5G NR本是一個矛盾的綜合體，容量與覆蓋難以兼得。5G通過擴展頻譜帶寬來提升系統容量，頻段范圍從4G時代的3GHz以下擴展到毫米波頻段，單載波帶寬從20MHz提升到100MHz以上。但頻段越高，基站覆蓋范圍越小，運營商不得不建設更多基站。

今天，主流5G部署采用5G中頻段，其折中了容量與覆蓋優勢，兼顧了室外與室內覆蓋，并通過Massive MIMO技術進一步提升了小區容量和覆蓋，讓運營商可以基于現有4G站址建設一張廣覆蓋的5G網絡。但面向未來流量成倍增長，單靠有限的中頻段資源肯定是不夠的，為此運營商不得不擴展到毫米波頻段，但毫米波信號覆蓋范圍不過一兩百米，根本無法從室外抵達室內，這給網絡建設投資帶來了空前的壓力。

怎么辦？

唯有通過技術創新，不斷提升頻譜效率，讓每Hz承載更多的bit，盡可能讓5G部署又好又省。今天我們就來介紹在后5G時代，乃至6G時代，值得關注的幾大無線技術。

NOMA

多址接入是移動通信的核心技術，從1G到5G，我們經歷了FDMA、TDMA、CDMA和OFDMA，這些多址接入方案都采用正交設計，來避免多用戶之間互相干擾。移動通信領域一直致力于通過無線電波的正交性來提升頻譜效率，我們已經采用了頻分、時分、空分、碼分等各種正交辦法，但當正交空間耗盡時，我們該怎么辦？

是時候該NOMA出場了。

NOMA，即非正交多址，是一種計劃用于5G（R16版）的多址技術，可顯著提升移動通信網絡的頻譜效率。

眾所周知，4G和目前5G采用的是OFDMA（正交頻分多址），每個用戶占用的時頻資源是分開的、相互正交的，由于受正交性的約束，每個UE分配一定的子載波，每個UE占用部分頻率資源。而NOMA與OFDMA不同，它基于非正交性設計，每個UE可以使用所有的資源。

NOMA與OFDMA

那么，問題來了，NOMA是如何避免多用戶之間的互干擾呢？

NOMA的基本思想是，在發送端將多個UE信號疊加，占用所有時頻資源，并通過空口發送，而在接收端，基于MUD（多用戶檢測）和SIC（串行干擾消除）技術來逐個解碼信號，提取有用信號。

NOMA主要有兩種方式：基于碼域和基于功率域。基于碼域，即為每個用戶分配非正交擴展碼（與WCDMA碼相似，不同之處在于WCDMA碼是正交的）。基于功率域，即在發送端每個用戶信號以不同的功率電平疊加。

以基于功率域的NOMA方案為例，其工作原理是這樣的：

如上圖所示，三個UE信號被分配不同的功率電平，距離基站最近的UE1信道條件最好，被分配最低的功率，而距離基站最遠的UE3被分配最高的功率，處于中間位置的UE2被分配適中的功率。

在基站發送端，UE1、UE2和UE3都占用相同的所有時頻資源，三者的信號在功率域進行疊加，并通過空口發送。

在UE接收端，SIC首先解碼接收信號強度最強的信號，比如UE1，由于分配給它的功率遠低于UE3，它可能會首先解碼UE3的信號，并通過MA簽名判斷是否為自己的有用信號，如果不是，則刪除UE3的信號，接著再重復該過程，直到找到自己的有用信號為止。

而對于UE3，由于分配給它的功率高于UE1和UE2，其第一個解碼的信號可能就是自己的有用信號，因此可以直接解碼得到。

由于NOMA將所有的空口資源分配給了所有用戶，因此可以提升頻譜效率。尤其在小區邊緣，由于無線環境差，采用正交多址的5G網絡不得不采用稀疏的調制和編碼來克服信道受損，這會導致PRB資源“浪費”。但在NOMA中，所有用戶使用所有PRB資源，無論處于小區中心還是邊緣都一樣，從而提升了頻譜效率。

值得一提的是，NOMA還可以與Massive MIMO結合使用。在Massive MIMO下，可在廣播波束范圍內將一個物理扇區分裂為多個虛擬扇區，虛擬扇區服務的用戶采用NOMA，由于虛擬扇區之間是正交的，從而還可使系統容量進一步翻倍。

不過，NOMA也存在自身的挑戰。首先，MUD/SIC需要額外的計算，需要更強的硬件支持，以及會產生更高的功耗。雖然對于基站側來說不是問題，但對終端就麻煩了，會增加終端成本和耗電。其次，在NOMA下，基站要為所有的UE進行分組分配功率，這要求基站必須準確的了解各個UE的信道狀況。

全雙工

今天5G采用TDD雙工模式，4G時代包括TDD和FDD，但嚴格的講，TDD和FDD都只是“半雙工”，因為TDD在同一頻段上的不同時隙傳輸上下行信號，FDD在兩個對稱頻段上分別傳輸上下行信號。

而全雙工技術可以實現在同一頻段下同時進行上下行信號傳輸（同時發送和接收信號），這無疑可大幅提升頻譜效率。同時，由于全雙工在同一時間收發數據，發送完數據即可接收反饋信息，這還能縮短傳輸時延。

但全雙工遇到的最大挑戰來自發射信號對接收信號產生強大的自干擾，比如在蜂窩網絡中，發射功率可高達幾十瓦，而接收功率只有幾皮瓦，這意味著，發射產生的干擾信號比接收到的有用信號可能強數十億倍，無線發射器將很快使接收器飽和。

由上圖所示，由于雙工器泄露、天線反射、多徑反射等因素，發射信號摻雜進接收信號，產生了強大的自干擾。

怎樣消除這些干擾呢？幸運的是，由于發射信號是已知的，那么就可以用發射信號作為參考來消除自干擾。但是，參考信號在數字域比較容易獲得，當數字信號轉換為模擬信號后，由于線性失真和非線性失真的影響，就很難從中獲得參考。因此，全雙工要消除自干擾，RF域是最大的挑戰。目前自干擾消除技術正在不斷進步，但實現復雜度和成本太高。

解決該問題的一個辦法是，分離發射和接收天線，將它們彼此間隔安裝，再通過天線旁瓣抑制等辦法來實現去耦，再加上空間路徑損耗，這樣可以大大減少自干擾。

不過，這種辦法在基站側可行，但在終端側，由于受限于空間，是不可行的。因此，最終全雙工技術可能會在基站側部署，而終端側或將繼續采用TDD雙工技術。

OAM

除了時間、頻率和極化以外，還有新的可利用的無線電波正交狀態嗎？那就是電磁輻射的軌道角動量OAM。

受螺旋相位因子的影響，具有OAM的電磁波被稱為“渦旋電磁波”，沿著傳播方向呈螺旋狀。具有OAM的電磁波的相位旋轉結構稱為OAM模式。具有不同OAM模式的無線電波相互正交，互不干擾，因此在同一頻點上可傳輸多路調制在不同的OAM模式上的信號，從而提升頻譜效率。理論上講，有幾十個不同的OAM值調制無線信號，可以有效地將頻譜效率提升幾十倍。

OAM復用原理

但是，到目前為止，OAM的實際演示僅限于近場應用。大氣湍流會使無線電波的OAM失真，引起串擾，因此OAM要應用于蜂窩網絡還有很多工作要做。

機器學習

機器學習可用于優化5G空口，來提高頻譜效率。

5G NR的所有層都可以通過機器學習來優化，比如，機器學習可優化物理層的調制、FEC、MIMO、信號檢測、功控和波束賦形，機器學習可優化層二的調度、HARQ和流量控制，機器學習還可優化層三的移動性管理、負載管理和連接管理等。機器學習，尤其是深度強化學習，可以基于流量狀況和無線環境動態地作出優化決策，以使網絡始終保持最佳狀態。

以調制方式為例，更高階的調制方式可以提升傳輸速率，比如，在4G時代我們希望所有的UE都能最大化使用256QAM，以獲得更好頻譜效率。但在現實中這是不可能的，因為隨著SINR降低（比如UE位于小區邊緣時），越高階的QAM星座圖會失真，使得接收端越難解調。而有了機器學習后，可以通過學習復雜的失真模式，來實現以較低的SINR解調更高階的調制方式，從而可提升系統的頻譜效率。

責任編輯 ：ct