基于5G MR實現(xiàn)Massive MIMO權值智能尋優(yōu)的技術方案研究

許國平，王 科，楊飛虎，王 權（.中國聯(lián)合網(wǎng)絡通信集團有限公司，北京 000；.中國聯(lián)通山東分公司，山東 濟南 50000；.中國聯(lián)通網(wǎng)絡AI中心，上海 00050）

1 概述

Massive MIMO（后文簡稱MM）是5G 的核心技術之一，通過多組天線單元成倍提升系統(tǒng)容量，但MM 小區(qū)的天線權值配置組合非常多，不同的應用場景也需要不同的權值配置。傳統(tǒng)相對靜態(tài)的天線配置方式已經(jīng)無法滿足5G網(wǎng)絡優(yōu)化的需求，更加難以保證最佳的覆蓋性能和業(yè)務吸收效果，而且預設天線權值無法應對多樣化、動態(tài)變化的覆蓋場景。

目前從5G MR 獲取經(jīng)緯度技術還不成熟，本文首先基于NSA 技術的特點，解決了從5G MR 快速獲取高精度經(jīng)緯度問題。然后研究了基于MR 的MM 權值智能尋優(yōu)技術方案，該技術方案既可滿足NSA 網(wǎng)絡中各小區(qū)的覆蓋和性能要求，又可以推廣到SA 網(wǎng)絡實踐中。

2 5G NSA MR高精度經(jīng)緯度方案研究

目前5G MR 缺少高精度定位信息，嚴重制約MR信息在5G網(wǎng)絡覆蓋與干擾、用戶感知問題定位中的應用。5G MR定位信息主要受以下因素制約。

a）NR 協(xié)議還不支持UE 攜帶GNSS（Global Navi?gation Satellite System）位置信息上報，支持NR MDT 的R16協(xié)議剛凍結不久，現(xiàn)有的UE還不能在NSA網(wǎng)絡的MR中上報GNSS位置信息。

b）三角定位精度較低，三角定位主要利用服務小區(qū)和至少2 個鄰區(qū)的路損信息，計算出UE 的實際位置。由于無線信號波動較大，路損計算存在較大偏差，實際定位精度只有100～120 m。

2.1 解決方案

對于NSA場景，MN（Master Node）的MR數(shù)據(jù)中如果包含了高精度經(jīng)緯度信息，則可以雙連接的實例號和時間戳為索引，關聯(lián)至相同雙連接的SN（Secondary Node）的MR 上，同時將經(jīng)緯度信息賦值給對應的SN MR，5G的MR也就獲得了高精度的GNSS信息。

具體實現(xiàn)思路如下：將歸屬于相同EN-DC 雙連接實例的MN 小區(qū)MR 集合和SN 小區(qū)MR 集合標識為相同的雙連接識別號，所述雙連接識別號具備在同一個PLMN 本地網(wǎng)下且在一段較長時間范圍內(nèi)可以全局性唯一地標識一個EN-DC 雙連接實例的特征。對于任意一條5G NSA MR 信息，在4G MR 集合中查詢出與其相同的雙連接識別號，且時間戳相同的那條4G MR。在查詢出的4G MR 中獲取UE 上報的經(jīng)緯度信息，并將經(jīng)緯度賦值給所述5G NSA MR。

2.2 驗證效果

通過DT 拉網(wǎng)測試的方式驗證上述技術方案的可行性。測試終端使用百度/高德地圖進行導航應用，確保終端可以上報GNSS 信息。通過4G/5G MR 關聯(lián)的高精度定位后，可以看到5G MR 的定位基本都集中在路上（見圖1），充分證明了本定位方案可行，且定位精度具備GNSS的高精度特征。

圖1 5G MR 地理信息獲取效果顯示

2.3 驗證總結

一旦5G MR 具備了精確的GNSS 定位信息，就為5G MR 的擴展應用提供了無限可能性，網(wǎng)優(yōu)工程師可以用來評估5G現(xiàn)網(wǎng)覆蓋和干擾狀況，用于指導下一步網(wǎng)絡規(guī)劃和建設工作，也可以引入到端到端系統(tǒng)中輔助進行用戶感知問題的定位。后文將研究5G MR 在MM權值智能尋優(yōu)中的應用。

3 基于5G MR實現(xiàn)MM智能尋優(yōu)方案

相比4G 廣播單波束，NR 廣播波束可以通過波束掃描方式提升覆蓋。NR 支持廣播權值靈活設置，網(wǎng)管可對“方位角偏移、下傾角、水平波瓣寬度、垂直波瓣寬度”4 個維度進行調(diào)整。3GPP 在3GPP TS 38.213中定義了SSB 的符號位置，中國聯(lián)通選擇了2.5 ms 雙周期的幀結構，SSB最大波束可配置為7波束。

3.1 解決方案

Massive MIMO 基站的權值智能尋優(yōu)首先對小區(qū)中UE 的分布、鄰小區(qū)干擾進行統(tǒng)計和估算，再綜合考慮網(wǎng)絡的覆蓋性能智能估算最優(yōu)的廣播權值，實現(xiàn)MM 權值的自適應調(diào)整。權值自適應可以改善小區(qū)間的重疊覆蓋度，控制干擾，提升小區(qū)整體性能和用戶感知。

智能尋優(yōu)的算法流程包括智能天線權值優(yōu)化任務激活→eNB的數(shù)據(jù)采集→最優(yōu)權值估算→權值生效→效果評估→權值更新或回退，如圖2所示。

3.1.1 廣播波束權值增益仿真

圖2 MM智能尋優(yōu)方案流程

廣播權值優(yōu)化第一步是基于采集的MR 數(shù)據(jù)，進行增益仿真計算。仿真計算需要使用權值增益表，權值增益表包括每個權值水平方向［-90，+90］，垂直方向［-45，45］范圍內(nèi)的每個角度的仿真數(shù)據(jù)。

基于采集的MR 數(shù)據(jù)，按照如下公式，進行迭代計算增益。

在式（1）中，T_RSRP［new］［i］［j］表示新的權值在采樣點的DOA 的水平角度i，垂直角度j的電平。S_RSRP［old］［i］［j］表示舊的權值在采樣點的DOA 的水平角度i，垂直角度j的電平。ant_gain［new］［i］［j］表示新權值替換成舊權值后在某個采樣點的增益。

小區(qū)的采樣點有很多，以采集10 000 個采樣點為例，原理上算法將遍歷迭代計算權值庫中的每個權值，選取使得該10 000 個采樣點整體RSRP 增益最優(yōu)的權值組合作為最終結果。

3.1.2 廣播波束權值智能尋優(yōu)

每個小區(qū)權值總和計算公式如下：單小區(qū)權值組合總數(shù)=水平角度組合數(shù)（M）×垂直角度組合數(shù)（N）×方位角數(shù)（A）×下傾角數(shù)（D）×波瓣數(shù)（L）。但實際的覆蓋并非每個小區(qū)獨立決定的，牽涉到小區(qū)之間的互相影響，比如切換帶，實際權值計算過程中，需要考慮小區(qū)協(xié)同組的概念。如果采用遍歷搜索的方案，需要估算的權值總數(shù)為：（M×N×A×D×L）小區(qū)數(shù)。當尋優(yōu)區(qū)域面積較大、小區(qū)數(shù)量較多時，算法耗時較長，時效性較差，需要在算法的快速收斂方面尋找解決方案。

考慮引入蟻群智能搜索算法（見圖3）通過選擇局部最優(yōu)解，降低計算復雜度，提升權值尋優(yōu)效率。整個方案隨機選取1 組或多組初始權值開始搜索，每次搜索完成后更新權值期望值。根據(jù)搜索目標，如RSRP/SINR 分布，通過多次迭代逐漸趨近局部最優(yōu)解。通過初始值個數(shù)及迭代次數(shù)的優(yōu)化，大幅減少搜索時間。

3.1.3 廣播波束RSRP與SINR聯(lián)合優(yōu)化

NR 網(wǎng)絡的SINR 值類似于4G，基于主服務小區(qū)與鄰區(qū)采用如下公式進行擬合：

SINR 優(yōu)化是同時考慮了RSRP與SINR 的優(yōu)化，計算流程如下：

a）單小區(qū)RSRP優(yōu)化：以每個小區(qū)為緯度，找到每個小區(qū)RSRP 增益最高的X個權值（X可設置，例如設置為20），得到SINR優(yōu)化的權值庫。

b）按照類似于RSRP 尋優(yōu)流程，以整體或者區(qū)域最優(yōu)為代價函數(shù)搜索尋找最優(yōu)的權值組合。

3.1.4 廣播波束與CSI波束聯(lián)動優(yōu)化

當前終端不支持CSI（Channel State Information）波束測量與上報，CSI覆蓋的估計建立在SSB的覆蓋模型基礎之上?；赟SB 的7 波束覆蓋模型進行建模，依次對比CSI 的模型，尋找最接近的模型，最終輸出SSB與CSI的映射表，實現(xiàn)CSI的聯(lián)動調(diào)整。

3.1.5 廣播權值增益效果評估

廣播權值自評估主要是為了驗證優(yōu)化后的權值對網(wǎng)絡覆蓋是否有提升，如果有提升，則認為優(yōu)化有效，評估通過；如果沒有提升，則認為沒有提升，需要進行權值回退。

3.2 驗證效果

3.2.1 單小區(qū)單波束權值智能優(yōu)化

單小區(qū)單波束權值優(yōu)化室外測試在普天通信站點的PCI=352 小區(qū)進行，室外選擇PCI=352 小區(qū)覆蓋的道路，室內(nèi)在該小區(qū)主覆蓋居民樓中的3層、8層、12層、15層、17層進行測試。

站點（圖4 紅框標注）5G AAU 在一排居民樓后面單管塔最下面的平臺，天線掛高約20 m，既能覆蓋到道路，又能覆蓋到正對的居民樓（圖4黃框標注），能夠提供一定程度的室內(nèi)覆蓋。

圖4 高層居民樓室內(nèi)覆蓋優(yōu)化示意圖

優(yōu)化前后權值如表1所示。優(yōu)化前后室外以及室內(nèi)每個樓層的RSRP、SINR統(tǒng)計如表2所示。

表1 單小區(qū)單波束天線權值變化表

表2 單小區(qū)單波束權值優(yōu)化增益表

3.2.2 單小區(qū)7波束權值優(yōu)化

單小區(qū)7波束權值優(yōu)化同樣在普天通信站點PCI=352 小區(qū)進行，首先進行了初始優(yōu)化，在網(wǎng)管上配置初始權值，統(tǒng)計優(yōu)化前后網(wǎng)絡覆蓋情況。一方面驗證不同初始權值（根據(jù)工程師經(jīng)驗配置）在覆蓋方面的問題，另一方面考察優(yōu)化方案對于更高樓層的綜合覆蓋效果。優(yōu)化前后室外以及室內(nèi)每個樓層的RSRP、SINR 統(tǒng)計如表3 所示，充分證明權值經(jīng)過優(yōu)化之后，大部分樓層的覆蓋都有相應的改善。

表3 單小區(qū)7波束權值優(yōu)化增益表

3.2.3 多小區(qū)單波束權值智能優(yōu)化

多小區(qū)單波束權值優(yōu)化室內(nèi)測試在普天通信站點的PCI=352 以及圣代農(nóng)貿(mào)市場的PCI=154 小區(qū)同時覆蓋的酒店內(nèi)進行，室外選擇PCI=352、PCI=154 小區(qū)覆蓋的道路，室內(nèi)在該小區(qū)主覆蓋的居民樓中的3層、5 層、7 層、9 層、12 層進行測試。優(yōu)化前后室外以及室內(nèi)每個樓層的RSRP、SINR 統(tǒng)計如表4 所示，結果證明權值尋優(yōu)算法在多小區(qū)單波束條件下優(yōu)化效果明顯，各個樓層覆蓋都得到了改善。

表4 多小區(qū)單波束智能權值優(yōu)化增益表

3.2.4 多小區(qū)多波束權值智能優(yōu)化

繼續(xù)驗證多小區(qū)7波束權值尋優(yōu)效果。室內(nèi)測試在普天通信站點的PCI=352 覆蓋的居民樓內(nèi)進行，室外選擇PCI=352、PCI=154 小區(qū)覆蓋的道路，室內(nèi)選擇居民樓中的3 層、8 層、12 層、15 層、17 層、19 層、21 層進行測試。優(yōu)化前后室外以及室內(nèi)每個樓層的RSRP、SINR統(tǒng)計如表5所示，多波束經(jīng)過優(yōu)化之后，對高層樓宇的覆蓋效果更佳。

表5 多小區(qū)7波束智能權值優(yōu)化增益表

3.3 驗證總結

5G MM 權值智能尋優(yōu)方案通過服務小區(qū)以及鄰區(qū)對終端的協(xié)同測量，采集終端上報MR 的RSRP、地理位置信息等信息，通過蟻群搜索算法快速迭代計算當前區(qū)域內(nèi)所有小區(qū)最優(yōu)權值方案，達到對區(qū)域內(nèi)小區(qū)天線權值自適應調(diào)整的目的，綜合考慮RSRP 與SINR 指標，通過SSB 和CSI 的聯(lián)動優(yōu)化的方式提升用戶下行速率感知。

4 SSB廣播多波束提升覆蓋應用

4.1 解決方案

針對不同場景，測試不同波束配置的覆蓋（RSRP）與上下行速率情況，寬波束具有覆蓋范圍廣的優(yōu)點，但同時由于范圍廣導致能量的分散，覆蓋距離較近，窄波束具有能量集中的優(yōu)點，但同時覆蓋范圍要小一些。需要針對寬窄波束各自的特性分別研究和驗證。

根據(jù)不同場景下覆蓋區(qū)域的實際情況，判斷波束覆蓋的最優(yōu)方案，基本原則是使得波束能夠充分覆蓋小區(qū)覆蓋方向的場景，判斷具體流程如圖5所示。

圖5 SSB權值匹配流程

結合不同的建筑物特征，可以配置不同的波束權值，進而提升覆蓋。

4.2 驗證效果

a）不同SSB 波束權值下數(shù)據(jù)對比：高樓場景SSB廣播波束采用垂直窄波束覆蓋效果最優(yōu)，但不同建筑物高度可采用不同層數(shù)的波束配置。

b）不同CSI 波束下數(shù)據(jù)對比：高樓場景CSI 采用垂直4波束速率性能最優(yōu)。

4.3 驗證總結

對于深度覆蓋的小區(qū)的覆蓋調(diào)整，建議采用1 個寬波束覆蓋近點道路，6 個窄波束覆蓋小區(qū)內(nèi)建筑。CSI 波束建議采用1 個寬波束覆蓋近點道路，3 個窄波束覆蓋小區(qū)內(nèi)建筑。

對于高樓場景的小區(qū)覆蓋，如高樓樓層較高，站點位置較矮，建議采用垂直7 波束配置，如高樓在20層以下，建議采用垂直4 波束，CSI 建議采用垂直4 波束配置。

5 結束語

本文解決了5G MR 精確定位的問題，從研究方法上創(chuàng)新地使用蟻群搜索算法快速迭代計算當前區(qū)域內(nèi)所有小區(qū)最優(yōu)權值方案。從結果看，天線權值實現(xiàn)了自適應快速尋優(yōu)，徹底解決了傳統(tǒng)RF優(yōu)化人工調(diào)整耗時耗力且效果不佳的突出矛盾。后續(xù)研究的重點將放在不同場景下權值優(yōu)化增益及CSI權值自適應等方面，進一步提升5G用戶的感知。