業內討論了很多無線AI方案，其中“AI接收機”是大家重點關注的方向之一。相對于傳統的接收機算法，AI接收機可以大幅度提升系統性能。在3GPPRAN/RAN1的會議上，可以看到很多AI接收機的提案，預計AI接收機是6G無線空口（6GR）的一個重要特性。下面我們就詳細聊聊AI接收機的原理和實現過程，以及相關的硬件測試環境。

PART 01 為什么需要AI接收機？

當無線鏈路進入高速移動、強干擾、硬件非線性和時變多徑等復雜場景時，傳統接收機按照“建?！烙嫛a償”的流水線逐段處理，難免出現失配與累積誤差。AI接收機以數據驅動為核心，把這些環節融入一個端到端可學習的模型中，更穩定地把接收波形還原成比特。

PART 02 它怎么工作的？

在傳統體系中，接收端要完成同步、信道估計（如 LS/LMMSE）、MIMO 均衡和軟解調（計算 LLR），再交給 LDPC/Polar 等外部譯碼器。利用AI去優化上述任何模塊都可以成為AI接收機。當然更宏偉的目標是利用AI替換上述多個模塊，實現更大的性能增益。以下介紹中，我們就以這種接收機類型為例進行介紹。

如圖1所示，在AI接收機的具體實現中，它可以把接收的 OFDM 資源柵格以及噪聲信息一并輸入神經網絡，直接產出可供譯碼的 LLR[1]。許多原本依賴手工設計與規則調參的“估計與補償”步驟，被網絡在學習過程中自動吸收。

圖1 傳統通信接收機 VS 神經網絡接收機[1]

這里面被AI替換的模塊包含了信道估計、MIMO 均衡、解調等，神經網絡直接輸出軟比特。對于信道編譯碼模塊，考慮到其性能上限已通過經典編碼理論論證，AI 的 “數據驅動優化” 無法突破理論邊界，反而可能因模型過擬合導致魯棒性下降，因此無實際優化價值，保留傳統的實現。在后續的評估中，PUSCH 的物理層結構（資源柵格、DMRS、PRB、MCS 等）和 38.901 的信道建模與拓撲生成也照常使用，從而保證與現有標準體系的兼容。

PART 03 如何設計AI模型 (神經網絡)

在輸入端，由于AI接收機只能工作在實數上，因此將接收信號的實部和虛部分別提取出來，同時保留原始物理資源塊的空間結構，以便神經網絡提取空間特征，即實部和虛部信號都為C×S的矩陣，其中C為子載波個數，S為符號個數。之后將實部和虛部信號拼接作為神經網絡的輸入，即得到一個C×S×2的輸入信號。

圖2 神經網絡接收機結構

圖3 殘差塊結構[1]

在神經網絡數據處理中，如圖2所示，神經網絡接收機由五個順序連接的殘差塊構成[2][3]，該殘差塊通過跳躍連接使得神經網絡能有效避免梯度消失[4]。

如圖3所示，每個殘差塊由兩個順序連接的二維卷積神經網絡和相應的ReLU激活函數構成。如圖4所示，卷積神經網絡的學習核心是利用一個尺寸為p×q的可訓練參數的卷積核捕捉空間信息，具體地，該卷積核中每一個元素的參數的作用可以表示為：

y=ax+b

其中x為卷積核元素對應的輸入，a和b分別為卷積核的權重和偏執，是可訓練的線性關系參數，y為卷積核對應的輸出。因此，利用卷積核在二維平面上循環移動，可以有效地提取空間上下文信息，從而在大量的訓練數據中捕捉信道特征。卷積神經網絡通過訓練卷積核內部權重和偏置參數實現對輸入的接收信號進行信道估計、均衡、星座圖解映射等功能。

圖4 卷積神經網絡功能示意

PART 04 如何訓練AI模型 (神經網絡)

如圖3所示，AI接收機可以在輸出端得到一個C×S的軟比特LLR，接收端將對這個LLR矩陣進一步處理，以剔除發射端導頻信號所占位置，從而得到真實的解調LLR數據流。

訓練時，網絡輸出的 LLR 數據流將與發端編碼后的原始碼字逐比特做交叉熵，作為損失函數：

其中，B為訓練時的數據批量數，即在訓練過程中，為避免數據量太少帶來過擬合，每次都以一定固定量的數據計算損失函數；

C和S分別為通信信號的子載波數和符號數；

K為每批數據中發送的比特數，通常由子載波/符號數，發送導頻配置和調制階數共同決定。例如，對于一個C個子載波，S個符號的通信信號，假設其中2×C個資源塊用于預留發送導頻，采用QPSK調制，則發送比特K可以計算為:

是編碼后的原始發送比特

是神經網絡輸出的軟比特

是二元交叉熵的簡寫（Binary Cross Entropy），表示一個概率值對于0-1分類的預測準確度：

因此，最小化該損失函數等價于最大化近似的比特傳輸信息率[5]；在訓練過程中，通常會在一定范圍內隨機采樣 Eb/N0，使模型獲得跨 SNR 的泛化能力。完成訓練后，再按 SNR 曲線評估 BLER/BER，與傳統鏈路的評測方式完全一致。

圖5繪制了誤碼塊率隨信噪比變化的曲線，從中可以發現，AI接收機能夠達到接近理論最優信道估計的性能，相比于傳統通信接收機，能提升約3dB的性能。

圖5 性能示意圖

PART 05 能解決什么問題？

AI接收機最大的價值在于緩解模型失配：當真實信道非線性、高斯、平穩時，AI 接收機能直接根據數據分布學習信道環境。更重要的是它實現了聯合最優化，避免傳統串行模塊“階段性最優導致全局次優”的問題，把“估計—均衡—解調”的耦合誤差一并優化掉。

PART 06 優勢在哪里？

得益于端到端的表示學習，AI 接收機在多徑時變、DMRS 稀疏、高階調制等復雜條件下，往往能獲得更低的 BLER/BER。同時，主鏈路更簡潔，減少了大量規則與閾值的維護成本；同一結構也更容易通過微調遷移到不同帶寬、PRB、MCS 與天線配置。

PART 07 面臨哪些挑戰？

? 數據與泛化：需要覆蓋足夠多的信道/硬件/干擾分布；跨場景泛化仍是難點。

? 可解釋性與可驗證：標準化、可解釋與在役驗證流程需補齊。

? 時延與算力：神經網絡在低成本終端/邊緣端的實時部署要考慮模型處理所需的時延能否滿足5G符號級的解調速率需求。

? 魯棒性與安全：對異常干擾/對抗擾動的穩健性要經過系統性測試。

? 維護與演進：版本管理、在線學習/離線更新、與標準接入網側接口的兼容性。

? 標準與合規：與3GPP流程的對接（例如DMRS、HARQ、測量與報告）需在實際工程中打磨。

PART 08 只在接收端實現AI接收機？

AI接收機的實現也可以跟發端的模塊結合起來，實現端對端的AI接收機，這里我們可以稱之為: AI接收機 + 自適應星座，從“聰明接收”到“端到端共同進化”。

AI接收機把“估計-均衡-解調”學成一個網絡；再把發端星座圖設為可訓練，發收兩端聯訓，就成了真正的端到端通信“自動編碼器”（Autoencoder）[6][7]，在復雜信道下更穩、更高效。另外，基于Autoencoder 的AI接收機可以實現Pilot-free或者Pilot-less的好處，進一步降低導頻帶來的資源開銷。

圖6 傳統發送機星座圖映射

圖7 神經星座圖發射機

如圖6和7所示，保持AI接收機不變，進一步把發送端符號映射改為“可訓練的星座”，與AI接收機共同優化，即“發-收端聯合學習”[8]。發送機與接收機使用同一個損失函數共同優化，在實際操作過程中，該優化可以采用異步的策略使得系統更加穩定，即優化發送機參數后固定一段時間，此期間只優化接收機，經過固定的輪次后，再同步優化收發兩端。

這樣，訓練時不止接收機網絡在變，星座點的位置也跟著“長技能”。它會自然學到：

? 在頻率選擇性/時變信道下更魯棒的點位（可能非規則QAM）

? 在譯碼器前端提供更“鋒利”的LLR分布

? 在硬件非理想（如PA壓縮）下權衡PAPR與判決距離

圖8中可以看出，不同信道下，星座圖中星座點的分別有很大的差異，通過這種差異化的星座點分布，通信系統可以不再依賴與導頻信號對信道進行估計，即星座點分布本身，就潛在提供了信道特征。

圖9描繪了不同方法在UMI信道下的性能曲線，可以看出，即使在較為復雜的信道環境中，星座圖自適應的方法依然可以取得穩定良好的性能增益，且優于單獨使用神經網絡接收機(CGNN)的方法。

圖8 不同信道下訓練后的星座圖

圖9 不同方法的性能曲線

PART 09 如何搭建硬件測試環境？

仿真評估的條件一般比較理想，和實際的硬件環境存在一定的差別。為了更真實地評估AI接收機的性能，可以借助儀表搭建一個硬件測試環境，如圖10所示。這里面信號源 (SMW)可以用來發送信號，FSW或者FSWX用來采集IQ信號，后臺服務器或者PC用來進行AI的推理和信號處理?？梢栽赟MW中加載TDL/CDL等衰落信道，并且基于上述硬件環境采集訓練模型所需的標簽數據，然后進行AI推理，跟傳統的通信算法比較性能增益。此外，對于原型樣機的開發，基于儀表的硬件測試環境也是必要的驗證手段。

圖10 AI接收機的測試環境

另外，SMW支持自定義的星座圖 (如圖11所示定義了一個R&S logo圖樣的星座圖），可以用來評估“AI接收機 + 自適應星座”這種端對端的AI接收機性能。可以根據不同的接收機類型和測試需求，選擇不同的硬件測試環境。

圖11 自定義的星座圖

結語

6G將以可持續發展的方式延伸移動通信能力邊界，創新構建“超級無線寬帶、極其可靠通信、超大規模連接、普惠智能服務、通信感知融合”五大典型應用場景，全面引領經濟社會數字化、智能化和綠色化轉型。AI接收機作為6G無線空口的一項重要候選技術，如何以高質量、高效率的形式發展至關重要，需要在技術評估、標準化、硬件環境中克服相關的挑戰。

參考文獻：

[1]Neural Receiver for OFDM SIMO Systems，Neural Receiver for OFDM SIMO Systems — Sionna 1.2.0 documentation

[2]M. Honkala, D. Korpi and J. M. J. Huttunen, “DeepRx: Fully Convolutional Deep Learning Receiver,” in IEEE Transactions on Wireless Communications, vol. 20, no. 6, pp. 3925-3940, June 2021, doi: 10.1109/TWC.2021.3054520.

[3]F. Ait Aoudia and J. Hoydis, “End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication,” in IEEE Transactions on Wireless Communications, doi: 10.1109/TWC.2021.3101364.

[4]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, “Deep Residual Learning for Image Recognition”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778

[5]G. B?cherer, “Achievable Rates for Probabilistic Shaping”, arXiv:1707.01134, 2017.

[6]End-to-end Learning with Autoencoders，End-to-end Learning with Autoencoders — Sionna 1.2.0 documentation

[7]T. O’Shea and J. Hoydis, “An Introduction to Deep Learning for the Physical Layer,” in IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 4, pp. 563-575, Dec. 2017, doi: 10.1109/TCCN.2017.2758370.

[8] S. Cammerer, F. Ait Aoudia, S. D?rner, M. Stark, J. Hoydis and S. ten Brink, “Trainable Communication Systems: Concepts and Prototype,” in IEEE Transactions on Communications, vol. 68, no. 9, pp. 5489-5503, Sept. 2020, doi: 10.1109/TCOMM.2020.3002915.

羅德與施瓦茨業務涵蓋測試測量、技術系統、網絡與網絡安全，致力于打造一個更加安全、互聯的世界。成立 90 多年來，羅德與施瓦茨作為全球科技集團，通過發展尖端技術，不斷突破技術界限。公司領先的產品和解決方案賦能眾多行業客戶，助其獲得數字技術領導力。羅德與施瓦茨總部位于德國慕尼黑，作為一家私有企業，公司在全球范圍內獨立、長期、可持續地開展業務。