作者：技術經理王立磊

波束管理是毫米波無線通信的一項關鍵技術。想象一下，毫米波基站的信號就像手電筒的光束，而波束管理就是讓這束光精準追隨你的設備，避免信號浪費在空曠處。在5G向5G-A/6G演進的過程中，傳統波束管理對終端的實現復雜度、功耗以及系統開銷都帶來很大的挑戰，AI的加入讓這束“信號之光”變得更智能、更精準、更高效。而3GPP作為全球移動通信的標準制定組織，正在為AI波束管理搭建統一的測試與驗證框架，讓這項技術從實驗室走向實際應用。

PART 01

什么是AI波束管理？告別“盲掃”，讓信號“精準鎖定”

在無線通信中，信號會通過直射、反射、散射等多種路徑傳播，這些傳播路徑被稱為“信道簇”——就像從家到公司的不同路線，有的直達（直射路徑），有的需要繞路（反射路徑）。波束管理的核心的是讓基站的波束精準對準用戶設備的最佳傳播路徑，同時避開干擾。

傳統波束管理采用“遍歷搜索”模式：基站會依次發送不同方向的波束，終端設備對不同方向的波束信號強度進行測量，反饋哪個波束信號最強，基站就固定使用該波束。這種方式就像在黑暗中用手電筒盲目掃射，不僅耗時，還浪費電量，尤其在高速移動的場景中，很容易因波束跟不上設備移動而導致信號中斷。

AI波束管理則徹底改變了這一邏輯：它通過機器學習模型，基于少數的波束測量結果，提前預測最佳波束方向，無需遍歷搜索就能快速鎖定目標。這就像給信號裝了“智能導航”，能實時規劃最優“傳播路線”，不僅降低了波束切換延遲，還能提升信號接收質量（降低誤碼率），同時減少終端的功耗——畢竟“精準瞄準”比“盲目掃射”高效得多。

AI波束管理的性能，完全依賴模型在真實信道環境中的泛化能力。這就帶來一個關鍵問題：如何驗證AI模型的可靠性？如果沒有統一的測試標準，不同廠商的模型就像在不同賽道上比賽，無法客觀比較優劣，也無法保證AI波束管理的性能。這正是3GPP TSG RAN WG4工作組的核心任務——為AI波束管理制定標準化的測試系統和信道模型。

PART 02

測試系統：為AI模型搭建“模擬戰場”

要驗證AI波束管理的性能，首先需要一個能模擬真實通信環境的“測試系統”。3GPP在之前的會議中已達成共識：采用多角度入射（multi-AoA）的暗室測試方案，核心配置是4個交叉極化探頭，部署在xz平面（可理解為“前后-上下”的垂直平面），相鄰探頭的角度間隔分別為30°、60°、60°。暗室的基本配置如下圖所示，天線探頭分布在0°、30°、90°、150°四個方向。

圖1 R&S ATS1800M暗室

這個測試系統的設計暗藏巧思：

“4個探頭”：模擬信號從不同方向入射（多AoA場景），覆蓋真實環境中直射、反射、散射等多種傳播路徑；

“交叉極化”：信號的極化特性（類似光波的振動方向）會影響傳播質量，交叉極化設計能貼近實際信道的極化多樣性；

“角度間隔設計”：30°+60°+60°的間隔既平衡了測試精度（能覆蓋主要入射角度），又控制了硬件成本（探頭數量越多，測試系統越昂貴）。

簡單來說，這個測試系統就像一個“通信戰場模擬器”，能讓AI模型在可控環境中接受考驗，驗證其在不同角度、不同極化狀態下的波束預測能力。

PART 03

信道模型簡化：

在“復雜真實”與“測試可行”間找平衡

有了測試系統，還需要一個“標準化的信道模型”——相當于給“戰場模擬器”設定統一的“環境參數”。原始的信道模型（如UMi CDL-C模型）包含24個簇 (參考附錄表格1)。在 3GPP CDL 信道模型里，“簇” 是把傳播特性相近的多徑信號歸在一起的組合，對應現實中空間相鄰的一簇散射體，是模型描述信道的核心單位。CDL 用簇 + 子路徑的兩層結構建模，簇負責捕捉信道的大尺度衰落特征，每個簇還包含多個子路徑，用來體現簇內的小尺度衰落。舉個例子，基站信號傳到城市街道，碰到沿街一排商鋪的墻面，這些墻面的反射信號時延、角度都相近，就形成一個簇；而遠處寫字樓玻璃幕墻的反射信號，參數和前者差異大，便形成另一個獨立的簇，多個簇疊加就構成了真實的多徑傳播信道。每個簇對應一條傳播路徑，涵蓋了不同的信號延遲、功率、入射角度（AoA）、出射角度（AOD）等參數。

但問題來了：原始模型過于復雜，而測試系統的硬件資源有限（只有4個探頭），無法完全模擬24個簇的所有角度信息。如果直接使用原始模型，測試系統會“力不從心”；但如果過度簡化，又會導致AI模型的測試結果與真實場景脫節——這就像用玩具車賽道測試賽車性能，毫無參考價值。

3GPP工作組重點討論了幾種信道模型簡化思路，相對認可的思路是基于“弱簇消除”的簡化。

這種思路的核心是“去繁就簡”：保留對通信質量關鍵的強簇，移除無足輕重的弱簇，同時合并空間特性相似的簇，在簡化模型的同時，最大限度保留原始信道的核心特征。具體做法分為兩步：

1. 合并相似集群：將入射角度（AoA）相同的簇合并，疊加它們的功率（相當于把多條相同路線的車流合并）；

2. 移除弱簇：刪除功率低于最強簇-10dB的弱簇——這些弱簇對信號質量的影響微乎其微，就像小石子不會影響主干道的交通。

通過這兩步操作，原始的24個簇被簡化為6個核心簇，角度擴散范圍控制在150°以內，恰好能被4個探頭的測試系統完整模擬(參考附錄表格2)。更重要的是，簡化后的模型對AI波束管理性能的影響極小：初步仿真顯示，Top1、Top3波束的預測精度僅下降約1%，完全在可接受范圍內 （如圖2所示）。

圖2

PART 04

三大實現方案：

讓簡化模型適配測試系統

簡化后的信道模型，還需要解決一個關鍵問題：如何與測試系統的4個探頭精準匹配？目前有三種實現選項，各有側重：

1. Option A：讓最強的信道簇直接對準某個探頭。優點是信號最強路徑的測試精度最高，缺點是部分弱簇的角度會超出探頭覆蓋范圍；

2. Option B：讓所有簇的角度范圍中點，與探頭的角度范圍中點對齊。優點是所有簇都能被探頭覆蓋，缺點是最強簇落在兩個探頭之間，可能影響測試精度；

3. Option C：調整所有簇的入射角度（AoA），讓它們精準對準探頭位置，同時取消簇內部的角度擴散。優點是測試系統的實現最簡單，缺點是對原始信道的簡化程度最高，需驗證是否影響AI模型泛化。

通過仿真結果顯示（如圖2），不同選項對于評估AI波束管理的影響非常小，所以option C是可行的實現方案。

PART 05

AI波束管理的未來：

從5G到6G的進化

3GPP對AI波束管理測試系統和信道模型的討論，看似是技術細節的打磨，實則是為5G演進和6G發展鋪路。

在6G時代，隨著頻率的增加，超大規模MIMO（包含上千個天線）的廣泛應用， AI波束管理的重要性會進一步提升。屆時，信道模型也許會變得更復雜，測試系統需要支持更多角度、更多極化狀態的模擬，而3GPP當前的工作，正是為未來的技術升級奠定標準化基礎。

值得一提的是，3GPP的標準化過程始終遵循“性能優先”原則：所有簡化不能以犧牲性能為代價。通過R&S的仿真驗證，簡化后的信道模型與原始模型的性能偏差完全可以控制在可接受范圍內。

結語：標準化是技術落地的“加速器”

AI波束管理的出現，讓無線通信從“被動適應信道”走向“主動預測信道”，是5G/6G技術演進的關鍵一步。而3GPP的工作，就像為這場技術革命制定“交通規則”和“測試標準”，讓不同廠商的AI模型能在統一的基準下競爭、協作，最終推動技術走向成熟。

從4個探頭的測試系統設計，到6個簇的信道模型簡化，再到三種實現方案的權衡，每一個細節都體現了“技術可行性”與“實際應用價值”的平衡。未來，當我們享受6G帶來的全息通信、星地融合通信時，或許不會想到，這背后離不開今天3GPP工作組對這些技術細節的反復推敲。

AI與無線通信的融合，正在重塑我們的連接方式。而標準化的力量，將讓這份“智能連接”更可靠、更高效，最終走進千家萬戶、各行各業。

· 參考文獻：

[1]R4-2521418, “Discussion on channel model for AI/ML based beam management”, R&S

[2] 3GPP RAN4#117chairman notes

· 附錄：

原始包含24個簇的CDL-C 信道模型[1]

簡化后的包含6個簇的CDL-C 信道模型 [1]

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。