无线人工智能（AI）技术研究报告

目录 第一章引言1 第二章基于AI/ML的物理层技术2 2.1基于AI/ML的无线环境建模与感知2 2.2基于AI的信道估计、预测及反馈4 2.2.1信道状态信息估计5 2.2.2信道状态信息预测12 2.2.3信道状态信息反馈15 2.2.4导频、信道估计、信道反馈、预编码联合设计20 2.3AI使能的端到端设计22 2.4基于AI/ML的信道编译码技术24 2.4.1基于DNN的编译码算法25 2.4.2基于CNN的译码算法27 2.4.3基于LSTM网络的译码算法28 2.4.4基于对抗生成网络译码算法29 2.5基于AI/ML的调制与波形技术30 2.6基于AI/ML的信源信道联合编码技术31 2.7基于AI的OFDM接收机设计33 2.8基于AI的多天线收发技术35 2.8.1基于AI的MIMO检测35 2.8.2单用户毫米波MIMO混合预编码37 2.8.3多用户毫米波MIMO混合预编码39 2.8.4移动自适应协同波束成形41 2.8.5基于AI/ML的波束漂移抑制技术43 2.8.6基于AI/ML的波束跟踪技术44 2.9基于AI的多用户接入技术45 2.10基于AI的活跃用户检测46 2.11基于AI的定位技术49 第三章基于AI/ML的链路层技术51 3.1基于AI的功率分配51 3.2基于AI的信道分配52 3.3基于AI的接入控制53 3.4基于AI的链路调度54 3.5基于智能体(smartagent)的无线资源调度54 第四章基于AI的网络上层技术58 4.1基于AI的无线网络架构58 4.2基于AI的传输层拥塞控制技术61 4.3基于AI的业务速率控制63 4.4基于AI的需求预测与缓存技术65 4.5基于AI的无线分布式计算71 第五章基于AI的语义通信77 5.1基于AI的语义通信系统架构77 第六章无线AI研究数据集79 I 6.1无线AI研究数据收集和利用79 6.2无线AI研究数据集的共建共享80 6.3无线AI伦理规范及隐私保护82 第七章产业化前景分析与总结85 7.1AI赋能无线技术的潜能及优势85 7.2AI赋能无线技术的产品成熟度86 7.3AI赋能无线技术的标准化和产业化影响87 参考文献88 附录：缩略词表97 贡献单位100 II 图目录 图2-1无线通信链路2 图2-2基于CNN和LSTM的无线信道建模与预测3 图2-3基于seq-to-seq模型的信道预测器3 图2-4多维信道嵌入4 图2-5系统框架图6 图2-6DL和传统算法的比较6 图2-7接收端示意图7 图2-8LDAMP网络每一层的结构7 图2-9LDAMP和其他方法的NMSE比较8 图2-10目标小区与干扰小区中用户的DOA分布图8 图2-11不同SNR下各方法MSE性能对比9 图2-12复合神经网络的结构9 图2-13复合神经网络仿真结果10 图2-14估计网络模型SRCNN及DNCNN结构示意图10 图2-15估计流程示意图11 图2-16误块率性能指标对比示意图（SR+DN和LMMSE（最小均方误差））11 图2-17滑窗机制示意图12 图2-18模型工作架构示意图12 图2-19小样本AI信道估计仿真结果12 图2-20用于信道预测的RNN结构13 图2-21信道预测结果[81]13 图2-22信道映射关系学习网络14 图2-23信道预测结果14 图2-24基于深度学习的信道选择联合信道外推网络15 图2-25左：均匀选择图案中：信道选择子网络学习到的图案右：两种选择方案信道外推的误差比较15 图2-26基于AI的全信道信息反馈架构15 图2-27基于AI的隐式反馈架构16 图2-2832天线下UMA加噪信道数据仿真图17 图2-29信道压缩反馈原理17 图2-30特征抽取与特征恢复网络17 图2-31迁移策略性能比较18 图2-32最佳性能比较18 图2-33手动裁剪信道中的近零值来提升基于深度学习的信道压缩反馈方案性能19 图2-34基于深度学习的FDD下行信道反馈示意图19 图2-35结合FDD上下行互易性的基于深度学习的FDD下行信道反馈示意图20 图2-36用AI自编码器的思想进行导频序列和信道估计的联合设计20 图2-37导频设计、信道估计、信道信息反馈、预编码的联合设计21 图2-38量化函数及其不同的梯度重写函数22 图2-39基于AI的端到端收发机设计（针对AWGN信道）23 图2-40基于AI的端到端收发机学习得到的星座图样式（针对AWGN信道）23 图2-41基于AI的端到端收发机学习结果误消息率性能比较（针对AWGN信道）23 图2-42基于AI端到端OFDM系统与单/双导频不同速度下比特误码率24 图2-43DNNPolar码译码器25 图2-44基于AI方法设计的Polar码性能优于DE/GA方法25 图2-45改进置信传播算法的性能对比26 图2-46Polar码分段神经网络译码算法26 图2-47Polar码分段神经网络译码算法性能对比27 图2-48BP-CNN译码算法27 图2-49BP-CNN译码性能对比28 图2-50LSTM-aidedSCF算法示意图28 图2-51LSTM-aidedSCF性能对比28 图2-52LSTM-AidedCA-SCLF算法示意图29 图2-53LSTM-AidedCA-SCLF算法性能比较29 图2-54基于对抗生成网络的低密度奇偶校验码译码模型30 图2-55对抗生成网络的LDPC码译码结果30 图2-56基于autoencoder的调制解调联合设计31 图2-57基于AE的低PAPR波形设计31 图2-58基于AI的智能波形识别网络31 图2-59信源信道独立编码域信源信道联合编码示意图32 图2-60基于AI的信源信道联合编解码方案的神经网络结构图33 图2-61基于AI的信源信道联合编码方案的性能33 图2-62传统OFDM接收机34 图2-63基于模型驱动的OFDM接收机34 图2-64基于数据驱动的OFDM接收机34 图2-65DetNET单层的结构图35 图2-66时变信道条件下各检测算法的误码率性能比较36 图2-67BP迭代DNN检测结构36 图2-68DNN-dBP和DNN-MS算法性能36 图2-69MMNet算法性能37 图2-70混合预编码架构的收发机模型图38 图2-71基于波束训练与跟踪的毫米波单用户混合预编码原理图38 图2-72不同算法的有效可达速率性能比较39 图2-73多用户MIMO下行系统框图39 图2-74提出的网络架构40 图2-75信道数据加噪之后各方案的性能对比40 图2-76基于智能交互式学习范式的毫米波多用户预编码算法41 图2-77不同算法对应的有效可达速率性能41 图2-78毫米波协同波束成形系统框图41 图2-79（左）在线学习阶段模型42 图2-80（右）深度学习预测阶段模型42 图2-81提出的深度学习方案的有效可达速率43 图2-82波束漂移效应抑制的方法原理图43 图2-83有效可达速率-数据传输波束宽度固定与自适应优化44 图2-84用户运动预测45 图2-85基于AI方法的多用户接收机46 图2-86DNN-MP-BSBL结构（N=3;K=6;Lt=2;dc=2）47 图2-87活跃用户检测错误概率性能比较（Nit为迭代次数）47 图2-88D-AUD网络结构48 图2-89D-AUD与传统检测算法性能比较48 图2-90网络结构示意图49 图2-91性能比较49 图2-92不同场景下LOS的概率50 图2-93AI在FR1和FR2下的定位仿真结果50 图3-1Actor-critic强化学习框架52 图3-2物联网中的联合信道接入和包转发53 图3-3基于学习的随机接入非授权频谱策略54 图3-4基于MARL的D2D场景功率分配方法55 图3-5基于DRL的full-buffer场景用户调度56 图3-6可扩展的神经网络设计56 图3-7深度强化学习算法性能57 图4-1无线AI架构（示例图）58 图4-2基于AI+MEC的无线接入网架构（基础设施示意图）59 图4-3基于AI+MEC的无线接入网架构（抽象逻辑示意图）60 图4-4基于AI+MEC的无线接入网架构（反馈机制示意图）60 图4-5基于AI的无线接入网架构61 图4-6基于深度增强学习的拥塞控制算法63 图4-7实验结果63 图4-8基于AI的业务层速率控制64 图4-9网络测试结果64 图4-10适应性缓存方案仿真结果65 图4-11无线缓存网络系统图66 图4-12仿真验证示意图66 图4-13缓存结构图67 图4-14评分矩阵与矩阵分解示例67 图4-15协同缓存方案仿真结果68 图4-16边缘计算网络系统图68 图4-17无线缓存网络内容推送系统69 图4-18结构化卷积神经网络69 图4-19仿真验证示意图70 图4-20基于相关性和因果性的无线业务预测模型70 图4-21联合数据压缩和传输系统模型图71 图4-22仿真验证示意图72 图4-23影响数据压缩决策的重要参数72 图4-24基本分割AI/ML的思路72 图4-25分割AI/ML的不同模式73 图4-26联邦学习中的模型聚合73 图4-27FL调度流程74 图4-28联合调度性能75 图4-29基于端边云协同的多层次联邦学习架构75 图5-1语义通信模型的一般框架77 图5-2基于深度学习的语义通信系统架构78 图5-3语义通信模型的准确率78 图6-1无线AI研究数据集的组成示例79 图6-2无线AI研究数据集的收集和利用举例80 图6-3内生AI架构与无线AI研究数据集81 图6-4基于RT仿真信道数据（左：BS/UE部署；右BS5和UE7直接射线追踪仿真结果）81 图6-5基于无线AI研究数据集的定位任务训练结果82 图7-1手机终端NPU能力增长图86 表目录 表3-1仿真参数57 表4-1传输层拥塞控制主要AI算法62 表4-2无线业务预测精度对比结果70 表6-2自定义参数配置82 表7-1典型的复杂神经网络的复杂度列表86 表7-2主要贡献单位和贡献人100 第一章引言 伴随着人工智能（artificialintelligence,AI）三大驱动力——算力、算法和数据相关技术的不断发展，AI技术正在人类社会中掀起新一轮的技术革命。特别地，作为AI技术的一个重要研究方向，机器学习（machinelearning,ML）利用了深度神经网络（deepneuralnetwork，DNN）的非线性处理能力，成功地解决了一系列从前难以处理的问题，在图像识别、语音处理、自然语言处理、游戏等领域甚至表现出强于人类的性能，因此近来受到了越来越多的关注。 AI/ML技术发展的同时，无线通信系统也在持续高速发展中。第5代移动通信（5G）支持增强移动通信（enhancedmobilebroadband,eMBB）、超高可靠低时延（ultra-reliablelowlatencycommunications，uRLLC）和海量机器类型通信（massivemachinetypecommunications，mMTC）等三大应用场景，而未来的无线通信系统必将向更大吞吐、更低时延、更高可靠性、更大连接数、更高频谱利用率等方向演进。已有的研究工作表明，AI在复杂未知环境建模、学习，信道预测，智能信号生成与处理，网络状态跟踪与智能调度，网络优化部署等许多方面具有重要的应用潜力，有望促进未来通信范式的演变和网络架构的变革，对6G技术研究具有十分重要的意义和价值。 在IMT-2030（6G）推进组的统一安排下，无线技术工作组无线AI任务组就人工智能技术在6G无线空口和无线组网中的应用开展了深入调研分析，以为下一步开展相关研究提供指导和思路。本报告在对当前国内外的主要研究状况进行调研分析的基础上，结合部分成员单位在无线AI上的一些研究工作，对无线AI的若干研究方向及其关键技术进行了较为全面地分析和讨论，同时探讨了无