⚡ electrical engineering

Blockage-aware Hierarchical Codebook Design for RIS-Assisted Movable Antenna Systems

本文提出了一种面向 RIS 辅助可移动天线系统的阻塞感知分层波束成形框架，通过结合 Gerchberg-Saxton 算法的阻塞检测与两阶段优化策略，有效降低了波束训练开销并提升了能效。

原作者： Yan Zhang, Indrakshi Dey, Nicola Marchetti

发布于 2026-03-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Yan Zhang, Indrakshi Dey, Nicola Marchetti

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文提出了一种**“聪明又省力的天线移动方案”**，专门用于解决未来无线网络（6G）中信号容易被遮挡的问题。

为了让你轻松理解，我们可以把整个系统想象成在一个充满障碍物（如行人、家具、墙壁）的房间里，用手电筒（信号）照亮特定的人（用户）。

1. 核心角色与背景

可移动天线 (MA)：想象你的手电筒不是固定在墙上的，而是装在一个机械臂上，可以在一定范围内自由移动。这样，如果前面有堵墙，你可以把灯移到旁边去，找到一条没被挡住的路。
智能反射面 (RIS)：想象房间里有一面神奇的镜子。如果直接照过去被挡住了，这面镜子可以把光“反射”过去，绕开障碍物。
毫米波 (mmWave)：这是未来超高速网络使用的信号，像激光一样直，速度极快，但也非常“娇气”，稍微有个东西挡一下（比如一个人走过），信号就断了。

2. 遇到的问题：盲目搜索太累人

以前的做法是：为了找到最好的信号，系统会像无头苍蝇一样，拿着手电筒把房间所有角落（包括那些明明被墙挡住的死角）都照一遍，看看哪里信号好。

缺点：
1. 浪费时间：照了那么多没用的地方，用户等得着急。
2. 浪费电：机械臂要动来动去，镜子要调整角度，非常耗电。
3. 双重遮挡：有时候，你为了找信号把灯移到了某个位置，结果灯本身反而挡住了光路（就像你为了看路，把头伸到了柱子后面），以前的系统没考虑到这点。

3. 这篇论文的解决方案：带“地图”的聪明手电筒

作者设计了一套**“防遮挡分层代码本”，简单说就是给手电筒配了一张“智能避障地图”**。

第一步：先画地图（检测遮挡）

系统会先计算一下：

哪里有人或墙挡着？（环境遮挡）
如果我把灯移到位置 A，灯会不会自己挡住光？（移动遮挡）
结果：生成一张“黑名单”，告诉系统哪些方向是绝对照不到的，直接划掉。

第二步：分层搜索（像找宝藏一样）

系统不再乱照，而是用**“由粗到细”**的方法：

先看大区域：先照一个大范围，如果大方向被挡住了，直接跳过，不浪费时间去照里面的小角落。
再缩小范围：只在没被挡住的区域里，把光束变细，慢慢逼近目标。
利用算法 (GS 算法)：这就像是一个**“自动调焦大师”。它根据刚才画的“黑名单”，自动调整光束的形状和角度，确保光束只照向没被挡住的缝隙**，并且把光集中在那里，不浪费能量去照墙壁。

第三步：分两步走（先定镜子，再动灯）

为了不让系统太累，他们把任务分成了两步：

先调镜子 (RIS)：根据大概的统计规律，先把那面神奇镜子的角度调好，让光能绕开大障碍。这一步不用太频繁，省力气。
再动灯 (MA)：在镜子已经帮忙的情况下，机械臂再微调位置，配合刚才的“智能地图”快速找到最佳点。

4. 带来的好处

省电：因为不再去照那些被挡住的死角，机械臂不用做无用功，电池更耐用。
更快：搜索路径变短了，用户能更快连上网，不用等待。
更稳：即使在人来人往、障碍物乱动的复杂环境里，也能快速找到信号。

总结

这就好比你在一个迷宫里找人。

旧方法：不管前面是不是墙，你都要推一推，撞了才知道不行，既累又慢。
新方法：你手里有一张实时更新的地图，上面标好了哪些路是堵死的。你直接跳过堵路，只在能走的路里快速寻找，甚至利用反光镜把路变宽。

这篇论文就是给未来的 6G 网络设计了一套**“会看路、会避障、还省电”**的导航系统，让移动天线和智能反射面配合得更好，让网络在复杂的城市环境中也能跑得飞快。

这是一份关于论文《Blockage-aware Hierarchical Codebook Design for RIS-Assisted Movable Antenna Systems》（基于 RIS 辅助的可移动天线系统的阻塞感知分层码本设计）的详细技术总结。

1. 研究背景与问题 (Problem)

随着 6G 向太赫兹（THz）和毫米波（mmWave）频段发展，可移动天线（Movable Antenna, MA）技术被视为提升通信可靠性的关键，它通过机械移动天线位置来利用空间分集，克服固定天线的局限性。然而，现有的 MA 系统在实用部署中面临以下严峻挑战：

阻塞问题（Blockage）： 高频信号极易受环境障碍物（如人体、建筑物）阻挡。现有的 MA 设计往往忽略了双重阻塞问题：一是环境障碍物，二是 MA 天线移动到特定位置时自身可能产生的遮挡。
训练开销与能效（Overhead & Energy Efficiency）： 传统的波束训练（Beam Training）通常采用穷举搜索或标准的分层码本，会在被阻塞的方向上浪费大量时间和能量进行无效扫描。MA 系统本身因机械运动和控制需要消耗额外能量，若再叠加低效的波束训练，将严重降低系统的能量效率（EE）并增加延迟。
联合优化复杂性： 同时优化 MA 位置、波束成形和可重构智能表面（RIS）相位通常涉及极高的计算复杂度，难以在有限的相干时间内完成。

2. 方法论 (Methodology)

本文提出了一种阻塞感知分层码本（Blockage-aware Hierarchical Codebook, HCB）框架，结合 RIS 辅助，采用两阶段优化策略来解决上述问题：

A. 系统模型

场景： 下行链路，基站配备 $M$ 个可移动天线（MA-BS），辅助以 $N$ 个单元的 RIS，服务 $K$ 个单天线用户。
信道模型： 考虑了 MA-BS 到 RIS 以及 RIS 到用户的几何信道模型，并引入了基于距离和概率的阻塞路径损耗模型。
双重阻塞检测： 系统不仅检测环境障碍物，还计算 MA 移动到特定位置时是否会产生新的遮挡，从而确定“可用角度范围”（Available Angular Range）。

B. 两阶段优化流程

第一阶段：基于统计 CSI 的 RIS 相位优化

目标： 在慢时间尺度上优化 RIS 相位，以增强级联信道增益。
方法： 利用统计信道状态信息（Statistical CSI，如空间协方差矩阵和阻塞统计），而非瞬时 CSI。通过最大化有效信道增益之和，使用 MATLAB fmincon 求解器优化 RIS 相位。
优势： 降低了反馈开销，避免了在每次波束训练时重新优化 RIS 的高计算成本。

第二阶段：基于 GS 算法的阻塞感知分层码本设计

核心创新： 将阻塞检测融入码本设计，利用Gerchberg-Saxton (GS) 算法生成自适应波束。
阻塞感知机制：
- 定义被阻塞的角度区域 $\Phi_{blk}$ 和可用区域 $\Phi_{ava}$ 。
- 在 GS 迭代过程中，强制将被阻塞方向的波束增益设为零（硬约束）或进行惩罚（软约束），确保波束能量只投向无遮挡方向。
分层结构： 采用二叉树结构的分层码本。从顶层的宽波束开始，逐层细化。在每一层，利用 GS 算法根据当前的阻塞地图（Blockage Map）旋转和生成波束，跳过被阻塞的分支。
算法流程：
1. 构建阻塞字典 $A_{blk}$ 。
2. 将目标波束模式投影到阻塞角的零空间（Null-space）。
3. 在投影子空间内求解最小二乘问题，并通过 GS 迭代满足恒模约束（Constant-Modulus）。

3. 主要贡献 (Key Contributions)

基于 GS 的 MA 专用分层码本： 首次提出针对阻塞环境的 MA 分层码本设计。利用 GS 算法在每一层智能地旋转波束，避开阻塞区域，实现了高效的空分多址（SDMA），显著减少了穷举搜索带来的开销。
低复杂度的两阶段优化方案： 提出了一种解耦优化策略。先利用统计 CSI 优化 RIS，再在固定 RIS 配置下进行高效的阻塞感知波束训练。这种方法大幅降低了联合优化的计算复杂度，使其适用于实际系统。
动态阻塞环境下的性能评估： 在动态变化的阻塞环境中进行了广泛仿真，验证了该框架在频谱效率、能量效率和波束训练开销方面的优势，填补了现有文献中关于“双重阻塞”和“能效权衡”研究的空白。

4. 仿真结果 (Results)

仿真参数设定：60 GHz 载波频率，64 个 MA，256 个 RIS 单元，2 个用户。

可达速率与开销权衡：
- 与传统分层码本、DFT 码本和子空间码本（SC）相比，本文提出的方法在波束训练开销（Beam Training Overhead）上显著降低（约减少 80% 的评估次数）。
- 虽然峰值可达速率略低于 DFT 码本（约低 0.1 Gbps），但其收敛速度极快，能迅速达到稳定工作点。
能量效率（EE）：
- 本文方法实现了最高的能量效率（约 4.2 Mbits/Joule）。
- 通过避免在阻塞方向浪费能量和减少不必要的机械调整，有效缓解了 MA 系统的高能耗问题。
阻塞密度敏感性：
- 随着阻塞百分比（Blockage Percentage）的增加，传统方法（如 DFT）的训练开销急剧上升，而本文提出的阻塞感知方法由于能够主动剪枝（Pruning）被阻塞的分支，其开销增长非常缓慢，表现出极强的鲁棒性。
收敛性分析：
- GS 算法在阻塞感知场景下收敛迅速。仿真显示，即使在 50% 的高阻塞密度下，算法在 20-40 次迭代内即可稳定，且阻塞密度越高，收敛越快（因为可行空间变小，条件数改善）。

5. 意义与结论 (Significance & Conclusion)

实用价值： 该研究解决了 MA 系统在高频段实际部署中的核心痛点——即如何在存在动态阻塞和能量受限的情况下，高效地建立连接。
能效优化： 通过智能避开阻塞方向，不仅节省了射频扫描时间，还减少了 MA 机械运动的无效尝试，对于电池供电的物联网（IoT）设备至关重要。
未来展望： 虽然目前牺牲了少量的峰值速率以换取能效和开销的优化，但未来工作将探索更先进的联合优化技术，试图在保持低开销的同时进一步提升速率性能，使其完全匹配最优方案。

总结： 本文提出了一种创新的、阻塞感知的分层码本设计，结合 RIS 辅助和 GS 算法，成功在可移动天线系统中实现了“低开销、高能效、强鲁棒”的波束训练，为 6G 高频通信系统的实际部署提供了重要的理论依据和技术方案。