面向未来6G网络的绿色通信感知计算技术*

胡杰 杨鲲

(电子科技大学信息与通信工程学院，成都 611731)

0 引言

未来智慧城市、智慧交通、智慧工业、智慧农业等重大应用，需要广泛部署的大规模传感设备提供的海量环境、状态信息支持。首先，未来6G移动网络需要满足海量数据由“端(传感设备)”到“边(接入基站)”的可靠传输；其次，未来6G移动网络还需要完成原始数据的清洗与计算，实现精准环境态势感知。数据的可靠传输和环境态势的精准感知，是实现智能管理、智能操控、智能制造、智能生产的关键要素。因此，未来6G将成为集通信、感知和计算功能为一体的全功能移动网络。但为完成海量数据的传输与计算，接入基站侧和传感设备侧均需要消耗巨大的能量，严重影响通信感知计算任务的可持续执行。

为有效减少移动通信网络中的“碳排放”，以节能减排为目标的绿色设计包括传统的绿色通信技术，以及新兴的绿色计算和绿色感知技术。

(1)绿色通信技术。随着未来6G移动通信系统向高频演进，通信基站需要支持大规模阵列天线及相应的硬件，能量消耗大幅增加。绿色通信技术通常以如下目标进行系统设计：满足用户通信服务质量需求的前提下，降低发射机能量消耗；定义能量谱效率，关注单位能量所能获得的通信频谱效率，并以最大化该性能作为设计目标。英国的学者[1]对使用大规模天线阵列作为射频前端的用户设备进行联合硬件设计，包括功率放大器、可调滤波器以及阵列天线，可大幅度降低用户设备的通信能耗。德国的学者[2]利用可重构智能反射面进行无线传播环境控制，通过联合设计发射机波束赋形，反射面发射波束赋形，实现发射机发送功率的最小化，达到节能减排的目标，并满足通信用户的服务质量需求。

(2)绿色计算技术。目前，移动边缘计算技术发展迅速，通过计算任务卸载以及云—边—端计算协同的方式，彻底解决了微小设备算力不足的窘境。但大规模计算任务的执行，涉及到计算能耗的开销，以及辅助协作计算的通信过程能量开销。因此，在计算技术尤其是边缘计算技术中实现绿色节能，迫在眉睫。印度的学者[3]提出一种面向健康服务的绿色移动边缘技术，辅助无线体域网设备进行任务计算。他们设计了一种绿色的计算任务卸载方案，以及一种奖励机制，鼓励体域网用户在本地完成协作计算，这样这些用户就不用把计算任务卸载至移动边缘，节省了卸载能耗。上海科技大学的学者[4]提出了一种基于在线学习和在线控制的计算任务卸载方案用于服务边缘物联网系统。他们提出了一种匪徒学习算法和虚拟队列技术，实现边缘系统的时间平均能量消耗的最小化。广州大学的学者[5]提出了一种绿色移动边缘计算系统，可以抵御来自无人机的恶意攻击。他们提出了一种基于深度增强学习的算法，在保证通信计算安全的前提下，有效降低计算任务卸载的时延和能量消耗。

(3)绿色感知技术。大规模低功耗物联设备在未来网络中广泛部署，执行多种环境感知任务，并上传感知数据。这类设备的数据采集和数据传输功能通常由电池供电。降低通信感知能耗，成为延长设备寿命的重中之重。深圳大学的学者[6]提出了一种基于被动反向散射的通信感知一体化技术，可以使得物联设备以超微功耗进行工作，并应用在智慧农业、智慧医疗、智慧交通等重大场景中。印度的学者[7]提出了一种基于虚拟传感器构型技术的传感云系统。他们通过博弈论的算法完成传感云构建，将传感服务的能量消耗降低了25%以上，并提升传感服务提供商的收益达38%。为降低图像传感设备能耗，广州大学的学者[8]提出了一种基于平行混沌系统的图像压缩算法，有效降低图像感知服务的能耗，提升了感知设备的运行寿命。

(4)无线射频能量传输技术。无线射频信号可以有效地将能量传递至远场范围，可以为大规模部署的物联传感设备提供按需、可控、灵活的无线充电服务，已经成为提升传感设备使用寿命的关键技术之一。国内学者Hu等[9]率先在国际上提出无线数据与能量一体化通信网络架构，并首次揭示其中蕴含的信息论原理、物理层机理、MAC层机制以及网络层策略。他们同样发现了编码和调制策略对无线数能一体化传输的影响[10]，并发明了基于Unary Code的数能编码新机制和基于星座图重构的多用户数能调制方案[11-12]。许多国外研究者利用传能波形不同的PAPR值携带信息，实现数能一体化波形设计。例如，韩国学者Kim率先提出PAPR调制的概念[13]。希腊学者Krikidis等提出利用合成能量信号所用的不同正弦波数目进行信息调制，实现数能一体化传输[14]。韩国学者Im等[15]利用合成能量信号的正弦波数目和能量信号幅度进行二维调制设计数能一体化传输波形。中国学者Hu等[16]利用多蜂窝基站之间的协作，有效降低蜂窝小区间干扰，提升通信性能。

然而通信、感知和计算三者是密不可分的整体，它们之间的耦合关系将极大影响绿色节能设计。现有研究缺乏对于三者之间本质关系的思考，缺乏对于通信感知计算一体化系统中的绿色节能设计。并且无线射频能量传输，作为一种针对微小物联传感设备的能量补给方案，并未与通信感知计算深度结合。因此，针对一体化系统的节能减排策略，以及额外的能量补充策略，亟需机理性支撑。

物联传感设备需要将单体感知结果上传汇聚节点，并由汇聚节点进行计算判断，从而得到准确的环境感知信息。与此同时，物联设备也需要将非协作感知信息上传。由此产生网络中的通信、感知、计算的一体化设计需求。为构建绿色的通—感—算融合机理，本文的主要贡献如下。

• 采用空中计算的概念，利用无线信道的广播特性，简化感知计算流程，大幅度减少通信与计算的能耗。

• 采用灵活的无人机部署，有效降低传感设备到汇聚节点之间的信号传播损耗，并采用机载计算功能辅助物联传感设备得到精准感知结果，降低设备通信与计算能耗。

• 除上述“节流”措施之外，还采用“开源”措施，依靠无线射频供电技术，减少微小物联传感设备对自身电池能量的消耗，提升群体感知系统寿命。

1 空中计算——缩短感知计算流程

大规模物联传感设备已经广泛部署用于高精度环境感知。针对非协作单体感知，如环境视频监控，视频监控器需要将视频流上传，完成监控任务。为实现自动驾驶，汽车需装配具备不同感知任务的传感器，采集汽车各类状态信息并完成信息上传。因此，大量感知信息需要利用有限的频谱资源上传至基站，并会消耗大量的传感器电池能量。

图1 传统感知通信计算流程(a)与空中计算流程(b)的对比

部署在同一环境中的传感设备，针对同一环境信息如温度、湿度等，会收集到波动性感知结果。单体感知结果无法提供准确的感知信息。多个物联传感设备可共同执行同一感知任务，进行协作群体感知，提升感知精度。通常情况下，参加群体感知的物联传感设备需要将各自的感知结果上传至网络边缘汇聚节点，如带有计算功能的基站。之后由基站对收集到的海量感知数据进行计算和处理，得到感知结果。例如，为了获得某一区域的准确温、湿度信息，基站可以将收集得到的感知结果进行平均运算。上述传统的群体协作感知存在两大不足：大规模传感设备需要大规模正交通信资源完成各自感知信息的上传，并消耗传感设备自身能量完成通信上传；为了获得最终感知结果，在收集到所有设备的感知信息后，基站需耗费自身能量进行边缘计算。完整过程如图1所示。

为了提升感知、通信、计算过程的频谱效率和能量效率，可采用空中计算(Over-the-Air Computation)技术完成群体协作感知。如图 1(b)所示，在空中计算过程中，参与群体协作感知的设备将自身感知结果在同一资源块内，采用非正交共享模式，进行同时发送。基站侧即可接收到复合信号。如果传感设备能够对自身感知结果进行预处理(类似通信过程中的预编码)，那么经过空中复合后，基站得到的复合信号就可以是这些感知结果的加和、算术平均、几何平均等具体数值。因此，空中计算技术具备如下两大优势：无需正交资源，即可完成感知通信和计算的完整流程，提升感知、通信、计算频谱效率；无需耗费基站测能量和算力进行感知计算，提升感知、通信、计算的能量效率和算力效率。采用空中计算技术，在整个感知、通信、计算流程中，唯一消耗的只有传感设备自身能耗。因此，感知通信计算系统中采用空中计算技术，可以有效降低物联传感设备能量消耗，优化设计通关算一体化策略。

在6G蜂窝物联网络中，一个装备有N根天线的基站和K个装备有M根天线的多模物联设备(见图 2)，每一个物联设备需要执行两种任务，分别是非协作感知信息上传和协作感知信息上传。其中，第k个物联设备共生成L个协作感知符号，构成向量dk=[dk,1,dk,2,…,dk,L]T∈L×1。该物联设备同时产生针对J种不同变量的非协作感知信息，表示为向量J×1。对于其中第l种协作感知，基站希望能够得到多设备协作感知符号的某一种计算结果ql，可以表示为

(1)

其中，gk,l(·)表示物联设备k对于第l种协作感知信息的预先计算处理；加和符号体现了不同用户的协作感知信息采用非正交方式，复用同一资源块进行上传时，产生的叠加效应；fl(·)表示基站对于第l种协作感知信息的后计算处理。如表1所示，合理选择物联设备的预先计算处理和基站的后计算处理，可以实现不同的协作感知计算效果[17]。

图2 基于空中计算的6G物联感知通信计算系统

综上所述，在面向协作群体感知和非协作感知的通信感知计算系统中，可以通过联合优化设计物联传感设备发送协作感知波束和非协作感知波束，以及基站的协作感知接收处理矩阵以及非协作感知接收处理向量，降低物联设备能耗，实现高能效通信感知计算。在上述模型基础上，可以进一步考虑接收端采用超大规模天线阵列和采用可重构智能反射面进一步提升空间增益，从而实现降低物联设备端50%能耗的预期目标。

表1 空中计算中的计算函数举例

2 空中网络部署——降低通信计算能耗

物联感知设备通常由自身配备的电池供电。由于体积微小、电量有限，通常通信能力低下，覆盖范围有限，不能有效地将传感信息回传至远程基站；并且这类设备计算能力低下，不能有效地在本地对原始感知数据进行计算处理，极大影响环境感知精度。例如，视频监控设备只能采集原始视频信息，但不能在本地执行人脸识别等高计算复杂度感知应用(见图3)。

图3 面向绿色通感算一体化的基于固定基站(a)和基于无人机的边缘感知计算平台(b)对比

基于无人机的边缘感知计算平台可以有效地解决物联传感设备的高计算复杂度感知应用难题。并且无人机边缘感知计算平台降低物联设备通信感知计算能耗方面具备如下性能优势：利用无人机的高机动性和灵活部署特性，可以极大缩短物联传感设备的通信距离，有效降低该类设备上传感知数据所需的通信能耗；利用无人机机载边缘感知计算平台，物联传感设备可将复杂感知计算任务(如人脸识别)上传至无人机，从而节省本地算力和设备计算能耗。从图3(b)可以看到，无人机边缘感知计算平台将是实现绿色通信感知计算一体化的关键使能技术。

在图 3(b)所示的绿色通信感知计算一体化系统中，由一架搭载边缘感知计算平台和空中通信基站的无人机，以及U个地面物联传感设备构成。因此，无人机可以在其飞行时间T内向地面物联传感设备提供通信和计算服务。针对无人机轨迹，具备如下限制：无人机在飞行完成后需要回到出发点；在有限的速度下，无人机在一个时隙内的最大飞行距离受到限制。并且，无人机在一个时隙内的飞行能耗与该时隙的飞行速度成正比，采用更高的速度进行飞行会带来更大的能耗。由于无人机在空中飞行，其与地面设备之间总能保持较强的视距传输。通常，可假设它们之间的信道服从莱斯分布。

在第n个时隙，物联传感设备u需要将部分感知计算任务上传至无人机。给定物联设备的带宽下，为将链路中断概率设置在某一门限下，可以得到任务上传所需的最低传输速率Ru(n)，并进一步得到物联设备u上传部分感知计算任务lu(n)所需的时间和能耗为。无人机机载服务器完成感知计算任务lu(n)所需的时间和能耗也可同样计算得到。由于与传输速率相比，计算结果所占用的数据量较小，因此感知计算结果的汇聚过程所占用的时延和能耗可以忽略不计。综上所述，系统总能耗由如下部分组成：物联传感设备本地计算能耗、物联传感设备计算任务上传能耗、无人机飞行能耗以及无人机感知计算总能耗。

在基于无人机边缘感知计算平台的通信感知计算一体化系统中，高能效通信计算感知资源分配方案的设计目标是最小化系统总能耗，包括无人机能耗和物联感知设备能耗。需要联合设计的优化策略包括无人机飞行轨迹向量(组网)、感知计算任务分配方案(感知)、无线带宽分配方案(通信)、物联传感设备的通信功率分配方案(通信)以及无人机计算资源分配方案(计算)，涉及到基于无人机的组网策略，以及通信感知计算一体化调度策略。同时，感知计算任务的总计算时长不能超过设备的最大忍耐时长；分配给无人机的感知计算任务不能超过总任务大小并且物联设备的通信功率不能超过最大功率；无人机计算资源的分配不能超过总计算能力；通信带宽分配不能超过总带宽限制；无人机飞行轨迹要满足速度约束。

当感知区域扩大后，可以将上述模型和优化问题推广至多无人机场景。通过感知区域无重叠划分，进一步提升无人机边缘感知计算平台的能量效率，实现多移动节点协作的通信感知计算一体化设计。

3 无源感知——降低终端能耗

上述两个关键使能技术通过减少计算流程、合理分配通信和计算资源，以及合理部署移动边缘基站，既可以有效降低基站侧(固定基站、无人机)通信感知计算能耗，另一方面也可以有效降低依赖电池供电的物联传感设备的通信感知计算能耗，极大提升电池使用寿命，保证长时间高可靠环境监测与感知。但电池电量终会耗尽，从而造成环境监测与感知盲区，具体参见图 4(a)。环境能量采集技术(如太阳能、潮汐能、风能等)可以为物联传感设备提供额外的能量补充。但环境中能量密度有限，为了获取足够的太阳能，需要面积足够大的太阳能面板，这与物联传感设备的小尺寸要求存在矛盾。并且该种能量获取方式高度依赖环境，比如在山林地区、在夜晚，设备就不能从太阳能中获取能量。物联设备亟需一种按需、高效、可控的能量补给方式。

现有的基于电感耦合和磁感谐振的无线充电技术只能实现厘米级别的近场充电技术，并不适用于为6G网络中广域、大规模覆盖的物联传感设备进行供能。6G网络侧通信基站发射的射频信号，可以有效地将能量携带至10 m以上的远场。设备侧利用现有天线，只需添加额外的射频到直流的整流芯片，即可从射频信号中获取到可观的能量。利用6G通信网络，物联设备和网络之间可以形成完整的闭环操作系统，有效提升无线能量传输的效率。激活按需无线能量传输，可以为物联传感设备的大规模群体感知赋能，使得设备摆脱对电池的依赖，实现长期、稳定、可靠的环境监测与感知。图 4(b)展示了面向群体感知应用的无线自供电通信感知一体化系统。

如图 4(b)所示，在一个基于无线射频充能的通信感知计算一体化系统中存在多个单天线物联传感设备，和一个多天线基站。这些设备在一个时间窗口内需要针对所处环境进行群体感知操作。这样的一个系统操作帧，可以分为如图 5(a)所示的几个阶段。

图4 基于电池供电(a)和基于无线射频能量传输(b)的绿色通信感知计算传能一体化系统

图5 基于无线射频充能的通信感知计算一体化系统帧结构(a)和物联传感设备操作流程(b)

• 消息传递阶段：通过物联传感设备反馈，基站可以获得物联传感设备的相关状态信息，包括信道信息，感知和压缩功耗。根据这些信息，基站联合设计下行无线能量传输以及物联传感设备的数据感知、压缩和传输，从而实现数据效用的最大化，和能量消耗的最小化。通过求解多目标联合优化问题，基站获得最优群体感知策略，并在该阶段通知物联传感设备关于数据压缩率、感知数据大小以及操作时间分配方案等信息，以便执行。

• 无线能量传输阶段：基站采用无线能量传输的方式激励物联传感设备加入群体感知，具体参见图 5(b)。物联设备在获取到无线射频能量后，将部分能量作为奖励存储，剩余部分能量用作执行感知任务并将感知数据上传至基站。

• 群体感知阶段：根据基站下发的感知计算策略，物联传感设备执行感知、压缩(计算)和数据传输功能。物联传感设备感知数据的上传采用由基站分配的相互正交的子载波上。

如图 5(b)所示，第n个物联传感设备的操作步骤如下。

• 数据感知阶段：物联传感设备消耗自身能量完成数据感知。根据试验，数据感知能耗与感知数据大小呈近似正比关系。

• 数据压缩阶段：感知数据获得后需要进行无失真压缩。物联设备可以任意选择其感知数据的压缩速率，但压缩所需的计算循环通常与数据压缩率呈现指数增长关系。给定物联设备的CPU计算能力，可得到数据压缩时延和数据压缩能耗。

• 数据传输阶段：感知数据压缩后，传感物联设备需要将压缩后的感知数据发送给基站。根据无线信道即时条件，可得到上传压缩数据所需的时延和能耗。

所有的物联传感设备以及系统运营商在上述通感算一体化系统中都可以获得奖励。一个物联传感设备获得的奖励可以表示为设备从基站获得的总能量减去设备参加整个感知过程消耗的能量。网络运营商获得的奖励为从所有物联传感设备获得的感知数据带来的效用值减去网络运营商的能量消耗。

综上所述，基于无线射频能量传输的通信感知计算一体化系统，可以通过联合设计物联传感设备获取的感知数据大小，感知数据压缩率、数据传输时延以及基站下行无线能量传输的功率分配方案，实现系统总效用的最大化。同时，满足下行无线能量发射的总功率限制、物联传感设备的能量因果性约束以及感知操作总时间限制。最大化系统总效用相当于同时最大化感知数据效应(通信感知性能)以及最小化基站总能耗。上述问题建模不仅能够实现基站侧能耗的最小化，还能够通过无线射频能量传输技术完成物联设备的能量供给，将物联设备从有线电池的束缚中解脱出来。

4 结束语

提供通信感知计算深度融合的一体化服务将成为未来6G移动通信网络的主要功能。但网络基站侧和用户终端侧面临巨大的能耗压力。本文提出基于空中计算的感知策略、基于无人机的空中网络部署以及基于射频信号的无线充能技术，分别从缩短感知计算过程、降低通信感知计算距离、为终端设备补充额外能量三个角度，给出实现未来绿色通信感知计算的主要技术路线。有望在未来6G移动通信系统中，服务国家“碳达峰、碳中和”的重大战略布局。