姚嘉鋮 許 威，2 黃永明，2 肖華華 魯照華

（1.東南大學(xué)移動通信國家重點(diǎn)實(shí)驗(yàn)室、移動信息通信與安全前沿科學(xué)中心，江蘇南京 210096；2.網(wǎng)絡(luò)通信與安全紫金山實(shí)驗(yàn)室，江蘇南京 211111；3.移動網(wǎng)絡(luò)和移動多媒體技術(shù)國家重點(diǎn)實(shí)驗(yàn)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(wù)需求不斷增長，物聯(lián)網(wǎng)時代海量的接入設(shè)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(luò)。全覆蓋、全頻譜、全應(yīng)用、強(qiáng)安全被認(rèn)為是第六代移動通信（6G）的發(fā)展目標(biāo)與愿景［1］。相較于第五代移動通信（5G）技術(shù)，未來6G 時代將會引入并利用更高的頻段，要求達(dá)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(yán)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(yùn)營成本，是發(fā)展未來6G 網(wǎng)絡(luò)需要解決的關(guān)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(luò)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(shù)進(jìn)一步融合，使得通信網(wǎng)絡(luò)、感知網(wǎng)絡(luò)、計算網(wǎng)絡(luò)向一體化方向發(fā)展，構(gòu)建一個全新的智能網(wǎng)絡(luò)系統(tǒng)。這對6G 空口傳輸設(shè)計提出了新的挑戰(zhàn)。

可重構(gòu)智能表面技術(shù)，由于其可編程的特性，被視為是未來6G 移動通信網(wǎng)絡(luò)的重要技術(shù)之一。文獻(xiàn)［3］首次提出了可編程超表面的概念，可利用編程實(shí)現(xiàn)對反射電磁波參數(shù)的智能調(diào)控。在此基礎(chǔ)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(dú)立地對入射信號的幅度、相位、頻率、極化等進(jìn)行靈活調(diào)整［4-5］，可針對無線信道環(huán)境的變化進(jìn)行實(shí)時的配置與調(diào)控，由此來實(shí)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(diǎn)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(jìn)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(biāo)牌等之上。三，可工作于全雙工模式，沒有自干擾，適應(yīng)于實(shí)際工程應(yīng)用。將RIS應(yīng)用于6G 移動通信網(wǎng)絡(luò)，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(shí)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(shí)際應(yīng)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(luò)設(shè)計帶來了諸多新的挑戰(zhàn)。區(qū)別于傳統(tǒng)的通信技術(shù)，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(jìn)行設(shè)計與優(yōu)化，激發(fā)RIS應(yīng)用的潛能，對于RIS的實(shí)際應(yīng)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(shè)計思路，包括信道建模與信道估計方法、混合波束賦形技術(shù)以及與智能網(wǎng)絡(luò)的融合設(shè)計三個方面的內(nèi)容，進(jìn)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(shù)的未來發(fā)展進(jìn)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(jìn)行獨(dú)立調(diào)控，由此實(shí)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(yīng)管或者其他的微機(jī)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(shí)現(xiàn)相移差的控制?？刂破魍ǔ榭删幊唐骷?，如FPGA（Field Programmable Gate Array），僅需調(diào)整偏置電壓，便可以實(shí)現(xiàn)對電磁波的實(shí)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(shí)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(shí)現(xiàn)更高的頻譜與能量效率［8］?？紤]到傳統(tǒng)的RIS 僅能實(shí)現(xiàn)反射，這也就只能實(shí)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(jìn)行反射的同時進(jìn)行透射，并可實(shí)現(xiàn)對反射信號與透射信號的獨(dú)立調(diào)控，由此實(shí)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(shí)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(jìn)行反射，并對其相位進(jìn)行靈活調(diào)整，其余新型的RIS 設(shè)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(guān)應(yīng)用與技術(shù)進(jìn)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(yīng)用已經(jīng)得到了廣泛的關(guān)注與討論?；赗IS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(qiáng)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(qiáng)通信鏈路的性能，通過無源波束賦形補(bǔ)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(jī)（Unmanned Aerial Vehicle，UAV）通信網(wǎng)絡(luò)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(jìn)行智能調(diào)控，因此便可以通過配置RIS，來實(shí)現(xiàn)對有用信號的增強(qiáng)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(luò)中的干擾抑制［20］，或者用于增強(qiáng)物理層安全［21-23］，抑制竊聽者的信號，并增強(qiáng)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(jìn)一步調(diào)制在RIS 相移的選擇［24］、反射單元的開關(guān)［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(shí)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(shí)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(shí)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(jìn)一步影響了復(fù)用增益。通過分布式的RIS 部署，可以人為地創(chuàng)造多個獨(dú)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(zhǔn)確獲取是進(jìn)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(guān)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(jìn)行介紹。

3.1 信道建模

信道的準(zhǔn)確建模對于RIS的理論分析與系統(tǒng)設(shè)計有著重要的影響。文獻(xiàn)［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(yán)重阻礙，無直達(dá)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(rèn)為能更好表征RIS的特性，將每一個反射單元單獨(dú)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(guān)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(dǎo)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(shí)際場景?？紤]到RIS 單元對于信號幅度的調(diào)整與波達(dá)方向和波達(dá)角相關(guān)，同時還受到反射單元本身性質(zhì)的影響，文獻(xiàn)［31］通過求解電磁場的相應(yīng)積分方程，對RIS 單元對于信號幅度的調(diào)整進(jìn)行了建模，建立了更實(shí)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(yīng)，文獻(xiàn)［32］建立了能夠?qū)ζ溥M(jìn)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(yuǎn)場的假設(shè)，即收發(fā)端與RIS 的距離均遠(yuǎn)大于RIS 本身的尺寸，文獻(xiàn)［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(shí)際的應(yīng)用場景之中，尤其對于一些室內(nèi)的應(yīng)用場景，遠(yuǎn)場的假設(shè)不再成立，實(shí)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(xiàn)［34］對于RIS處于近場情況下的路徑損耗進(jìn)行了詳細(xì)的建模與分析，對收發(fā)機(jī)均在近場以及收發(fā)機(jī)之中一個在近場，另一個在遠(yuǎn)場的情況進(jìn)行了分析，并利用實(shí)際測量對于模型進(jìn)行了驗(yàn)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(jìn)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(guān)性對剩余的反射單元處的信道進(jìn)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(jìn)行估計，無需知道單個的信道。文獻(xiàn)［35］考慮將RIS的反射單元依次打開，其余的反射單元關(guān)閉，由此對每個RIS反射單元關(guān)聯(lián)的級聯(lián)信道進(jìn)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(shí)際系統(tǒng)之中應(yīng)用?；诮邮斩藛翁炀€的模型，文獻(xiàn)［36］證明了估計精度與RIS 處相移的選取相關(guān)，并給出了最優(yōu)的相移設(shè)計。擴(kuò)展到接收端多天線的情況，文獻(xiàn)［37］提出了一種信道分解的方案，并從理論上導(dǎo)出了最優(yōu)的相移設(shè)計方案，使得估計性能得到提升。文獻(xiàn)［38］則推導(dǎo)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(jìn)行擴(kuò)展，提升了性能并降低了計算復(fù)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(dāng)反射單元數(shù)目減小的時候，則會有效降低時間開銷。文獻(xiàn)［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(shí)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(xiàn)［40］充分利用了不同用戶之間的反射鏈路存在相關(guān)性設(shè)計了一種三階段的信道估計框架，顯著減小了導(dǎo)頻訓(xùn)練的輪數(shù)，降低了時間開銷。此外，壓縮感知（Compressed Sensing，CS）技術(shù)的應(yīng)用可以較大程度上降低時間開銷。文獻(xiàn)［41］之中利用了毫米波信道的稀疏性，將級聯(lián)信道進(jìn)行稀疏表示，將信道估計問題轉(zhuǎn)化為了稀疏信號恢復(fù)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(shù)作為一項具有良好效果的信號處理技術(shù)，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(yīng)用主要分為兩個層面。一種是利用神經(jīng)網(wǎng)絡(luò)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(shù)對于目前信道估計的一些方法的缺陷進(jìn)行補(bǔ)充，以追求更優(yōu)性能。文獻(xiàn)［42］便使用監(jiān)督學(xué)習(xí)的方法，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對從導(dǎo)頻信號到信道信息的映射進(jìn)行了擬合，獲得了較優(yōu)的性能。文獻(xiàn)［43］在利用CS技術(shù)進(jìn)行信道估計的基礎(chǔ)之上，添加了一個去噪的CNN 網(wǎng)絡(luò)，相較于僅利用CS 的信道估計方法實(shí)現(xiàn)了性能的提升。

4 基于RIS的混合波束賦形技術(shù)

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(shí)現(xiàn)信號傳播環(huán)境的重塑，以此來增強(qiáng)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(yù)編碼，以及在RIS處的模擬預(yù)編碼進(jìn)行聯(lián)合優(yōu)化，以提升系統(tǒng)性能，實(shí)現(xiàn)更高的系統(tǒng)容量、更好的應(yīng)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(jìn)行仿真分析。該場景下，設(shè)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(jìn)行服務(wù)。將基站與用戶之間的直達(dá)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(dá)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(jìn)行波束賦形，忽略了對于RIS的優(yōu)化設(shè)計，使得反射波束未完全對準(zhǔn)用戶，其性能增益有限。只有對于發(fā)射端和RIS 進(jìn)行混合波束賦形，對兩者進(jìn)行聯(lián)合優(yōu)化，實(shí)現(xiàn)對電磁空間的準(zhǔn)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(shè)計的難度大大增加。通常需要聯(lián)合優(yōu)化發(fā)射端的預(yù)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(dǎo)致了該優(yōu)化問題普遍表現(xiàn)為非凸問題，給波束賦形設(shè)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(shè)計與基于人工智能技術(shù)的設(shè)計，下面將進(jìn)行詳細(xì)闡述。

4.1 基于凸優(yōu)化的波束賦形設(shè)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(shù)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(xiàn)之中被廣泛采用［44］。對于需要聯(lián)合優(yōu)化的發(fā)射端預(yù)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(jìn)行優(yōu)化，然后交替固定進(jìn)行優(yōu)化直至最終結(jié)果收斂，以此來實(shí)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(biāo)值，通常為速率和、功率消耗等，這保證了迭代過程中目標(biāo)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(diǎn)。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?jǐn)?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(jìn)行轉(zhuǎn)化，然后利用塊坐標(biāo)下降（Block Coordinate Descent，BCD）算法對每一個變量進(jìn)行依次更新與優(yōu)化，實(shí)現(xiàn)對耦合變量的解耦。實(shí)質(zhì)上，BCD 算法也是應(yīng)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(dāng)相移固定時，對于發(fā)射端預(yù)編碼的設(shè)計問題與傳統(tǒng)的MIMO系統(tǒng)預(yù)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(jìn)行放松約束，由此來實(shí)現(xiàn)凸問題的轉(zhuǎn)化。文獻(xiàn)［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(jìn)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(xiàn)［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(jìn)行迭代，來不斷逼近原問題的最優(yōu)解。文獻(xiàn)［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(biāo)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(biāo)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(biāo)函數(shù)的最優(yōu)解。另外一種常見的思路則是利用在目標(biāo)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(biāo)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(xiàn)［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(xiàn)［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(jìn)行了轉(zhuǎn)化：

其中‖v‖∞為v的無窮范數(shù)。此外，文獻(xiàn)［48］之中對|vn|2=1進(jìn)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(jìn)行了處理。

第三類方法，則是利用常見的梯度下降的思想進(jìn)行處理。文獻(xiàn)［20］中應(yīng)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(fù)圓空間S 進(jìn)行的梯度下降，復(fù)圓空間S 定義如下：

其中Re{?}和Im{?}分別表示取一個復(fù)數(shù)的實(shí)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(jìn)行梯度更新，最后再將結(jié)果投影回復(fù)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(fù)雜度較高，而實(shí)際應(yīng)用中常需要對RIS 進(jìn)行動態(tài)調(diào)控，實(shí)際應(yīng)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(shè)計

相比較于凸優(yōu)化方法進(jìn)行波束賦形設(shè)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(dú)特的優(yōu)勢。借助于AI技術(shù)，事先利用大量數(shù)據(jù)訓(xùn)練好模型，實(shí)際應(yīng)用時可以大大降低RIS 輔助無線通信系統(tǒng)波束賦形設(shè)計的運(yùn)算復(fù)雜度，減少復(fù)雜的迭代優(yōu)化所需的時間。

利用AI 技術(shù)進(jìn)行混合波束賦形設(shè)計思路主要是利用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）對于復(fù)雜的優(yōu)化過程進(jìn)行擬合，使得波束賦形設(shè)計的時間得到大大的加速。文獻(xiàn)［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(biāo)簽用于訓(xùn)練，使得DNN 能夠擬合非凸的RIS 處相移優(yōu)化過程。但是在實(shí)際使用之中，需要我們事先獲得大量的相移作為標(biāo)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(xiàn)［54］提出了一種無監(jiān)督學(xué)習(xí)的方案，將信道信息作為輸入，直接將所需要優(yōu)化的目標(biāo)函數(shù)作為損失函數(shù)，由此避免了大量標(biāo)簽的計算。但是其本質(zhì)上依然是由輸入的信道信息對應(yīng)了唯一的相移作為輸出，所以依然在DNN 的訓(xùn)練之中進(jìn)行了標(biāo)簽。

為了解決無法大量計算標(biāo)簽的問題，深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning，DRL）的方案得到了廣泛的考慮［55-56］。DRL 不需要訓(xùn)練標(biāo)簽，具有在線學(xué)習(xí)和樣本生成的特性，可在復(fù)雜的動態(tài)環(huán)境中進(jìn)行最優(yōu)決策，更加適用于混合波束賦形的設(shè)計。文獻(xiàn)［55］利用DRL 對RIS 輔助的單用戶系統(tǒng)進(jìn)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(xiàn)［56］考慮了需要對發(fā)射端預(yù)編碼和RIS處相移進(jìn)行聯(lián)合優(yōu)化的多用戶系統(tǒng)的DRL 框架設(shè)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(shè)備，如果直接利用神經(jīng)網(wǎng)絡(luò)對于混合波束賦形的優(yōu)化過程進(jìn)行擬合，使得神經(jīng)網(wǎng)絡(luò)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(luò)的規(guī)模也隨之增大，訓(xùn)練開銷也會大大增加。一種解決的方案是利用遷移學(xué)習(xí)（Transfer Learning，TL）的思想，將訓(xùn)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(xùn)練的開銷。文獻(xiàn)［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(luò)遷移到具有較多RIS反射單元的系統(tǒng)之中，減小了訓(xùn)練開銷。

最后一種思想便是將凸優(yōu)化與神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，利用凸優(yōu)化等方法給予神經(jīng)網(wǎng)絡(luò)一些專家知識以減少神經(jīng)網(wǎng)絡(luò)的規(guī)模與訓(xùn)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(luò)框架，利用神經(jīng)網(wǎng)絡(luò)以減小凸優(yōu)化過程之中一些計算復(fù)雜度，結(jié)合兩者的優(yōu)勢。文獻(xiàn)［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(luò)替代了復(fù)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(luò)設(shè)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(luò)成為可能。本節(jié)將從RIS輔助的通感一體化網(wǎng)絡(luò)設(shè)計與全鏈路智能化網(wǎng)絡(luò)設(shè)計兩個角度展開，探討RIS 與智能網(wǎng)絡(luò)的融合設(shè)計技術(shù)。

5.1 RIS輔助的通感一體化網(wǎng)絡(luò)設(shè)計

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

將RIS 部署在通感一體化網(wǎng)絡(luò)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(shí)現(xiàn)對于環(huán)境的細(xì)致感知，構(gòu)建更為精細(xì)化的環(huán)境地圖。其次，隨著通信與感知的進(jìn)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(yīng)特性的RIS 的部署將大大擴(kuò)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(yīng)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(yīng)用的基礎(chǔ)。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(shù)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(jìn)一步積極影響通信的質(zhì)量，精確的位置可以進(jìn)一步獲得更加精確的信道和更優(yōu)的波束賦形方案，進(jìn)一步提升了通信的性能，兩者相輔相成，相互促進(jìn)。一種常見的定位方式是通過測量到達(dá)時間（Time of Arrival，ToA）、到達(dá)角（Angle of Arrival，AoA），出發(fā)角（Angle of Departure，DoA）、接收信號強(qiáng)度（Received-Signal-Strength，RSS）等信息，然后計算確定設(shè)備的位置。文獻(xiàn)［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(yàn)信息，設(shè)計了一個波束賦形與精準(zhǔn)定位的通感一體化框架，實(shí)現(xiàn)了較高的定位精度與傳輸速率?？紤]到這些先驗(yàn)信息不一定可知，文獻(xiàn)［60］部署了兩個相對空間旋轉(zhuǎn)的RIS 以獲取更為精準(zhǔn)的空間信息，并設(shè)計了一套信道估計與定位的框架，利用信道估計恢復(fù)出的AoA 與DoA 等信息實(shí)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(shí)現(xiàn)定位，實(shí)際定位時僅需進(jìn)行匹配。文獻(xiàn)［61］之中基于RSS 構(gòu)建了指紋庫，通過部署RIS 以增強(qiáng)盲區(qū)設(shè)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(dá)共存的系統(tǒng)，RIS 的部署也有著重要的意義。通信設(shè)備與雷達(dá)設(shè)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(shè)備與雷達(dá)設(shè)備之間勢必會存在著相互干擾，這也進(jìn)一步影響了通信與感知的性能。為此，文獻(xiàn)［62］之中在通信設(shè)備的收發(fā)端分別部署了一個RIS，利用RIS 的可編程特性實(shí)現(xiàn)了對通信信號的增強(qiáng)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(luò)設(shè)計

前面的多個章節(jié)之中，基于AI技術(shù)的單個模塊或者功能設(shè)計已經(jīng)得到了廣泛的討論，包括用AI技術(shù)進(jìn)行信道估計，波束賦形等等，但整個網(wǎng)絡(luò)仍然是基于傳統(tǒng)架構(gòu)，AI技術(shù)僅是作為單個模塊的補(bǔ)充技術(shù)或者是優(yōu)化技術(shù)進(jìn)行單獨(dú)的使用。未來的智能化網(wǎng)絡(luò)，將以AI為基礎(chǔ)構(gòu)建一個全鏈路的智能化網(wǎng)絡(luò)。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(shù)的支撐下，能夠更好地凸顯RIS 技術(shù)的優(yōu)勢，大幅降低網(wǎng)絡(luò)實(shí)現(xiàn)的復(fù)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(shù)的性能與適用性。6G 時代將RIS 技術(shù)與AI技術(shù)相互融合，設(shè)計全鏈路的智能化網(wǎng)絡(luò)，將具有廣闊的發(fā)展前景。

首先，將AI 技術(shù)用于RIS 通信的全鏈路設(shè)計，相比較于單獨(dú)的模塊與功能設(shè)計，將能更大程度發(fā)揮RIS 的優(yōu)勢，提升系統(tǒng)性能。文獻(xiàn)［63］之中探討了一種基于RIS 的收發(fā)端聯(lián)合設(shè)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(jìn)行優(yōu)化，相較于獨(dú)立的模塊設(shè)計能夠擁有更低的誤碼率。

同時，RIS 技術(shù)也對于AI 技術(shù)有著重要的反哺作用。聯(lián)邦學(xué)習(xí)（Federated Learning，F(xiàn)L）是一種機(jī)器學(xué)習(xí)的新范式。相較于傳統(tǒng)的集中式學(xué)習(xí)方法，F(xiàn)L提出了分布式學(xué)習(xí)的方案，通過本地的模型訓(xùn)練與云端的模型聚合，減輕了集中學(xué)習(xí)的巨大計算與存儲開銷，并能夠更好維護(hù)用戶的安全性，更適用于未來分布式與智能化的6G 網(wǎng)絡(luò)。但是，受限于有限的通信資源，以及復(fù)雜多變的無線傳播環(huán)境，在智能網(wǎng)絡(luò)之中進(jìn)行FL 的訓(xùn)練與應(yīng)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(yīng)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(xùn)練的準(zhǔn)確度與收斂速度，促進(jìn)分布式智能網(wǎng)絡(luò)的實(shí)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(shí)現(xiàn)模型的平均聚合變得較為困難，進(jìn)而可能使得訓(xùn)練得到的模型性能下降?；诖?，文獻(xiàn)［64］引入了RIS 來輔助AirComp，構(gòu)建了一個統(tǒng)一的通信與學(xué)習(xí)優(yōu)化的優(yōu)化框架，以聯(lián)合優(yōu)化設(shè)備選擇、波束賦形設(shè)計和RIS配置，大幅提升了FL的性能。

此外，文獻(xiàn)［65］之中還探討了一種將RIS 與AI技術(shù)融合，輔助智能網(wǎng)絡(luò)設(shè)計的新方案，即基于RIS的神經(jīng)網(wǎng)絡(luò)設(shè)計。其中提出了兩種可能的實(shí)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(diǎn)。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(diǎn)的復(fù)值DNN。文獻(xiàn)［66］進(jìn)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(luò)，可實(shí)現(xiàn)對網(wǎng)絡(luò)參數(shù)的實(shí)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(luò)硬件化實(shí)物化，不僅僅將會用于無線通信，而且為更多基于AI 技術(shù)的智能應(yīng)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(luò)的設(shè)計。本文對于目前RIS輔助無線通信系統(tǒng)的關(guān)鍵設(shè)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(luò)結(jié)合的設(shè)計方法，進(jìn)行了一個簡要的綜述。目前關(guān)于RIS的相關(guān)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(shí)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(shù)驗(yàn)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(xué)羅智泉教授團(tuán)隊與華為公司合作，在真實(shí)5G 網(wǎng)絡(luò)環(huán)境下測試了基于盲波束賦形的RIS 技術(shù)，證實(shí)了其顯著性能增益。但對于進(jìn)一步的實(shí)際部署與推廣，RIS 技術(shù)仍然存在較多的問題需要解決，主要有以下幾點(diǎn)：

（1）現(xiàn)有的RIS 的信道與傳輸模型缺乏實(shí)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(shè)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(shí)際應(yīng)用效果會受到影響。

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

（4）使用AI 技術(shù)設(shè)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(jìn)行訓(xùn)練，與實(shí)際情況存在偏差。

（5）智能網(wǎng)絡(luò)的構(gòu)想仍然處于起步與理論階段，相關(guān)文獻(xiàn)資料較少，距離實(shí)際部署還有較大距離。

考慮到上述的問題，未來關(guān)于RIS 技術(shù)的進(jìn)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(zhǔn)確建模。

（2）低開銷、低復(fù)雜度的RIS級聯(lián)與獨(dú)立信道估計方法。

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

（4）面向未來密集分布網(wǎng)絡(luò)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(shè)計方法。

（6）增強(qiáng)RIS 使能的通感一體化、太赫茲通信、UAV通信技術(shù)等。

（7）基于RIS的全鏈路智能化網(wǎng)絡(luò)仿真、部署與實(shí)現(xiàn)。

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