智能超表面辅助6G通感算深度融合关键技术*

滕博宇，袁晓军

（电子科技大学，四川 成都 611731）

0 引言

随着通信相关产业的不断升级与演进，数字孪生、车联网、工业互联网、虚拟现实等新兴应用场景将逐步落地，相关业务带来了海量的数据通信需求，预计2030 年全球的每月流量将达到5 016 EB[1]。这要求移动通信网络支撑更大带宽、更低延迟、更高可靠性、更广覆盖范围的数据通信，实现增强型移动宽带（eMBB,enhanced Mobile Broadband）、高可靠低时延通信（uRLLC,ultra-Reliable and Low Latency Communications）和超大规模机器类通信（mMTC,massive Machine Type Communications）服务。其中，针对未来的智能终端的大规模通信问题，语义通信技术提供了一种前沿的解决方案，其聚焦于语义信息的传递，能极大减少业务数据的冗余。此外，实现多样的终端业务离不开对设备位置信息及环境状态信息的动态感知。在数字孪生场景中，为提供物理世界到数字世界的精准映射，目标的环境相对位置及姿态的高精度感知必不可少；在智能车联网及自动驾驶领域中，网络需要在低时延与高精度的要求下，进行多车协同的感知数据融合处理[2]，诸如此类，感知信息的获取和处理将演进为通信网络的内生服务。同时，终端设备的海量数据驱动了新兴应用场景的智能化，推动人工智能算法在网络边缘侧的应用。为避免大规模数据传输导致通信网络过载，边缘计算及分布式机器学习算法需与通信网络进行联合设计。综上所述，下一代无线网络应在网络架构、硬件部署、算法应用、资源优化等方面对通信-感知-计算任务进行深度融合设计，以满足各种应用场景多样的智能化业务需求[3-4]。

作为一种低成本、易部署的硬件设备，智能超表面（RIS,Reconfigurable Intelligent Surface）是6G 的备选关键技术，近年来得到学界和业界的广泛关注[5-6]。在移动通信场景下，由于智能超表面具有改变恶劣电磁传播环境的特性，可以有效地对抗无线信道衰落对通信的不利影响，极大提升系统通信性能；针对感知任务，智能超表面的部署能扩大网络覆盖范围，利于感知设备的接入，并且智能超表面可以作为参考锚点，使得从信道状态信息中挖掘潜在的感知信息成为可能；就计算而言，对智能超表面进行合理配置能缓解分布式机器学习中的“离群者”效应，提升系统的隐私安全，减少信令开销。此外，智能超表面的引入为语义通信的收发端语义编解码器提供了新的自由度，藉此带来性能增益。综上所述，智能超表面可以作为共享的硬件资源，同时在通信、感知、计算领域为系统带来性能提升，提供一体化解决方案。本文将围绕智能超表面的技术特点，分别介绍基于智能超表面的通信感知计算融合系统研究现状、关键技术与挑战。

1 RIS辅助通感算融合研究现状

一般而言，RIS 由大量的可调控无源反射单元构成，其中反射单元可以等效表征为谐波振荡电路。控制器通过调控其等效容抗、感抗、阻抗，可以使各个反射单元对入射电磁波施加可控的相位变化及振幅变化[7]，具有被动波束赋形能力。如图1 所示，RIS 可以部署在无线电传播环境中以辅助终端设备完成通信、感知、计算融合业务，其中基站通过有线链路与控制器通信，进而对RIS 进行有效配置。在终端设备与基站的视距路径被障碍物阻挡时，RIS 能提供的额外反射路径，有效提升恶劣环境下的终端通信性能。

图1 部署RIS的无线通信系统

目前，RIS 辅助无线通信的理论研究与落地实现已有较多探索，而RIS 辅助的通信、感知、计算融合标准化方案尚处于早期研究阶段。在通感融合研究中，文献[8]提出了一种基于接收信号强度的RIS 辅助室内用户定位方案，其中通过优化RIS 的反射相位配置以获得高分辨率信号强度图进而实现定位。文献[9]提出了将共形结构的RIS 应用于感知领域，通过估计信道的角度参数及路径时延实现散射体定位与终端设备定位。文献[10]研究多用户的定位与通信问题，考虑为RIS 每个反射单元配备射频链以估计RIS 处的到达角，实现多用户定位，同时根据用户位置表征信道，进一步利用RIS 可重构特性提升通信性能。在通算融合研究中，为了缓解分布式边缘学习巨大的上下行通信开销，文献[11]提出了一种基于空中计算的边缘联邦学习框架，称为空中联邦学习（Over-the-Air Federated Learning），以提升频谱效率提升模型收敛速度。文献[12]通过引入RIS，有效地提高空中联邦学习中模型聚合的准确性，并对通信与联邦学习性能进行折衷平衡。此外，由于RIS 可以对无线信道进行配置，文献[13]利用RIS 来减少无线联邦学习的下行链路反馈开销。由于RIS 在提升系统的通信、感知及计算性能上具有较大潜力，因此成为未来通感算融合系统的关键备选技术之一。

2 RIS辅助通感算融合关键技术

2.1 RIS辅助通感一体化

传统的感知任务实现依赖于独立的感知系统，其往往由雷达或专用传感器组成，为部分业务提供感知信息。由于终端设备数目的海量增长及多样业务对感知的广泛需求，大规模部署独立感知系统因其昂贵的硬件成本而难以应用，这要求探索高效、绿色的感知方案。随着通信系统的载波频率向着毫米波和更高的亚太赫兹频段发展以及宽带信号和大型天线阵列技术在6G 中的广泛应用，系统将在角度域和时延域中具有高分辨率，使准确的目标检测及高精度的角度、距离估计成为可能，这启发将感知业务融合到通信网络之中，实现通信感知一体化[14]。

作为感知的重要课题之一，首先聚焦于终端设备位置信息的获取。常见的定位算法需要将多个基站作为参考锚点，根据到达角、离开角、到达时间和接收信号强度等测量，结合参数化的观测模型以实现设备定位，尤其依赖直射路径的存在。然而，在移动通信场景中，由于复杂的电磁传播环境，直射路径可能被障碍物阻挡，相关定位算法无法工作。为此，考虑在系统中部署RIS以辅助实现定位。RIS 的大量反射单元使其具有较强的被动波束赋形能力，其反射波束的方向图具有较强的主瓣，能提供有效反射路径，克服对视距路径的依赖。静态部署的多个RIS 可以替代多基站作为参考锚点，并且系统能融合多路测量实现单基站高精度定位。文献[15]介绍了一种具体的智能超表面辅助终端定位的实施方案，其通过利用RIS 与终端设备的几何约束关系，从信道的到达角参数估计中获得了终端设备的高精度位置信息。数值仿真结果如图2 所示，通过增加RIS 反射单元个数能有效提升定位精度，系统能达到厘米级别的定位精度。

此外，对于一般的目标检测类感知任务，RIS 的部署能有效扩大系统的感知范围。在复杂城市环境中，系统的目标检测能力同样局限于障碍物的阻挡，终端设备的感知范围往往较小。对于中心化的网络架构而言，小范围的感知信息收集不可避免地导致了边缘设备与中心节点（基站）频繁地传输感知信息，带来巨大的通信开销。通过部署RIS 以提供有效反射路径，终端的感知范围可以获得较大提升。此外，由于RIS 上配备了大量反射单元，其具有较高的角度分辨率及波束增益，这使得终端能接收较强的回波信号，更利于目标检测任务的完成。

由于通信与感知共享物理层硬件设备，RIS 辅助的通感一体化系统的部署成本较低，具有较高可行性，将在通感算融合网络中扮演重要角色。

系统在7 个RIS 的辅助下实现下行用户定位。图中比较了不同个数的反射单元下RIS 辅助终端定位性能与到达角估计性能随发端功率变化的趋势，黑色虚线为定位和到达角估计误差的克拉美罗下界。由图2 可知定位误差随着反射单元个数增多而减少，且能达到厘米级别的定位精度。

图2 RIS辅助的终端设备定位性能

2.2 RIS辅助的联邦学习

为了支持计算密集型移动应用对大规模机器学习和边缘智能的需求，联邦学习提供了一种可行方案。其中，空中联邦学习因其特有的减少模型更新所需上下行通信开销的特点，最近得到广泛的关注。通过利用多路访问信道的信号叠加特性，空中联邦学习允许大量设备在相同的时频资源上同时上传本地模型，上传模型花费的延迟和带宽与设备数量无关，因此可以减少模型训练时间及通信开销。然而空中联邦学习的仍存一些挑战：首先，由于边缘设备的信道异质性及设备选择机制的存在，无线联邦学习存在通信与学习的矛盾权衡。虽然选择部分边缘设备参与可以提高通信质量，但其会减少可利用的训练数据的数量，因此可能会降低学习收敛性[16]。其次，在无线空口上传输本地模型信息存在隐私泄露的风险，不满足安全通信的规范。上述两点挑战都可以归结为不稳定的无线传播环境带来的限制，可以通过在空中联邦学习框架中引入RIS 得到有效解决。

通过部署RIS 以辅助信道条件较差的边缘设备，更多的终端设备可以参与训练过程，而不会导致模型聚合性能明显下降，从而一定程度上克服了通信与学习的矛盾。此外，由于联邦学习的模型聚合特性，学习性能受限于“离群者”设备的信道条件，呈现出不同于传统通信系统的目标。因此，RIS 的被动波束赋形、通信收发端配置及联邦学习方案（例如设备选择方案）需要进行联合设计，以便更好地利用RIS 来增强空中联邦学习性能。文献[12]通过最小化学习性能损失来联合优化RIS 相移、接收器波束形成和设备选择。图3 展示了文献[12]中使用RIS的通信-学习协同设计方法的学习准确性。其中RIS 的部署有效地增强了信道条件并很好地平衡了通信学习权衡，模型聚合误差较小。

联邦学习中的隐私保护方案包括差分隐私、安全多方计算和加密等，这些机制通常以降低学习性能或增加通信资源开销为代价来实现数据隐私。在RIS 辅助的空中联邦学习中，通过对RIS 进行有效配置，潜在窃听者的无线信道条件可以得到有效破坏，在提升系统的安全通信容量的同时不会牺牲学习性能。同样地，通信、学习和隐私保护需要在统一的框架下进行联合优化，以充分利用RIS 的可配置特性在联邦学习中的优势。

RIS 具有40 个反射单元，边缘设备分为两组，分别在近场区域和远场区域内均匀分布，系统在Fashion-MNIST 数据集上执行图像分类任务，图中分别比较了在有无RIS 辅助下，联邦学习训练损失和模型准确率随迭代轮次的变化趋势，黑色虚线为无噪声的学习训练性能。由图3 可知，在RIS 的辅助下，联邦学习模型训练性能得到显著提升。

图3 RIS辅助的空中联邦学习性能

2.3 RIS辅助的语义通信

随着数据的海量增长、边缘智能的广泛普及、频谱资源的逐渐紧缺，语义通信作为一种革命性技术，近年来引起了广泛关注。不同于传统通信技术以香农建立的信息论为基础，聚焦在数据符号的更大容量、更低延迟、更可靠地传输，语义通信技术更加关注传输数据的内在含义，聚焦在语义信息的精确传输。发端通过语义编码器，提取信源中抽象的语义信息，收端通过语义解码器恢复语义信息，实现语义的精确传输[17]。相较于传统的数据通信，语义通信能极大地降低传输数据的冗余。以感知任务为例，边缘传感器收集的感知数据需要与中心节点共享，然而对于部分传感器（例如摄像头），其感知数据具有高维、高生成率的特性，直接将原始数据上传至中心节点所需的通信开销是不可接受的，通常采用无损或有损的通用压缩方法来减少传输的数据量。然而，由于这些压缩方法通常没有关注具体的任务目标，不可避免地保留太多与任务无关的冗余信息。智慧工厂作为典型的通感算融合应用场景，其需要利用图像传感器对工厂的无人设备进行感知，确保其进行安全高效生产。不同于直接上传压缩的原始感知数据的传统方案，根据已有的背景知识（例如设备的外观、工厂环境）从原始感知数据中提取任务需要的语义信息再传输的方案将更加高效。

在语义通信中，收发端的语义编解码器往往由神经网络构成，其需要联合训练以实现语义信息的正确传输[18]。然而，由于无线信道固有的随机性，在信道处于深衰落时语义编解码器训练难度较大，难以保证语义的精确传输。通过引入RIS，无线信道具有一定可塑性，可以将RIS 辅助的级联信道建模为连接收发端编解码器的神经网络中间层，其以RIS 的反射相位配置为参数，为语义通信带来额外的自由度。通过联合训练语义编解码器神经网络及优化RIS 的反射相位配置，可以有效克服恶劣无线信道环境对语义通信的影响，使边缘设备的语义编码卸载至空中计算过程，优化边缘设备的计算资源配置，实现鲁棒的语义通信。同时，针对大规模、多用户的语义通信系统，RIS 的被动波束赋形特性使其在空域提供系统级别的资源调度方案，通过合理设计反射相位配置，系统得以支持大规模的并行语义通信。

3 RIS辅助通感算融合技术挑战

3.1 融合网络评价指标

由于通信-感知-计算业务的性能评价指标并不统一，如何建立统一的理论体系以分析通感算融合网络的性能面临挑战[19]。就传统通信而言，基于香农的信息论，评价指标包括信道通信容量、误码率等参数；就语义通信而言，其由语义信道容量、语义失真等度量；就感知而言，可以用定位精度、目标检测概率等参数作为评价指标；就计算而言，评价指标主要是学习准确率、模型训练所需通信开销、时间开销等。为了实现融合网络的联合资源优化分配以及系统配置优化，需要一个统一的性能评价体系。

3.2 联合时频空资源优化与分配

在RIS 辅助的通感算融合网络中，为了同时支撑数据通信、环境感知和边缘计算的多功能服务，需要对融合网络进行联合资源优化与分配。由于接入终端设备数大，时、频、空域的资源有限，难以对通感算业务做到同时覆盖，此时挑战在于，如何设计支撑大维度融合网络的资源调度优化算法，通过牺牲部分服务质量，在系统级别实现通感算的整体最优配置。

3.3 RIS与语义编解码器低复杂度联合设计

在RIS 辅助的语义通信系统中，RIS 的相位配置与收发端的语义编解码器需要进行联合设计，其最优设计依赖于信道的具体实现。由于无线信道的时变特性，在信道的不同相干时间中，理论上RIS 的相位配置与收发端的语义编解码器需要重新进行优化设计，然而神经网络和RIS的相位配置的优化复杂度往往较高，实践中难以做到实时的最优设计。为此，迫切需要开发低复杂度的联合RIS与语义编解码器设计以满足实时优化需求。

3.4 RIS最优部署问题

在通信-感知-计算业务中，RIS 扮演的角色并非是一致的，由于RIS 对通感算业务带来的性能增益依赖于其位置部署，其需要针对通感算业务进行折衷考虑。在RIS 辅助无线通信中，RIS 需要部署在基站附近以获得最大信道增益；在RIS 辅助感知中，RIS 部署需要充分考虑终端设备的位置分布，以获得最大的覆盖范围并提高感知精度；在RIS 辅助计算中，RIS 的部署需要考虑终端设备的数据集大小及平均信道条件。因此通感算融合网络中的RIS 的最优部署问题也面临挑战[20]。

4 结束语

为了满足新兴业务对通信-感知-计算业务的泛在需求，未来6G 网络需要实现通感算深度融合，本文重点介绍了智能超表面在通感算融合网络中的应用。通过介绍智能超表面辅助通感算融合关键技术，论证了智能超表面在提升通感算融合网络的综合性能上具有较大潜力。同时，不论是物理层部署还是理论算法设计上，智能超表面应用于通感算融合网络仍面临诸多挑战，有待未来进一步深入研究。