans⁃mitting And Reflecting RIS）被提出［9-11］。STAR-RIS可以将入射信号进行反射的同时进行透射，并可实现对反射信号与透射信号的独立调控，由此实现全空间的智能无线环境。此外，部署在空中平台的ARIS（aerial RIS）也能够实现全空间的反射，并且相对于固定的RIS，更加灵活可控，也能够创造更多的视距（Line-of-Sight，LoS）链路，实现更好的通信性能［12］。

目前主流讨论的RIS 是无源的被动器件，对入射信号进行反射，并对其相位进行灵活调整，其余新型的RIS 设计方法与之类似。因此，本文主要从此类的RIS出发，对其相关应用与技术进行讨论。

2.2 常见使用场景

在目前的研究之中，RIS 在各种无线通信场景下的应用已经得到了广泛的关注与讨论。基于RIS起到的不同作用，其工作场景主要可以分为以下五类，如图2所示。

（a）作为中继增强信号。由于更高频段电磁波的引入，使得单个基站的覆盖减小，信号衰减增大，而RIS 的部署可以起到中继的作用，用以增强通信链路的性能，通过无源波束赋形补偿长距离传输带来的能量损耗，减小能耗，增大信号的覆盖。例如将RIS 用于辅助盲区用户通信［13］，同步无线信息和电力传输（Simultaneous Wireless Information and Power Transfer，SWIPT）［14-16］，无人机（Unmanned Aerial Vehicle，UAV）通信网络的覆盖拓展［17-18］等场景之中，通过RIS的辅助，可大幅提升系统的通信性能与可靠性。

（b）重塑信号传播环境。由于RIS 可以自由地对信号的传播环境进行智能调控，因此便可以通过配置RIS，来实现对有用信号的增强以及对干扰的抑制。例如将RIS部署于多小区系统以抑制小区间干扰［19］，D2D（Device to Device）通信网络中的干扰抑制［20］，或者用于增强物理层安全［21-23］，抑制窃听者的信号，并增强合法用户的信号等。

（c）主动信息传输。之前的场景之中，RIS 仅作为一个不携带信息的被动反射元件。但RIS也可用于主动传输信息。可以将所需传输的信息进一步调制在RIS 相移的选择［24］、反射单元的开关［25］上，或者将RIS 划分为不同子块，将信息调制在RIS 子块的指数上［26］，使得RIS本身也可携带信息，增大系统容量。

（d）调制与模拟波束成型。由于RIS 可以实现对信号的自由调控，因此可以部署在发射端，起到调制与模拟波束成型的作用。例如在用户终端附件部署以实现大规模阵列［27］，降低硬件成本与功耗，提升系统性能；或者用于辅助指数调制（Index Modulation，IM）［28］，更好地聚焦波束，实现频谱效率的提升。

（e）创造多径传输环境。针对一些不满足富散射条件简单的传播环境，其信道具有低秩问题，这也进一步影响了复用增益。通过分布式的RIS 部署，可以人为地创造多个独立的传播路径，并尽可能多地创造LoS链路［29］，提升系统性能。

3 信道建模与信道估计

信道状态信息（Channel State Information，CSI）的准确获取是进行多天线MIMO（Multiple-Input Multiple-Output）传输的前提条件，精确的CSI 对于充分激发RIS的潜力有着至关重要的作用。不同于传统的MIMO 通信系统，RIS 辅助的无线通信系统在信道建模与信道估计方法之上都有着较大不同，下面将分别进行介绍。

3.1 信道建模

信道的准确建模对于RIS的理论分析与系统设计有着重要的影响。文献［30］总结了现有的两种RIS 信道的建模方法，即双积反射信道模型和空间散射信道模型。

考虑一个典型的单用户MIMO 系统，发射端和接收端分别部署了Nt和Nr根天线，RIS 共配备了M个反射单元，发射端与接收端之间信道被严重阻碍，无直达链路。在目前较为普遍的建模方法，即双积反射信道模型下，RIS 对于信号的调整简化为了一个对角阵，信道如下所示：

空间散射信道模型被认为能更好表征RIS的特性，将每一个反射单元单独考虑为一个反射体，则总的信道即为所有路径的叠加值：

其中αm是关联第m个反射单元的路径增益，qm表示了RIS第m个反射单元对信号的调控。aR与aT分别表示反射端和接收端的阵列导向矢量，ϕ和φ分别表示仰角与方位角。区别于第一类信道建模方式之中将RIS 视为全向天线，该建模方法将其视为散射体，将更加贴近实际场景。考虑到RIS 单元对于信号幅度的调整与波达方向和波达角相关，同时还受到反射单元本身性质的影响，文献［31］通过求解电磁场的相应积分方程，对RIS 单元对于信号幅度的调整进行了建模，建立了更实际化的信道模型。此外，考虑到大量部署的亚波长间隔的反射单元可能带来的互耦效应，文献［32］建立了能够对其进行解释的RIS端到端信道模型。

基于RIS的信道建模的另一个重要问题便是对于路径损耗的建模。基于远场的假设，即收发端与RIS 的距离均远大于RIS 本身的尺寸，文献［33］阐述了在亚波长天线间隔的尺度下，RIS 反射单元就几乎表征为一个漫射散射体，而RIS 就是漫射反射体组成的阵列，该情况下的路径损耗PL与发射端到RIS 与RIS 到接收端的距离d和r的积的平方成正比，即：

但是在实际的应用场景之中，尤其对于一些室内的应用场景，远场的假设不再成立，实际上RIS是在近场条件下工作，此时RIS的特性将发生较大的改变。文献［34］对于RIS处于近场情况下的路径损耗进行了详细的建模与分析，对收发机均在近场以及收发机之中一个在近场，另一个在远场的情况进行了分析，并利用实际测量对于模型进行了验证。

3.2 信道估计

由于RIS 为近似的被动器件，其没有主动收发信号和进一步信号处理的能力，这就使得传统的信道估计方法无法适用。一种想法就是将RIS的少量反射单元用主动元件加以替代，并利用相关性对剩余的反射单元处的信道进行构造，由此来获得整体的信道。但主动元件的安装将一定程度之上丧失RIS作为一个低成本被动器件的优势。

常见的另一种替代方案是将RIS 和基站、RIS与用户之间的信道作为级联信道进行估计，无需知道单个的信道。文献［35］考虑将RIS的反射单元依次打开，其余的反射单元关闭，由此对每个RIS反射单元关联的级联信道进行估计。该方法一方面会损失估计的精度，更重要的是对于大规模的RIS 器件以及多用户系统，其估计所需的时间开销较大，难以在实际系统之中应用。基于接收端单天线的模型，文献［36］证明了估计精度与RIS 处相移的选取相关，并给出了最优的相移设计。扩展到接收端多天线的情况，文献［37］提出了一种信道分解的方案，并从理论上导出了最优的相移设计方案，使得估计性能得到提升。文献［38］则推导了接收端采用低分辨率的ADC（Analog-to-Digital Converter）情况下的最优线性估计器，并针对毫米波信道的稀疏性进行扩展，提升了性能并降低了计算复杂度。

针对上述方法之中的时间开销大的问题，目前主要有以下的一些解决思路。信道估计的时间开销随着RIS 反射单元数目的增大而线性增加，因此当反射单元数目减小的时候，则会有效降低时间开销。文献［39］提出了一种反射单元分组的方案，通过相邻反射单元配置相同的反射系数实现分组，以近似地减小反射单元的数目。但是该方案一定程度上会损失估计的性能。同样，针对多用户系统，用户的数目也决定了信道估计所需要的时间。文献［40］充分利用了不同用户之间的反射链路存在相关性设计了一种三阶段的信道估计框架，显著减小了导频训练的轮数，降低了时间开销。此外，压缩感知（Compressed Sensing，CS）技术的应用可以较大程度上降低时间开销。文献［41］之中利用了毫米波信道的稀疏性，将级联信道进行稀疏表示，将信道估计问题转化为了稀疏信号恢复问题，该方法可以显著降低信道估计的时间开销。

人工智能技术作为一项具有良好效果的信号处理技术，它的引入也能够获得更优的估计精度与更少的时间开销。目前AI 在信道估计之中的应用主要分为两个层面。一种是利用神经网络去拟合接收信号与信道信息之间的非线性映射，另一种则是利用AI 技术对于目前信道估计的一些方法的缺陷进行补充，以追求更优性能。文献［42］便使用监督学习的方法，利用卷积神经网络（Convolutional Neural Network，CNN）对从导频信号到信道信息的映射进行了拟合，获得了较优的性能。文献［43］在利用CS技术进行信道估计的基础之上，添加了一个去噪的CNN 网络，相较于仅利用CS 的信道估计方法实现了性能的提升。

4 基于RIS的混合波束赋形技术

在部署了RIS 的无线通信系统之中，可以通过对RIS 的调控来实现信号传播环境的重塑，以此来增强信号并抑制干扰。因此在RIS辅助的无线通信系统之中，我们通常需要对于在发射端的数字预编码，以及在RIS处的模拟预编码进行联合优化，以提升系统性能，实现更高的系统容量、更好的应对噪声与各类误差的鲁棒性和更好的物理层安全性。如图3 所示，对一个典型的RIS 辅助的单用户通信系统进行仿真分析。该场景下，设定一个配备4 根发射天线的基站在包含64 个反射单元的RIS 的辅助下，对一个配备了单接收天线的用户进行服务。将基站与用户之间的直达径建模为瑞利信道，基站与RIS 以及RIS 与用户之间的信道建模为具有LoS径的莱斯信道，并相较于直达径有较小路径损耗。可以发现相较于不部署RIS 的系统，系统性能得到了大幅提升；同时还可以发现，若仅仅只在发射端进行波束赋形，忽略了对于RIS的优化设计，使得反射波束未完全对准用户，其性能增益有限。只有对于发射端和RIS 进行混合波束赋形，对两者进行联合优化，实现对电磁空间的准确调控，才能够充分激发RIS的潜力，提升系统性能。

但是RIS 的引入，也使得波束赋形设计的难度大大增加。通常需要联合优化发射端的预编码矩阵和RIS的相移，两者高度耦合，而且相移通常需满足非凸的单位模量限制，这也就导致了该优化问题普遍表现为非凸问题，给波束赋形设计带来了困难和挑战。目前针对基于RIS 的波束赋形问题，主要有两类解决方案，即基于凸优化方法的设计与基于人工智能技术的设计，下面将进行详细阐述。

4.1 基于凸优化的波束赋形设计

由于基于RIS的混合波束赋形问题大都为非凸问题，想要利用凸优化技术求解都得将原问题转化为凸问题，或者分解为凸的子问题，利用迭代算法依次求解。

首先，需要讨论的是对于高度耦合的优化变量的处理。交替优化（Alternating Optimization，AO）的思想在目前的文献之中被广泛采用［44］。对于需要联合优化的发射端预编码阵与RIS 处的相移，需要对其中一个先固定为常量，然后对另一个进行优化，然后交替固定进行优化直至最终结果收敛，以此来实现解耦。由于单次迭代之中，每个子优化问题都保证了更优的目标值，通常为速率和、功率消耗等，这保证了迭代过程中目标值单调不减（增），同时性能受限于约束条件而有上（下）界，这就保证了AO 算法能收敛到一个局部最优点。但该算法通常无法得到全局的最优解。此外，对于一些特定的问题，比如加权和速率最大化问题，经典的WMMSE（Weighted Minimum Mean Squared Error）算法［20］和分数编程（Fractional Programming，FP）［45］算法可以通过辅助变量的引入将原问题进行转化，然后利用块坐标下降（Block Coordinate Descent，BCD）算法对每一个变量进行依次更新与优化，实现对耦合变量的解耦。实质上，BCD 算法也是应用了交替优化的思想，和之前介绍的AO算法一致。

接下来，基于上述解耦的方法，我们需要探讨RIS 处相移非凸单位模量限制的处理方法。由于当相移固定时，对于发射端预编码的设计问题与传统的MIMO系统预编码方案一致，故不再讨论。

第一类常见的方法是对非凸的限制进行放松约束，由此来实现凸问题的转化。文献［44］之中给出了一种常见的半定松弛（Semi-Definite Relax⁃ation，SDR）方案。对于满足单位模量限制的RIS相移向量，引入半正定的新矩阵变量V≜vvH，由此每个元素的单位模量限制可以转化为：

其中[V]n，n代表第n个对角线元素，V≽0 表示V为半正定矩阵，rank(V)代表V的秩。由于秩为1 的限制是非凸的，故可将其进行放松，由此可以得到一个凸问题。考虑到最终得到的最优解并不满足秩为1的条件，这仅能得到一个上界，文献［44］还给出了构造秩1解的方法。

第二类则是构造凸的子问题进行迭代，来不断逼近原问题的最优解。文献［20］之中介绍了MM（Majorization-Minimization）算法，主要思路为在每一次迭代之中利用原目标函数的上（下）界，通常为泰勒展开式，来作为需要优化的目标函数，使得每次迭代的子优化问题易于求解，并通过迭代逼近原目标函数的最优解。另外一种常见的思路则是利用在目标函数之中添加惩罚项的形式使得在迭代过程之中满足非凸约束，对于新目标函数中的非凸部分则利用连续凸逼近（Successive Convex Approxi⁃mation，SCA）的思想加以处理。该思路的问题主要集中于如何构造非凸约束的惩罚项。常见的处理方法有如下几种。首先是在文献［46］之中，将秩1限制转化为了范数差的形式：

其中‖V‖*为其核范数。文献［47］之中则利用无穷范数和迹对满足单位模量限制的v进行了转化：

其中‖v‖∞为v的无穷范数。此外，文献［48］之中对|vn|2=1进行了如下的等价转换：

此时便分成了两个约束，并对非凸的|vn|2≥1 利用线性化进行了处理。

第三类方法，则是利用常见的梯度下降的思想进行处理。文献［20］中应用的CCM（Complex Circle Manifold）方法便是基于梯度下降的思路，与传统的基于欧氏空间的梯度下降不同的是，CCM 方法是基于复圆空间S 进行的梯度下降，复圆空间S 定义如下：

其中Re{∙}和Im{∙}分别表示取一个复数的实部与虚部。因此我们的相移向量v便属于一个N维的S空间。基于此空间的梯度下降算法，首先需要计算欧式空间的梯度值，然后转换为黎曼梯度，进行梯度更新，最后再将结果投影回复圆空间，这也就保证了非凸约束的满足。

此外，本文还总结了一些常见场景之中的波束赋形优化方法，如表1所示。

表1 一些典型场景下的混合波束赋形方法Tab.1 Hybrid beamforming methods in some typical scenarios

上述基于凸优化方法对混合波束赋形的求解方法，虽然能够有效求解，但经过多次的迭代优化，计算复杂度较高，而实际应用中常需要对RIS 进行动态调控，实际应用难度较大，尤其对于大规模部署RIS的系统难以适用。此外，上述的迭代方法，大都是收敛于一个次优解，无法找到全局最优解，无法完全获得RIS部署所带来的性能增益。

4.2 基于人工智能的波束赋形设计

相比较于凸优化方法进行波束赋形设计的弊端，数据驱动的人工智能波束赋形方案将具有独特的优势。借助于AI技术，事先利用大量数据训练好模型，实际应用时可以大大降低RIS 辅助无线通信系统波束赋形设计的运算复杂度，减少复杂的迭代优化所需的时间。

利用AI 技术进行混合波束赋形设计思路主要是利用深度神经网络（Deep Neural Network，DNN）对于复杂的优化过程进行拟合，使得波束赋形设计的时间得到大大的加速。文献［53］之中，将用户的位置信息作为输入，利用大量事先计算好的最优相移作为标签用于训练，使得DNN 能够拟合非凸的RIS 处相移优化过程。但是在实际使用之中，需要我们事先获得大量的相移作为标签，计算量较大；同时我们基于凸优化得到的是次优解，DNN 拟合的也是得到次优解的过程，无法得到更优的性能。针对上述问题，文献［54］提出了一种无监督学习的方案，将信道信息作为输入，直接将所需要优化的目标函数作为损失函数，由此避免了大量标签的计算。但是其本质上依然是由输入的信道信息对应了唯一的相移作为输出，所以依然在DNN 的训练之中进行了标签。

为了解决无法大量计算标签的问题，深度强化学习（Deep Reinforcement Learning，DRL）的方案得到了广泛的考虑［55-56］。DRL 不需要训练标签，具有在线学习和样本生成的特性，可在复杂的动态环境中进行最优决策，更加适用于混合波束赋形的设计。文献［55］利用DRL 对RIS 辅助的单用户系统进行了优化。相较于仅需得到最优相移的单用户系统，文献［56］考虑了需要对发射端预编码和RIS处相移进行联合优化的多用户系统的DRL 框架设计。

但是，随着系统规模的不断增大，大量的RIS部署以及海量的接入设备，如果直接利用神经网络对于混合波束赋形的优化过程进行拟合，使得神经网络输入输出的维度较大，想要获得较好的性能，整个神经网络的规模也随之增大，训练开销也会大大增加。一种解决的方案是利用迁移学习（Transfer Learning，TL）的思想，将训练好的较小规模的模型迁移到大规模的模型之中，以减小训练的开销。文献［57］便构建了一个用于波束赋形的TL框架，将一个部署了较少RIS的系统的波束赋形网络迁移到具有较多RIS反射单元的系统之中，减小了训练开销。

最后一种思想便是将凸优化与神经网络进行结合，利用凸优化等方法给予神经网络一些专家知识以减少神经网络的规模与训练开销；或者根据凸优化的过程构建类似的神经网络框架，利用神经网络以减小凸优化过程之中一些计算复杂度，结合两者的优势。文献［58］便是根据经典的WMMSE算法流程，将每次迭代分解，由神经网络替代了复杂的矩阵求逆过程，构建了一个更为高效的波束赋形框架。

5 基于RIS的智能网络设计

RIS 的引入与智能无线环境的构建使得一个更为智能化的无线通信网络成为可能。本节将从RIS辅助的通感一体化网络设计与全链路智能化网络设计两个角度展开，探讨RIS 与智能网络的融合设计技术。

5.1 RIS辅助的通感一体化网络设计

通感一体化网络是指未来的无线通信网络将不仅仅只是用于相互之间的通信，而是与感知技术相互融合，使得无线通信网络可以进一步感知环境，有助于实现更高的传输速率、更低时延、更低功耗，以及对于设备的精准定位。

将RIS 部署在通感一体化网络之中，有着诸多的天然优势［4］。首先，在大量部署的低成本RIS 上安装低能耗的传感器，可以实现对于环境的细致感知，构建更为精细化的环境地图。其次，随着通信与感知的进一步融合，其频段也逐渐趋于一致，对于高频下的较大能量损耗，具有全频段响应特性的RIS 的部署将大大扩展覆盖范围。此外，大规模的表面布置以及大量部署的反射单元，使得RIS 具有较好的空间分辨率，使得精确的室内定位成为可能。

RIS 辅助的通感一体化系统一种常见的应用便是精确定位，如图4所示。传统的GPS定位对于室内等一些场景不再适用，而高精度的定位常常是一些应用的基础。而RIS由于其天然具有的较高空间分辨率使得精确的定位技术提供了可能。同时精确的定位以及对于环境的感知也将进一步积极影响通信的质量，精确的位置可以进一步获得更加精确的信道和更优的波束赋形方案，进一步提升了通信的性能，两者相辅相成，相互促进。一种常见的定位方式是通过测量到达时间（Time of Arrival，ToA）、到达角（Angle of Arrival，AoA），出发角（Angle of Departure，DoA）、接收信号强度（Received-Signal-Strength，RSS）等信息，然后计算确定设备的位置。文献［59］充分利用了RIS与发射端链路之间的AoA、DoA 以及ToA 等先验信息，设计了一个波束赋形与精准定位的通感一体化框架，实现了较高的定位精度与传输速率。考虑到这些先验信息不一定可知，文献［60］部署了两个相对空间旋转的RIS 以获取更为精准的空间信息，并设计了一套信道估计与定位的框架，利用信道估计恢复出的AoA 与DoA 等信息实现厘米级的精确定位。另一种是基于事先构建好的指纹库实现定位，实际定位时仅需进行匹配。文献［61］之中基于RSS 构建了指纹库，通过部署RIS 以增强盲区设备的接收信号，提升定位精度，并优化了RIS处的相移以获取更优的定位效果。

针对通信与雷达共存的系统，RIS 的部署也有着重要的意义。通信设备与雷达设备相互分离，但两者共享相同的频谱，这是另一种常见的通感一体化系统。由于共享着相同的频谱，通信设备与雷达设备之间势必会存在着相互干扰，这也进一步影响了通信与感知的性能。为此，文献［62］之中在通信设备的收发端分别部署了一个RIS，利用RIS 的可编程特性实现了对通信信号的增强与干扰的抑制，提升了该系统的性能。

5.2 全链路智能化网络设计

前面的多个章节之中，基于AI技术的单个模块或者功能设计已经得到了广泛的讨论，包括用AI技术进行信道估计，波束赋形等等，但整个网络仍然是基于传统架构，AI技术仅是作为单个模块的补充技术或者是优化技术进行单独的使用。未来的智能化网络，将以AI为基础构建一个全链路的智能化网络。而基于RIS 构建的智能无线环境的引入，一方面在AI 技术的支撑下，能够更好地凸显RIS 技术的优势，大幅降低网络实现的复杂度，提升系统性能。另一个层面，RIS 的引入也在一定程度上提升AI 技术的性能与适用性。6G 时代将RIS 技术与AI技术相互融合，设计全链路的智能化网络，将具有广阔的发展前景。

首先，将AI 技术用于RIS 通信的全链路设计，相比较于单独的模块与功能设计，将能更大程度发挥RIS 的优势，提升系统性能。文献［63］之中探讨了一种基于RIS 的收发端联合设计新方案，利用三个DNN 对于发射端的编码、RIS 相移选择以及接收端的解码进行优化，相较于独立的模块设计能够拥有更低的误码率。

同时，RIS 技术也对于AI 技术有着重要的反哺作用。联邦学习（Federated Learning，FL）是一种机器学习的新范式。相较于传统的集中式学习方法，FL提出了分布式学习的方案，通过本地的模型训练与云端的模型聚合，减轻了集中学习的巨大计算与存储开销，并能够更好维护用户的安全性，更适用于未来分布式与智能化的6G 网络。但是，受限于有限的通信资源，以及复杂多变的无线传播环境，在智能网络之中进行FL 的训练与应用将会受到通信性能的影响。利用RIS 构建的智能无线环境，可有效地应对变化的传输环境，在有限的通信资源下尽可能地提升通信性能，减小传输过程之中出现的误差，提升模型训练的准确度与收敛速度，促进分布式智能网络的实现。例如，为了提高FL模型聚合中的通信效率，可以利用无线信道固有的叠加特性，引入了无线空中计算（over-the-air computation，AirComp）来支持大量的局部模型同步上传。但是，由于变化的非均匀的衰落，实现模型的平均聚合变得较为困难，进而可能使得训练得到的模型性能下降。基于此，文献［64］引入了RIS 来辅助AirComp，构建了一个统一的通信与学习优化的优化框架，以联合优化设备选择、波束赋形设计和RIS配置，大幅提升了FL的性能。

此外，文献［65］之中还探讨了一种将RIS 与AI技术融合，辅助智能网络设计的新方案，即基于RIS的神经网络设计。其中提出了两种可能的实现方案，第一个模型将智能无线环境建模为DNN，将多个RIS建模为神经元节点。另一种方法则是直接将RIS建模以单个单元为神经元节点的复值DNN。文献［66］进一步地利用多层的透射式RIS构建了可编程的全衍射式神经网络，可实现对网络参数的实时调整与光速的计算。充分利用RIS的可编程特性将神经网络硬件化实物化，不仅仅将会用于无线通信，而且为更多基于AI 技术的智能应用提供了可能。

6 结论

可重构智能表面概念的提出，使得智能无线环境成为了可能，这也极大赋能了未来6G 智能化网络的设计。本文对于目前RIS辅助无线通信系统的关键设计方法，包括信道建模与信道估计方法、混合波束赋形方法以及与智能网络结合的设计方法，进行了一个简要的综述。目前关于RIS的相关研究仍然处于一个起步的阶段，更多着眼于理论层面的探讨。在实际系统之中，中国联通与中兴通讯公司完成了首个5G 外场环境下的RIS技术验证，证明了RIS 能在低功耗低成本的前提下大幅提升小区边缘用户性能，提升基站覆盖能力与质量。香港中文大学罗智泉教授团队与华为公司合作，在真实5G 网络环境下测试了基于盲波束赋形的RIS 技术，证实了其显著性能增益。但对于进一步的实际部署与推广，RIS 技术仍然存在较多的问题需要解决，主要有以下几点：

（1）现有的RIS 的信道与传输模型缺乏实际测量数据的支撑，对于处于近场条件下的信道与传输模型建模尚未得到充分研究。

（2）现有的设计方法大多基于简化的信道模型，将RIS对信号的影响简单地建模为相移的改变，其实际应用效果会受到影响。

（3）传统的信道估计与波束赋形设计方法的计算复杂度较高、时间开销大，影响基于RIS实时配置的智能无线环境实现。

（4）使用AI 技术设计方法的数据集收集困难，目前大多基于仿真的数据进行训练，与实际情况存在偏差。

（5）智能网络的构想仍然处于起步与理论阶段，相关文献资料较少，距离实际部署还有较大距离。

考虑到上述的问题，未来关于RIS 技术的进一步研究方向如下：

（1）面向包括毫米波、太赫兹乃至无线光等工作频段的RIS信道准确建模。

（2）低开销、低复杂度的RIS级联与独立信道估计方法。

（3）考虑硬件等实际限制，低复杂度的快速波束赋形与分布式优化算法设计。

（4）面向未来密集分布网络的RIS 的部署建模与优化。

（5）具有更好鲁棒性与泛化性的RIS 通信AI 设计方法。

（6）增强RIS 使能的通感一体化、太赫兹通信、UAV通信技术等。

（7）基于RIS的全链路智能化网络仿真、部署与实现。

总的说来，RIS 由于其突出的优势，是未来6G时代的关键技术之一。上述的方向也需要进一步的深入研究，以真正推动RIS的实际产业化，使得未来无线通信网络更好地迈向智能化。