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(tǒng)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(yōu)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(qū)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(chuàng)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(fā)送端將多個UE信號疊加，占用所有時頻資源，并通過空口發(fā)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?；诖a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)?；诠β视?，即在發(fā)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(fā)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(fā)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(qū)邊緣，由于無線環(huán)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(qū)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(qū)分裂為多個虛擬扇區(qū)，虛擬扇區(qū)服務的用戶采用NOMA，由于虛擬扇區(qū)之間是正交的，從而還可使系統(tǒng)容量進一步翻倍。

不過，NOMA也存在自身的挑戰(zhàn)。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(fā)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(fā)數據，發(fā)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(zhàn)來自發(fā)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(fā)射功率可高達幾十瓦，而接收功率只有幾皮瓦，這意味著，發(fā)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(fā)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(fā)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(fā)射信號是已知的，那么就可以用發(fā)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(zhàn)。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(fā)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(xù)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(tài)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(yōu)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(yōu)化，比如，機器學習可優(yōu)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(yōu)化層二的調度、HARQ和流量控制，機器學習還可優(yōu)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(huán)境動態(tài)地作出優(yōu)化決策，以使網絡始終保持最佳狀態(tài)。

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(qū)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(tǒng)的頻譜效率。