⚡ electrical engineering

Adaptive Selection of Codebook Using Assistance Information and Artificial Intelligence for 6G Systems

本文提出了一种利用用户设备上报的统计信道信息作为输入，通过神经网络预测量化精度并自适应选择最优码本的方案，从而在 6G 下行链路中有效降低信道状态信息上报开销并维持系统吞吐量。

原作者： Denis Esiunin, Alexei Davydov

发布于 2026-02-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Denis Esiunin, Alexei Davydov

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

这篇论文主要讲的是：在即将到来的 6G 网络中，如何让手机和基站之间的“沟通”变得更聪明、更高效。

为了让你更容易理解，我们可以把整个通信过程想象成**“在嘈杂的集市里传递秘密情报”**。

1. 背景：为什么需要“密码本”？

想象一下，基站（BS）是一个巨大的广播塔，手机（UE）是分散在集市各处的听众。广播塔想给听众发送高清视频（数据），但它不知道听众具体站在哪里、周围有什么障碍物。

为了把信号精准地“射”向手机，广播塔需要知道周围环境的详细地图。这个地图就是信道状态信息（CSI）。

问题：如果手机把整张地图（所有细节）都画下来发给广播塔，那需要传的数据量太大了，就像让一个人背着整个图书馆的书去送信，太慢了，而且会堵塞道路（占用过多的上行控制信道资源）。
解决方案：于是，大家发明了一种**“密码本”（Codebook, CB）。这就像一本“标准地图册”**。手机不需要画整张地图，只需要告诉广播塔：“我的情况最像这本地图册里的第 3 页”或者“第 10 页”。广播塔一看就知道该怎么调整信号了。

2. 核心难题：一本“万能地图册”行不通

现在的 5G 网络里，通常给所有用户用同一本“地图册”（或者固定的几种）。但这有个大问题：

场景 A：你在空旷的广场（视线清晰，LoS），信号很直，只需要简单的地图（简单的密码本）就能描述清楚。
场景 B：你在高楼林立的巷子里（信号乱反射，NLoS），或者你正在坐高铁（移动很快），信号乱成一团。这时候，简单的地图就不够用了，需要一本超级详细、包含无数细节的地图册才能描述清楚。

如果给广场上的你强行用“超级详细地图册”，那是杀鸡用牛刀，浪费资源；如果给高铁上的你只用“简单地图册”，那是指鹿为马，信号会出错，网速变慢。

目前的痛点：基站通常不知道每个用户具体处于什么环境，所以只能“一刀切”，导致要么浪费资源，要么网速不够快。

3. 论文的解决方案：AI 助手 + 用户自述

这篇论文提出了一套**“智能自适应”**方案，包含三个关键步骤：

第一步：用户“自述”环境（辅助信息）

手机不再只报“我在哪”，而是像给医生描述病情一样，告诉基站三个维度的“身体特征”：

空间特征：信号在空间上是不是很稳定？（就像描述周围是空旷还是拥挤）。
频率特征：不同颜色的光（频率）传播得怎么样？
时间特征：信号变化得快不快？（就像描述你是静止的还是在跑）。

第二步：基站里的"AI 医生”做诊断

基站收到这些“自述”后，不靠人工判断，而是用**人工智能（神经网络）**来分析。

这个 AI 就像一个经验丰富的老中医，它看过无数病例。
它根据手机提供的“空间、频率、时间”特征，预测出：如果现在用“简单地图册”，信号会错多少？如果用“超级详细地图册”，信号会好多少？

第三步：动态选择“最佳地图册”

AI 预测完后，基站会根据情况做决定：

策略一（省钱模式）：如果“简单地图册”就能满足要求，那就选它，省下的资源可以用来传更多数据。
策略二（平衡模式）：如果“超级详细地图册”能带来巨大的网速提升，而且多花的资源值得，那就选它。

4. 打个比方：点外卖

想象你在点外卖：

传统做法：不管你是住在别墅区还是老旧小区，餐厅都给你用同一个标准包装盒。
- 结果：住别墅的（信号好）觉得盒子太大太浪费；住老小区的（信号差）觉得盒子太小，饭菜洒了。
这篇论文的做法：
1. 你告诉骑手（基站）：“我家门口路很宽（空间好），但我正在骑车（移动快）”。
2. 骑手的大脑（AI）立刻分析：“哦，路宽但移动快，需要中等大小且加固的盒子。”
3. 骑手直接去仓库挑一个刚好合适的盒子。
- 结果：既没有浪费包装材料（减少了控制信令开销），饭菜（数据）也完好无损地送到了（保持了网速）。

5. 最终效果

通过这种**“用户自述 + AI 诊断 + 动态选本”**的方法，论文通过模拟实验证明：

省流量：减少了大约 45% - 53% 的“废话”（控制信令开销）。
不降速：在节省资源的同时，网速和用户体验几乎没有下降，甚至比以前更稳了。

总结

这就好比给 6G 网络装上了一个**“智能导航仪”。它不再死板地给所有人发同样的路书，而是根据每个人实时的路况（环境）和车速（移动速度），自动推荐最合适的导航方案。这让未来的 6G 网络既快又省**，能够更聪明地应对各种复杂的环境。

这是一份关于论文《Adaptive Selection of Codebook Using Assistance Information and Artificial Intelligence for 6G Systems》（基于辅助信息和人工智能的 6G 系统自适应码本选择）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：大规模多输入多输出（M-MIMO）是 5G 及未来 6G 网络的关键技术，其性能高度依赖于基站（BS）的预编码。预编码需要准确的信道状态信息（CSI）。
核心挑战：
- CSI 量化与开销的权衡：为了减少上行控制信道开销，CSI 通常通过预定义的码本（Codebook, CB）进行量化压缩。然而，不同的传播环境（如视距 LoS、非视距 NLoS、高移动性等）对量化精度的要求不同。
- 静态配置的局限性：现有的基站通常对所有用户设备（UE）使用统一的码本参数配置。这种“一刀切”的方法无法适应多样化的信道条件，导致要么量化误差过大影响吞吐量，要么开销过大浪费资源。
- 现有方案的不足：之前的研究多基于简单的 LoS/NLoS 分类或单一的时间域信道特性（TDCP）进行码本切换，缺乏对空间、频率和时间多维特性的联合考量，且难以精确预测不同码本在特定信道下的量化精度。

2. 方法论 (Methodology)

本文提出了一种基于 UE 辅助信息和人工智能（AI）的自适应码本选择机制，主要包含以下三个核心部分：

A. 广义预编码与辅助信息扩展

广义预编码模型：采用 5G NR Release 18 及 6G 预期的广义预编码矩阵结构，涵盖空间（Spatial）、频率（Frequency）和时间（Time/Doppler）三个维度的基向量（DFT basis vectors）。
多维辅助信息（UE-Assistance Information）：
- 除了现有的时间域信道特性（TDCP），论文提出扩展辅助信息，包含空间域信道特性（SDCP）和频率域信道特性（FDCP）。
- 这些指标通过计算信道在不同天线端口偏移、子载波偏移和时间延迟下的归一化自相关函数获得。
- UE 将这些统计特性上报给基站，无需额外的参考信号，利用现有的 CSI-RS 即可计算。

B. 基于 AI 的量化误差预测 (AGCS Prediction)

老化感知广义余弦相似度 (AGCS)：
- 为了评估量化精度，定义了一个考虑了信道老化（Channel Aging）的指标——AGCS。
- AGCS 不仅衡量预编码向量的匹配度，还纳入了 CSI 测量和上报延迟（ $\delta$ ）带来的影响，这对于高移动性场景至关重要。
神经网络 (NN) 预测模型：
- 在基站部署一个全连接神经网络（FC-NN）。
- 输入：UE 上报的 SDCP、FDCP 和 TDCP 统计量，以及候选码本参数（ $L, M, T$ ）。
- 输出：预测该码本在当前信道条件下的 AGCS 值（即量化精度）。
- 训练：使用监督学习，以均方误差（MSE）作为损失函数，最小化预测值与真实 AGCS 之间的差异。

C. 码本选择策略

基于预测的 AGCS，提出了两种基站侧的码本选择策略：

最小开销策略：选择满足最小 AGCS 阈值（ $\rho_{min}$ ）要求且 CSI 上报开销最小的码本。
权衡优化策略：以参考码本（如 Type-1）为基准，如果候选码本的 AGCS 提升超过了其带来的额外开销阈值（ $\rho_0$ ），则选择该候选码本。这种方法在提升下行预编码性能和增加上行开销之间寻找最佳平衡点。

3. 关键贡献 (Key Contributions)

多维辅助信息机制：首次系统性地提出联合利用空间、频率和时间三个维度的信道相关性统计信息作为 AI 模型的输入，解决了单一维度信息不足以指导复杂广义码本选择的问题。
老化感知的精度预测：提出了 AGCS 指标，将信道老化效应（由多普勒频移和反馈延迟引起）纳入量化精度评估，提高了预测在移动场景下的鲁棒性。
AI 驱动的动态适配：利用神经网络替代传统的阈值判断，能够非线性地映射复杂的信道统计特性到量化精度，实现了针对每个 UE 的个性化码本配置。
特征重要性分析：通过置换重要性分析（Permutation Importance）证明，仅需部分辅助信息（约 20%-40%）即可达到良好的预测精度，为降低辅助信息的上报开销提供了理论依据。

4. 仿真结果 (Results)

通过系统级仿真（System-Level Simulations），在 7GHz 频段、256 天线端口的 M-MIMO 场景下进行了验证：

预测精度：
- 在低移动性场景下，仅使用 SDCP 即可准确预测粗粒度空间量化（ $L=1$ ）的精度；但对于更复杂的码本，必须结合 FDCP 和 TDCP。
- 在混合移动性场景（包含 3km/h 和 30km/h）下，引入 TDCP 显著提高了预测精度，证明了考虑时间域相关性和老化效应的必要性。
系统性能：
- 吞吐量提升：提出的自适应方案在平均用户感知吞吐量（UPT）和 5% 边缘用户吞吐量上，均优于固定码本（Case 0）和基于理想 LoS/NLoS 分类的自适应方案（[5]）。
- 开销降低：与使用最高精度码本（Case 4）的基准方案相比，提出的方案在保持吞吐量性能相当的情况下，减少了约 45%-53% 的 CSI 上报开销。
- 策略对比：第二种“权衡优化”策略在降低开销方面表现更佳，因为它能更智能地在低 AGCS 区域进行码本选择，避免了第一种策略在低精度区域的次优选择。

5. 意义与价值 (Significance)

6G 演进的关键技术：该研究为 6G 网络中更复杂的 M-MIMO 系统和 AI 原生空口设计提供了具体的实现路径。
资源效率最大化：通过“按需分配”码本参数，解决了传统固定配置下资源浪费或性能不足的矛盾，显著提升了频谱效率和系统容量。
AI 与通信的深度融合：展示了如何利用 AI 将物理层的信道统计特性转化为网络层的配置决策，是"AI for Air Interface"的典型应用案例。
实际部署可行性：提出的辅助信息基于现有 5G NR 框架扩展，且通过特征剪枝证明了降低开销的可行性，具有较高的工程落地潜力。

总结：本文提出了一种利用 UE 上报的多维信道统计信息，结合神经网络预测量化精度，从而动态选择最优码本的 6G 解决方案。该方法在显著降低上行控制信令开销的同时，有效维持了系统吞吐量性能，为未来高移动性、高复杂度 M-MIMO 系统的 CSI 反馈优化提供了新的思路。