基于可重構(gòu)智能表面的6G通信技術

姚嘉鋮 許 威，2 黃永明，2 肖華華 魯照華

（1.東南大學移動通信國家重點實驗室、移動信息通信與安全前沿科學中心，江蘇南京 210096；2.網(wǎng)絡通信與安全紫金山實驗室，江蘇南京 211111；3.移動網(wǎng)絡和移動多媒體技術國家重點實驗室，廣東深圳 518057；4.中興通訊股份有限公司，廣東深圳 518057）

1 引言

隨著近年來科技的不斷發(fā)展，各類無線通信業(yè)務需求不斷增長，物聯(lián)網(wǎng)時代海量的接入設備要求一個擁有更大系統(tǒng)容量、更快信息傳輸速率以及更加智能化數(shù)字化的通信網(wǎng)絡。全覆蓋、全頻譜、全應用、強安全被認為是第六代移動通信（6G）的發(fā)展目標與愿景［1］。相較于第五代移動通信（5G）技術，未來6G 時代將會引入并利用更高的頻段，要求達到更快的通信速率和更為廣域的覆蓋范圍，這同時也對無線通信系統(tǒng)的部署成本和能耗效率提出了更為嚴峻的挑戰(zhàn)。如何在提升系統(tǒng)性能的同時兼顧成本，提升能耗效率以有效降低無線通信系統(tǒng)的部署與運營成本，是發(fā)展未來6G 網(wǎng)絡需要解決的關鍵問題。此外，從“萬物互聯(lián)”到“萬物智聯(lián)”，智慧連接也是未來6G 網(wǎng)絡的一大特征之一［2］，不僅是著重于系統(tǒng)性能的提升，未來6G 同時也將會與人工智能、云計算等智能化技術進一步融合，使得通信網(wǎng)絡、感知網(wǎng)絡、計算網(wǎng)絡向一體化方向發(fā)展，構(gòu)建一個全新的智能網(wǎng)絡系統(tǒng)。這對6G 空口傳輸設計提出了新的挑戰(zhàn)。

可重構(gòu)智能表面技術，由于其可編程的特性，被視為是未來6G 移動通信網(wǎng)絡的重要技術之一。文獻［3］首次提出了可編程超表面的概念，可利用編程實現(xiàn)對反射電磁波參數(shù)的智能調(diào)控。在此基礎上，RIS（Reconfigurable Intelligent Surface）是在天線陣列上集成大量無源反射超材料元件，每個無源反射元件均可以通過編程獨立地對入射信號的幅度、相位、頻率、極化等進行靈活調(diào)整［4-5］，可針對無線信道環(huán)境的變化進行實時的配置與調(diào)控，由此來實現(xiàn)人工可控制的電磁傳播環(huán)境，提升系統(tǒng)的性能。相較于一些類似的概念，比如中繼通信，反向散射通信，可重構(gòu)智能表面有著如下的特點和顯著優(yōu)勢。一，構(gòu)成RIS的近似無源的反射元器件，僅被動反射信號，無需進行信號處理，避免了熱噪聲的引入，同時也大大降低了系統(tǒng)的能耗；二，成本低廉，易于部署。RIS 由大量的低成本反射單元集合而成，部署成本低，而且其平面薄板的結(jié)構(gòu)，可靈活附著于建筑物外部、天花板、標牌等之上。三，可工作于全雙工模式，沒有自干擾，適應于實際工程應用。將RIS應用于6G 移動通信網(wǎng)絡，能有效降低系統(tǒng)的能耗，提升系統(tǒng)能量效率，幫助解決高頻段電磁波覆蓋范圍小的問題，實現(xiàn)更低成本與更高質(zhì)量的覆蓋，并且RIS 輔助下的智能無線環(huán)境構(gòu)建也使得傳統(tǒng)的無線通信系統(tǒng)具有了更多可控維度，對于6G的未來發(fā)展和實際應用具有著重要意義。

與此同時，RIS 的引入，也給未來6G 通信網(wǎng)絡設計帶來了諸多新的挑戰(zhàn)。區(qū)別于傳統(tǒng)的通信技術，RIS 的引入帶來了一個新的優(yōu)化維度，同時也使得傳統(tǒng)的信號傳輸過程發(fā)生了改變，使得信道建模、信道估計、信息傳輸?shù)让媾R更多新的問題。如何更有效地進行設計與優(yōu)化，激發(fā)RIS應用的潛能，對于RIS的實際應用有著重要的意義。本文將著重對于目前基于RIS的6G 通信系統(tǒng)設計思路，包括信道建模與信道估計方法、混合波束賦形技術以及與智能網(wǎng)絡的融合設計三個方面的內(nèi)容，進行介紹并展開深入的分析與探討。論文最后將針對可重構(gòu)智能表面技術的未來發(fā)展進行展望。

2 RIS簡要概述

2.1 RIS工作原理與分類

RIS 的典型工作架構(gòu)如圖1 所示，通常由集成大量反射元件的天線陣列與一個控制器組成，控制器可對每一個反射元件進行獨立調(diào)控，由此實現(xiàn)對無線環(huán)境的智能控制。其中，反射元件通常由PIN（Positive-Intrinsic-Negative）二極管、場效應管或者其他的微機電系統(tǒng)（Micro-Electro-Mechanical Sys?tem，MEMS）組成［5］。以PIN 二極管為例，通過對于偏置電壓的控制，可以控制PIN二極管的開閉，由此實現(xiàn)相移差的控制。控制器通常為可編程器件，如FPGA（Field Programmable Gate Array），僅需調(diào)整偏置電壓，便可以實現(xiàn)對電磁波的實時調(diào)控。

針對狹義上的可重構(gòu)智能表面的一些缺陷，目前也涌現(xiàn)出了一些新種類的RIS。針對RIS 通信鏈路的巨大衰落，主動RIS（Active RIS）通過引入有源的放大器，例如利用二極管將直流偏置轉(zhuǎn)換為射頻功率，可實現(xiàn)對反射信號的放大［6-7］，并且可以在較少的反射單元與有限的功率下實現(xiàn)更高的頻譜與能量效率［8］。考慮到傳統(tǒng)的RIS 僅能實現(xiàn)反射，這也就只能實現(xiàn)對一半空間的智能調(diào)控，因此，兼具反射與透射功能的STAR-RIS（Simultaneously Trans?mitting And Reflecting RIS）被提出［9-11］。STAR-RIS可以將入射信號進行反射的同時進行透射，并可實現(xiàn)對反射信號與透射信號的獨立調(diào)控，由此實現(xiàn)全空間的智能無線環(huán)境。此外，部署在空中平臺的ARIS（aerial RIS）也能夠?qū)崿F(xiàn)全空間的反射，并且相對于固定的RIS，更加靈活可控，也能夠創(chuàng)造更多的視距（Line-of-Sight，LoS）鏈路，實現(xiàn)更好的通信性能［12］。

目前主流討論的RIS 是無源的被動器件，對入射信號進行反射，并對其相位進行靈活調(diào)整，其余新型的RIS 設計方法與之類似。因此，本文主要從此類的RIS出發(fā)，對其相關應用與技術進行討論。

2.2 常見使用場景

在目前的研究之中，RIS 在各種無線通信場景下的應用已經(jīng)得到了廣泛的關注與討論。基于RIS起到的不同作用，其工作場景主要可以分為以下五類，如圖2所示。

（a）作為中繼增強信號。由于更高頻段電磁波的引入，使得單個基站的覆蓋減小，信號衰減增大，而RIS 的部署可以起到中繼的作用，用以增強通信鏈路的性能，通過無源波束賦形補償長距離傳輸帶來的能量損耗，減小能耗，增大信號的覆蓋。例如將RIS 用于輔助盲區(qū)用戶通信［13］，同步無線信息和電力傳輸（Simultaneous Wireless Information and Power Transfer，SWIPT）［14-16］，無人機（Unmanned Aerial Vehicle，UAV）通信網(wǎng)絡的覆蓋拓展［17-18］等場景之中，通過RIS的輔助，可大幅提升系統(tǒng)的通信性能與可靠性。

（b）重塑信號傳播環(huán)境。由于RIS 可以自由地對信號的傳播環(huán)境進行智能調(diào)控，因此便可以通過配置RIS，來實現(xiàn)對有用信號的增強以及對干擾的抑制。例如將RIS部署于多小區(qū)系統(tǒng)以抑制小區(qū)間干擾［19］，D2D（Device to Device）通信網(wǎng)絡中的干擾抑制［20］，或者用于增強物理層安全［21-23］，抑制竊聽者的信號，并增強合法用戶的信號等。

（c）主動信息傳輸。之前的場景之中，RIS 僅作為一個不攜帶信息的被動反射元件。但RIS也可用于主動傳輸信息?？梢詫⑺鑲鬏?shù)男畔⑦M一步調(diào)制在RIS 相移的選擇［24］、反射單元的開關［25］上，或者將RIS 劃分為不同子塊，將信息調(diào)制在RIS 子塊的指數(shù)上［26］，使得RIS本身也可攜帶信息，增大系統(tǒng)容量。

（d）調(diào)制與模擬波束成型。由于RIS 可以實現(xiàn)對信號的自由調(diào)控，因此可以部署在發(fā)射端，起到調(diào)制與模擬波束成型的作用。例如在用戶終端附件部署以實現(xiàn)大規(guī)模陣列［27］，降低硬件成本與功耗，提升系統(tǒng)性能；或者用于輔助指數(shù)調(diào)制（Index Modulation，IM）［28］，更好地聚焦波束，實現(xiàn)頻譜效率的提升。

（e）創(chuàng)造多徑傳輸環(huán)境。針對一些不滿足富散射條件簡單的傳播環(huán)境，其信道具有低秩問題，這也進一步影響了復用增益。通過分布式的RIS 部署，可以人為地創(chuàng)造多個獨立的傳播路徑，并盡可能多地創(chuàng)造LoS鏈路［29］，提升系統(tǒng)性能。

3 信道建模與信道估計

信道狀態(tài)信息（Channel State Information，CSI）的準確獲取是進行多天線MIMO（Multiple-Input Multiple-Output）傳輸?shù)那疤釛l件，精確的CSI 對于充分激發(fā)RIS的潛力有著至關重要的作用。不同于傳統(tǒng)的MIMO 通信系統(tǒng)，RIS 輔助的無線通信系統(tǒng)在信道建模與信道估計方法之上都有著較大不同，下面將分別進行介紹。

3.1 信道建模

信道的準確建模對于RIS的理論分析與系統(tǒng)設計有著重要的影響。文獻［30］總結(jié)了現(xiàn)有的兩種RIS 信道的建模方法，即雙積反射信道模型和空間散射信道模型。

考慮一個典型的單用戶MIMO 系統(tǒng)，發(fā)射端和接收端分別部署了Nt和Nr根天線，RIS 共配備了M個反射單元，發(fā)射端與接收端之間信道被嚴重阻礙，無直達鏈路。在目前較為普遍的建模方法，即雙積反射信道模型下，RIS 對于信號的調(diào)整簡化為了一個對角陣，信道如下所示：

空間散射信道模型被認為能更好表征RIS的特性，將每一個反射單元單獨考慮為一個反射體，則總的信道即為所有路徑的疊加值：

其中αm是關聯(lián)第m個反射單元的路徑增益，qm表示了RIS第m個反射單元對信號的調(diào)控。aR與aT分別表示反射端和接收端的陣列導向矢量，?和φ分別表示仰角與方位角。區(qū)別于第一類信道建模方式之中將RIS 視為全向天線，該建模方法將其視為散射體，將更加貼近實際場景?？紤]到RIS 單元對于信號幅度的調(diào)整與波達方向和波達角相關，同時還受到反射單元本身性質(zhì)的影響，文獻［31］通過求解電磁場的相應積分方程，對RIS 單元對于信號幅度的調(diào)整進行了建模，建立了更實際化的信道模型。此外，考慮到大量部署的亞波長間隔的反射單元可能帶來的互耦效應，文獻［32］建立了能夠?qū)ζ溥M行解釋的RIS端到端信道模型。

基于RIS的信道建模的另一個重要問題便是對于路徑損耗的建模?；谶h場的假設，即收發(fā)端與RIS 的距離均遠大于RIS 本身的尺寸，文獻［33］闡述了在亞波長天線間隔的尺度下，RIS 反射單元就幾乎表征為一個漫射散射體，而RIS 就是漫射反射體組成的陣列，該情況下的路徑損耗PL與發(fā)射端到RIS 與RIS 到接收端的距離d和r的積的平方成正比，即：

但是在實際的應用場景之中，尤其對于一些室內(nèi)的應用場景，遠場的假設不再成立，實際上RIS是在近場條件下工作，此時RIS的特性將發(fā)生較大的改變。文獻［34］對于RIS處于近場情況下的路徑損耗進行了詳細的建模與分析，對收發(fā)機均在近場以及收發(fā)機之中一個在近場，另一個在遠場的情況進行了分析，并利用實際測量對于模型進行了驗證。

3.2 信道估計

由于RIS 為近似的被動器件，其沒有主動收發(fā)信號和進一步信號處理的能力，這就使得傳統(tǒng)的信道估計方法無法適用。一種想法就是將RIS的少量反射單元用主動元件加以替代，并利用相關性對剩余的反射單元處的信道進行構(gòu)造，由此來獲得整體的信道。但主動元件的安裝將一定程度之上喪失RIS作為一個低成本被動器件的優(yōu)勢。

常見的另一種替代方案是將RIS 和基站、RIS與用戶之間的信道作為級聯(lián)信道進行估計，無需知道單個的信道。文獻［35］考慮將RIS的反射單元依次打開，其余的反射單元關閉，由此對每個RIS反射單元關聯(lián)的級聯(lián)信道進行估計。該方法一方面會損失估計的精度，更重要的是對于大規(guī)模的RIS 器件以及多用戶系統(tǒng)，其估計所需的時間開銷較大，難以在實際系統(tǒng)之中應用?；诮邮斩藛翁炀€的模型，文獻［36］證明了估計精度與RIS 處相移的選取相關，并給出了最優(yōu)的相移設計。擴展到接收端多天線的情況，文獻［37］提出了一種信道分解的方案，并從理論上導出了最優(yōu)的相移設計方案，使得估計性能得到提升。文獻［38］則推導了接收端采用低分辨率的ADC（Analog-to-Digital Converter）情況下的最優(yōu)線性估計器，并針對毫米波信道的稀疏性進行擴展，提升了性能并降低了計算復雜度。

針對上述方法之中的時間開銷大的問題，目前主要有以下的一些解決思路。信道估計的時間開銷隨著RIS 反射單元數(shù)目的增大而線性增加，因此當反射單元數(shù)目減小的時候，則會有效降低時間開銷。文獻［39］提出了一種反射單元分組的方案，通過相鄰反射單元配置相同的反射系數(shù)實現(xiàn)分組，以近似地減小反射單元的數(shù)目。但是該方案一定程度上會損失估計的性能。同樣，針對多用戶系統(tǒng)，用戶的數(shù)目也決定了信道估計所需要的時間。文獻［40］充分利用了不同用戶之間的反射鏈路存在相關性設計了一種三階段的信道估計框架，顯著減小了導頻訓練的輪數(shù)，降低了時間開銷。此外，壓縮感知（Compressed Sensing，CS）技術的應用可以較大程度上降低時間開銷。文獻［41］之中利用了毫米波信道的稀疏性，將級聯(lián)信道進行稀疏表示，將信道估計問題轉(zhuǎn)化為了稀疏信號恢復問題，該方法可以顯著降低信道估計的時間開銷。

人工智能技術作為一項具有良好效果的信號處理技術，它的引入也能夠獲得更優(yōu)的估計精度與更少的時間開銷。目前AI 在信道估計之中的應用主要分為兩個層面。一種是利用神經(jīng)網(wǎng)絡去擬合接收信號與信道信息之間的非線性映射，另一種則是利用AI 技術對于目前信道估計的一些方法的缺陷進行補充，以追求更優(yōu)性能。文獻［42］便使用監(jiān)督學習的方法，利用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）對從導頻信號到信道信息的映射進行了擬合，獲得了較優(yōu)的性能。文獻［43］在利用CS技術進行信道估計的基礎之上，添加了一個去噪的CNN 網(wǎng)絡，相較于僅利用CS 的信道估計方法實現(xiàn)了性能的提升。

4 基于RIS的混合波束賦形技術

在部署了RIS 的無線通信系統(tǒng)之中，可以通過對RIS 的調(diào)控來實現(xiàn)信號傳播環(huán)境的重塑，以此來增強信號并抑制干擾。因此在RIS輔助的無線通信系統(tǒng)之中，我們通常需要對于在發(fā)射端的數(shù)字預編碼，以及在RIS處的模擬預編碼進行聯(lián)合優(yōu)化，以提升系統(tǒng)性能，實現(xiàn)更高的系統(tǒng)容量、更好的應對噪聲與各類誤差的魯棒性和更好的物理層安全性。如圖3 所示，對一個典型的RIS 輔助的單用戶通信系統(tǒng)進行仿真分析。該場景下，設定一個配備4 根發(fā)射天線的基站在包含64 個反射單元的RIS 的輔助下，對一個配備了單接收天線的用戶進行服務。將基站與用戶之間的直達徑建模為瑞利信道，基站與RIS 以及RIS 與用戶之間的信道建模為具有LoS徑的萊斯信道，并相較于直達徑有較小路徑損耗?？梢园l(fā)現(xiàn)相較于不部署RIS 的系統(tǒng)，系統(tǒng)性能得到了大幅提升；同時還可以發(fā)現(xiàn)，若僅僅只在發(fā)射端進行波束賦形，忽略了對于RIS的優(yōu)化設計，使得反射波束未完全對準用戶，其性能增益有限。只有對于發(fā)射端和RIS 進行混合波束賦形，對兩者進行聯(lián)合優(yōu)化，實現(xiàn)對電磁空間的準確調(diào)控，才能夠充分激發(fā)RIS的潛力，提升系統(tǒng)性能。

但是RIS 的引入，也使得波束賦形設計的難度大大增加。通常需要聯(lián)合優(yōu)化發(fā)射端的預編碼矩陣和RIS的相移，兩者高度耦合，而且相移通常需滿足非凸的單位模量限制，這也就導致了該優(yōu)化問題普遍表現(xiàn)為非凸問題，給波束賦形設計帶來了困難和挑戰(zhàn)。目前針對基于RIS 的波束賦形問題，主要有兩類解決方案，即基于凸優(yōu)化方法的設計與基于人工智能技術的設計，下面將進行詳細闡述。

4.1 基于凸優(yōu)化的波束賦形設計

由于基于RIS的混合波束賦形問題大都為非凸問題，想要利用凸優(yōu)化技術求解都得將原問題轉(zhuǎn)化為凸問題，或者分解為凸的子問題，利用迭代算法依次求解。

首先，需要討論的是對于高度耦合的優(yōu)化變量的處理。交替優(yōu)化（Alternating Optimization，AO）的思想在目前的文獻之中被廣泛采用［44］。對于需要聯(lián)合優(yōu)化的發(fā)射端預編碼陣與RIS 處的相移，需要對其中一個先固定為常量，然后對另一個進行優(yōu)化，然后交替固定進行優(yōu)化直至最終結(jié)果收斂，以此來實現(xiàn)解耦。由于單次迭代之中，每個子優(yōu)化問題都保證了更優(yōu)的目標值，通常為速率和、功率消耗等，這保證了迭代過程中目標值單調(diào)不減（增），同時性能受限于約束條件而有上（下）界，這就保證了AO 算法能收斂到一個局部最優(yōu)點。但該算法通常無法得到全局的最優(yōu)解。此外，對于一些特定的問題，比如加權(quán)和速率最大化問題，經(jīng)典的WMMSE（Weighted Minimum Mean Squared Error）算法［20］和分數(shù)編程（Fractional Programming，F(xiàn)P）［45］算法可以通過輔助變量的引入將原問題進行轉(zhuǎn)化，然后利用塊坐標下降（Block Coordinate Descent，BCD）算法對每一個變量進行依次更新與優(yōu)化，實現(xiàn)對耦合變量的解耦。實質(zhì)上，BCD 算法也是應用了交替優(yōu)化的思想，和之前介紹的AO算法一致。

接下來，基于上述解耦的方法，我們需要探討RIS 處相移非凸單位模量限制的處理方法。由于當相移固定時，對于發(fā)射端預編碼的設計問題與傳統(tǒng)的MIMO系統(tǒng)預編碼方案一致，故不再討論。

第一類常見的方法是對非凸的限制進行放松約束，由此來實現(xiàn)凸問題的轉(zhuǎn)化。文獻［44］之中給出了一種常見的半定松弛（Semi-Definite Relax?ation，SDR）方案。對于滿足單位模量限制的RIS相移向量，引入半正定的新矩陣變量V?vvH，由此每個元素的單位模量限制可以轉(zhuǎn)化為：

其中[V]n，n代表第n個對角線元素，V?0 表示V為半正定矩陣，rank(V)代表V的秩。由于秩為1 的限制是非凸的，故可將其進行放松，由此可以得到一個凸問題?？紤]到最終得到的最優(yōu)解并不滿足秩為1的條件，這僅能得到一個上界，文獻［44］還給出了構(gòu)造秩1解的方法。

第二類則是構(gòu)造凸的子問題進行迭代，來不斷逼近原問題的最優(yōu)解。文獻［20］之中介紹了MM（Majorization-Minimization）算法，主要思路為在每一次迭代之中利用原目標函數(shù)的上（下）界，通常為泰勒展開式，來作為需要優(yōu)化的目標函數(shù)，使得每次迭代的子優(yōu)化問題易于求解，并通過迭代逼近原目標函數(shù)的最優(yōu)解。另外一種常見的思路則是利用在目標函數(shù)之中添加懲罰項的形式使得在迭代過程之中滿足非凸約束，對于新目標函數(shù)中的非凸部分則利用連續(xù)凸逼近（Successive Convex Approxi?mation，SCA）的思想加以處理。該思路的問題主要集中于如何構(gòu)造非凸約束的懲罰項。常見的處理方法有如下幾種。首先是在文獻［46］之中，將秩1限制轉(zhuǎn)化為了范數(shù)差的形式：

其中‖V‖*為其核范數(shù)。文獻［47］之中則利用無窮范數(shù)和跡對滿足單位模量限制的v進行了轉(zhuǎn)化：

其中‖v‖∞為v的無窮范數(shù)。此外，文獻［48］之中對|vn|2=1進行了如下的等價轉(zhuǎn)換：

此時便分成了兩個約束，并對非凸的|vn|2≥1 利用線性化進行了處理。

第三類方法，則是利用常見的梯度下降的思想進行處理。文獻［20］中應用的CCM（Complex Circle Manifold）方法便是基于梯度下降的思路，與傳統(tǒng)的基于歐氏空間的梯度下降不同的是，CCM 方法是基于復圓空間S 進行的梯度下降，復圓空間S 定義如下：

其中Re{?}和Im{?}分別表示取一個復數(shù)的實部與虛部。因此我們的相移向量v便屬于一個N維的S空間?；诖丝臻g的梯度下降算法，首先需要計算歐式空間的梯度值，然后轉(zhuǎn)換為黎曼梯度，進行梯度更新，最后再將結(jié)果投影回復圓空間，這也就保證了非凸約束的滿足。

此外，本文還總結(jié)了一些常見場景之中的波束賦形優(yōu)化方法，如表1所示。

表1 一些典型場景下的混合波束賦形方法Tab.1 Hybrid beamforming methods in some typical scenarios

上述基于凸優(yōu)化方法對混合波束賦形的求解方法，雖然能夠有效求解，但經(jīng)過多次的迭代優(yōu)化，計算復雜度較高，而實際應用中常需要對RIS 進行動態(tài)調(diào)控，實際應用難度較大，尤其對于大規(guī)模部署RIS的系統(tǒng)難以適用。此外，上述的迭代方法，大都是收斂于一個次優(yōu)解，無法找到全局最優(yōu)解，無法完全獲得RIS部署所帶來的性能增益。

4.2 基于人工智能的波束賦形設計

相比較于凸優(yōu)化方法進行波束賦形設計的弊端，數(shù)據(jù)驅(qū)動的人工智能波束賦形方案將具有獨特的優(yōu)勢。借助于AI技術，事先利用大量數(shù)據(jù)訓練好模型，實際應用時可以大大降低RIS 輔助無線通信系統(tǒng)波束賦形設計的運算復雜度，減少復雜的迭代優(yōu)化所需的時間。

利用AI 技術進行混合波束賦形設計思路主要是利用深度神經(jīng)網(wǎng)絡（Deep Neural Network，DNN）對于復雜的優(yōu)化過程進行擬合，使得波束賦形設計的時間得到大大的加速。文獻［53］之中，將用戶的位置信息作為輸入，利用大量事先計算好的最優(yōu)相移作為標簽用于訓練，使得DNN 能夠擬合非凸的RIS 處相移優(yōu)化過程。但是在實際使用之中，需要我們事先獲得大量的相移作為標簽，計算量較大；同時我們基于凸優(yōu)化得到的是次優(yōu)解，DNN 擬合的也是得到次優(yōu)解的過程，無法得到更優(yōu)的性能。針對上述問題，文獻［54］提出了一種無監(jiān)督學習的方案，將信道信息作為輸入，直接將所需要優(yōu)化的目標函數(shù)作為損失函數(shù)，由此避免了大量標簽的計算。但是其本質(zhì)上依然是由輸入的信道信息對應了唯一的相移作為輸出，所以依然在DNN 的訓練之中進行了標簽。

為了解決無法大量計算標簽的問題，深度強化學習（Deep Reinforcement Learning，DRL）的方案得到了廣泛的考慮［55-56］。DRL 不需要訓練標簽，具有在線學習和樣本生成的特性，可在復雜的動態(tài)環(huán)境中進行最優(yōu)決策，更加適用于混合波束賦形的設計。文獻［55］利用DRL 對RIS 輔助的單用戶系統(tǒng)進行了優(yōu)化。相較于僅需得到最優(yōu)相移的單用戶系統(tǒng)，文獻［56］考慮了需要對發(fā)射端預編碼和RIS處相移進行聯(lián)合優(yōu)化的多用戶系統(tǒng)的DRL 框架設計。

但是，隨著系統(tǒng)規(guī)模的不斷增大，大量的RIS部署以及海量的接入設備，如果直接利用神經(jīng)網(wǎng)絡對于混合波束賦形的優(yōu)化過程進行擬合，使得神經(jīng)網(wǎng)絡輸入輸出的維度較大，想要獲得較好的性能，整個神經(jīng)網(wǎng)絡的規(guī)模也隨之增大，訓練開銷也會大大增加。一種解決的方案是利用遷移學習（Transfer Learning，TL）的思想，將訓練好的較小規(guī)模的模型遷移到大規(guī)模的模型之中，以減小訓練的開銷。文獻［57］便構(gòu)建了一個用于波束賦形的TL框架，將一個部署了較少RIS的系統(tǒng)的波束賦形網(wǎng)絡遷移到具有較多RIS反射單元的系統(tǒng)之中，減小了訓練開銷。

最后一種思想便是將凸優(yōu)化與神經(jīng)網(wǎng)絡進行結(jié)合，利用凸優(yōu)化等方法給予神經(jīng)網(wǎng)絡一些專家知識以減少神經(jīng)網(wǎng)絡的規(guī)模與訓練開銷；或者根據(jù)凸優(yōu)化的過程構(gòu)建類似的神經(jīng)網(wǎng)絡框架，利用神經(jīng)網(wǎng)絡以減小凸優(yōu)化過程之中一些計算復雜度，結(jié)合兩者的優(yōu)勢。文獻［58］便是根據(jù)經(jīng)典的WMMSE算法流程，將每次迭代分解，由神經(jīng)網(wǎng)絡替代了復雜的矩陣求逆過程，構(gòu)建了一個更為高效的波束賦形框架。

5 基于RIS的智能網(wǎng)絡設計

RIS 的引入與智能無線環(huán)境的構(gòu)建使得一個更為智能化的無線通信網(wǎng)絡成為可能。本節(jié)將從RIS輔助的通感一體化網(wǎng)絡設計與全鏈路智能化網(wǎng)絡設計兩個角度展開，探討RIS 與智能網(wǎng)絡的融合設計技術。

5.1 RIS輔助的通感一體化網(wǎng)絡設計

通感一體化網(wǎng)絡是指未來的無線通信網(wǎng)絡將不僅僅只是用于相互之間的通信，而是與感知技術相互融合，使得無線通信網(wǎng)絡可以進一步感知環(huán)境，有助于實現(xiàn)更高的傳輸速率、更低時延、更低功耗，以及對于設備的精準定位。

將RIS 部署在通感一體化網(wǎng)絡之中，有著諸多的天然優(yōu)勢［4］。首先，在大量部署的低成本RIS 上安裝低能耗的傳感器，可以實現(xiàn)對于環(huán)境的細致感知，構(gòu)建更為精細化的環(huán)境地圖。其次，隨著通信與感知的進一步融合，其頻段也逐漸趨于一致，對于高頻下的較大能量損耗，具有全頻段響應特性的RIS 的部署將大大擴展覆蓋范圍。此外，大規(guī)模的表面布置以及大量部署的反射單元，使得RIS 具有較好的空間分辨率，使得精確的室內(nèi)定位成為可能。

RIS 輔助的通感一體化系統(tǒng)一種常見的應用便是精確定位，如圖4所示。傳統(tǒng)的GPS定位對于室內(nèi)等一些場景不再適用，而高精度的定位常常是一些應用的基礎。而RIS由于其天然具有的較高空間分辨率使得精確的定位技術提供了可能。同時精確的定位以及對于環(huán)境的感知也將進一步積極影響通信的質(zhì)量，精確的位置可以進一步獲得更加精確的信道和更優(yōu)的波束賦形方案，進一步提升了通信的性能，兩者相輔相成，相互促進。一種常見的定位方式是通過測量到達時間（Time of Arrival，ToA）、到達角（Angle of Arrival，AoA），出發(fā)角（Angle of Departure，DoA）、接收信號強度（Received-Signal-Strength，RSS）等信息，然后計算確定設備的位置。文獻［59］充分利用了RIS與發(fā)射端鏈路之間的AoA、DoA 以及ToA 等先驗信息，設計了一個波束賦形與精準定位的通感一體化框架，實現(xiàn)了較高的定位精度與傳輸速率?？紤]到這些先驗信息不一定可知，文獻［60］部署了兩個相對空間旋轉(zhuǎn)的RIS 以獲取更為精準的空間信息，并設計了一套信道估計與定位的框架，利用信道估計恢復出的AoA 與DoA 等信息實現(xiàn)厘米級的精確定位。另一種是基于事先構(gòu)建好的指紋庫實現(xiàn)定位，實際定位時僅需進行匹配。文獻［61］之中基于RSS 構(gòu)建了指紋庫，通過部署RIS 以增強盲區(qū)設備的接收信號，提升定位精度，并優(yōu)化了RIS處的相移以獲取更優(yōu)的定位效果。

針對通信與雷達共存的系統(tǒng)，RIS 的部署也有著重要的意義。通信設備與雷達設備相互分離，但兩者共享相同的頻譜，這是另一種常見的通感一體化系統(tǒng)。由于共享著相同的頻譜，通信設備與雷達設備之間勢必會存在著相互干擾，這也進一步影響了通信與感知的性能。為此，文獻［62］之中在通信設備的收發(fā)端分別部署了一個RIS，利用RIS 的可編程特性實現(xiàn)了對通信信號的增強與干擾的抑制，提升了該系統(tǒng)的性能。

5.2 全鏈路智能化網(wǎng)絡設計

前面的多個章節(jié)之中，基于AI技術的單個模塊或者功能設計已經(jīng)得到了廣泛的討論，包括用AI技術進行信道估計，波束賦形等等，但整個網(wǎng)絡仍然是基于傳統(tǒng)架構(gòu)，AI技術僅是作為單個模塊的補充技術或者是優(yōu)化技術進行單獨的使用。未來的智能化網(wǎng)絡，將以AI為基礎構(gòu)建一個全鏈路的智能化網(wǎng)絡。而基于RIS 構(gòu)建的智能無線環(huán)境的引入，一方面在AI 技術的支撐下，能夠更好地凸顯RIS 技術的優(yōu)勢，大幅降低網(wǎng)絡實現(xiàn)的復雜度，提升系統(tǒng)性能。另一個層面，RIS 的引入也在一定程度上提升AI 技術的性能與適用性。6G 時代將RIS 技術與AI技術相互融合，設計全鏈路的智能化網(wǎng)絡，將具有廣闊的發(fā)展前景。

首先，將AI 技術用于RIS 通信的全鏈路設計，相比較于單獨的模塊與功能設計，將能更大程度發(fā)揮RIS 的優(yōu)勢，提升系統(tǒng)性能。文獻［63］之中探討了一種基于RIS 的收發(fā)端聯(lián)合設計新方案，利用三個DNN 對于發(fā)射端的編碼、RIS 相移選擇以及接收端的解碼進行優(yōu)化，相較于獨立的模塊設計能夠擁有更低的誤碼率。

同時，RIS 技術也對于AI 技術有著重要的反哺作用。聯(lián)邦學習（Federated Learning，F(xiàn)L）是一種機器學習的新范式。相較于傳統(tǒng)的集中式學習方法，F(xiàn)L提出了分布式學習的方案，通過本地的模型訓練與云端的模型聚合，減輕了集中學習的巨大計算與存儲開銷，并能夠更好維護用戶的安全性，更適用于未來分布式與智能化的6G 網(wǎng)絡。但是，受限于有限的通信資源，以及復雜多變的無線傳播環(huán)境，在智能網(wǎng)絡之中進行FL 的訓練與應用將會受到通信性能的影響。利用RIS 構(gòu)建的智能無線環(huán)境，可有效地應對變化的傳輸環(huán)境，在有限的通信資源下盡可能地提升通信性能，減小傳輸過程之中出現(xiàn)的誤差，提升模型訓練的準確度與收斂速度，促進分布式智能網(wǎng)絡的實現(xiàn)。例如，為了提高FL模型聚合中的通信效率，可以利用無線信道固有的疊加特性，引入了無線空中計算（over-the-air computation，AirComp）來支持大量的局部模型同步上傳。但是，由于變化的非均勻的衰落，實現(xiàn)模型的平均聚合變得較為困難，進而可能使得訓練得到的模型性能下降。基于此，文獻［64］引入了RIS 來輔助AirComp，構(gòu)建了一個統(tǒng)一的通信與學習優(yōu)化的優(yōu)化框架，以聯(lián)合優(yōu)化設備選擇、波束賦形設計和RIS配置，大幅提升了FL的性能。

此外，文獻［65］之中還探討了一種將RIS 與AI技術融合，輔助智能網(wǎng)絡設計的新方案，即基于RIS的神經(jīng)網(wǎng)絡設計。其中提出了兩種可能的實現(xiàn)方案，第一個模型將智能無線環(huán)境建模為DNN，將多個RIS建模為神經(jīng)元節(jié)點。另一種方法則是直接將RIS建模以單個單元為神經(jīng)元節(jié)點的復值DNN。文獻［66］進一步地利用多層的透射式RIS構(gòu)建了可編程的全衍射式神經(jīng)網(wǎng)絡，可實現(xiàn)對網(wǎng)絡參數(shù)的實時調(diào)整與光速的計算。充分利用RIS的可編程特性將神經(jīng)網(wǎng)絡硬件化實物化，不僅僅將會用于無線通信，而且為更多基于AI 技術的智能應用提供了可能。

6 結(jié)論

可重構(gòu)智能表面概念的提出，使得智能無線環(huán)境成為了可能，這也極大賦能了未來6G 智能化網(wǎng)絡的設計。本文對于目前RIS輔助無線通信系統(tǒng)的關鍵設計方法，包括信道建模與信道估計方法、混合波束賦形方法以及與智能網(wǎng)絡結(jié)合的設計方法，進行了一個簡要的綜述。目前關于RIS的相關研究仍然處于一個起步的階段，更多著眼于理論層面的探討。在實際系統(tǒng)之中，中國聯(lián)通與中興通訊公司完成了首個5G 外場環(huán)境下的RIS技術驗證，證明了RIS 能在低功耗低成本的前提下大幅提升小區(qū)邊緣用戶性能，提升基站覆蓋能力與質(zhì)量。香港中文大學羅智泉教授團隊與華為公司合作，在真實5G 網(wǎng)絡環(huán)境下測試了基于盲波束賦形的RIS 技術，證實了其顯著性能增益。但對于進一步的實際部署與推廣，RIS 技術仍然存在較多的問題需要解決，主要有以下幾點：

（1）現(xiàn)有的RIS 的信道與傳輸模型缺乏實際測量數(shù)據(jù)的支撐，對于處于近場條件下的信道與傳輸模型建模尚未得到充分研究。

（2）現(xiàn)有的設計方法大多基于簡化的信道模型，將RIS對信號的影響簡單地建模為相移的改變，其實際應用效果會受到影響。

（3）傳統(tǒng)的信道估計與波束賦形設計方法的計算復雜度較高、時間開銷大，影響基于RIS實時配置的智能無線環(huán)境實現(xiàn)。

（4）使用AI 技術設計方法的數(shù)據(jù)集收集困難，目前大多基于仿真的數(shù)據(jù)進行訓練，與實際情況存在偏差。

（5）智能網(wǎng)絡的構(gòu)想仍然處于起步與理論階段，相關文獻資料較少，距離實際部署還有較大距離。

考慮到上述的問題，未來關于RIS 技術的進一步研究方向如下：

（1）面向包括毫米波、太赫茲乃至無線光等工作頻段的RIS信道準確建模。

（2）低開銷、低復雜度的RIS級聯(lián)與獨立信道估計方法。

（3）考慮硬件等實際限制，低復雜度的快速波束賦形與分布式優(yōu)化算法設計。

（4）面向未來密集分布網(wǎng)絡的RIS 的部署建模與優(yōu)化。

（5）具有更好魯棒性與泛化性的RIS 通信AI 設計方法。

（6）增強RIS 使能的通感一體化、太赫茲通信、UAV通信技術等。

（7）基于RIS的全鏈路智能化網(wǎng)絡仿真、部署與實現(xiàn)。

總的說來，RIS 由于其突出的優(yōu)勢，是未來6G時代的關鍵技術之一。上述的方向也需要進一步的深入研究，以真正推動RIS的實際產(chǎn)業(yè)化，使得未來無線通信網(wǎng)絡更好地邁向智能化。