《5G NR物理层技术详解：原理、模型和组件 》 —3.4　信道建模

3.4　信道建模

本节讨论在标准化组织（如3GPP、ITU-R）以及其他国际研究项目和网络（如METIS和mmMAGIC）中所定义的常用信道模型。主要关注特别着重于5G特定功能的最新模型上。所有这些模型都是几何随机信道模型（除了METIS基于地图的模型），每种信道都是根据每个参数的概率分布由蒙特卡罗方法生成。为了在空间和时间上实现连续性，在这些维度上随机分布是自相关的。要在全部信道参数和全部自相关函数之间建立全相关矩阵是一项巨大的挑战。此外，要在合适的置信区间内提供合理的值需要大量的测量数据。即使能够提供所需的相关性，进行提供空间一致性所需要的全部自相关的计算量也是相当可观的。在METIS基于地图的模型中采用的另一种替代方法是基于简化的几何射线跟踪。由于模型是完全基于确定性和物理原理，因此模型中全部的相关性和空间一致性都是自动生成的。该模型具备全部重要的散射机制，即镜面反射、衍射、粗糙表面和物体的散射以及室外到室内的穿透。但是该模型的缺点是实现复杂度较高。

随着每次新一代移动通信的出现，信道模型的复杂度也在不断增加。通过更多地利用物理传播信道的自由度，每个新一代技术都能提供更优的性能。在第二代移动通信（GSM）中，由于所用带宽较窄及空间分集程度较低，因此复杂度相对较低。经过第三代和第四代，通过引入例如软切换和MIMO传输，带宽和空间分集技术都得到扩展。

本节主要着重于3GPP[2]和ITU-R[9]研究的最新5G模型。该模型成功地将传输损耗建模扩展到高达100 GHz的毫米波范围。此外还提供了扩展带宽（最大2 GHz）和路径的高分辨率方向特性。尽管某些极高分辨率的特性没有经过充分验证，但模型对于没有使用最大带宽和最窄波束的早期5G网络可能是足够精确的。

3.4.1　5G随机信道模型

本节描述了3GPP为5G在0.5～100 GHz频率范围开发的信道模型[2]，该模型也同样被ITU-R用于IMT-2020[9]。该模型很大程度上是基于上一代建模[1，6]，也是基于几何的随机信道模型。mmMAGIC信道模型[26]与3GPP/ITU-R模型在很大程度上是一致的，另有些改进和添加。信道Hmn由根据公式（3-7）生成的一组平面波来定义，其中极化幅度为Al，方向为kltx和klrx，时延为l，多普勒频率Dl用相应的随机分布对其进行经验表征。只有LoS分量是由几何确定的。

3.4.1.1　传输损耗建模

传输损耗建模是基于假设链路两端的全向天线都使用由ITU-R建议书P.341[8]定义的基本传输损耗。任何与特定天线方向图有关的建模由合并天线方向图和相应的多径分布来分别处理，多径分布将在下一节介绍。表3-1总结了模型的传输损耗（在ITU-R和3GPP规范中被称为路径损耗）特性。这些模型大部分经3.3.3节所介绍的室内办公室和街道峡谷场景的测量验证。对于LoS场景，路径损耗接近于自由空间损耗，直到一个断点，之后路径损耗与40 log(d)成正比。在NLoS条件下，对于城市宏蜂窝（Urban Macro，UMa）和农村宏蜂窝（Rural Macro，RMa）场景，相比于自由空间，路径损耗与频率无关。但是，对于室内和街道峡谷场景，相比于自由空间，路径损耗会随着频率升高而略微增加。

表3-1　3GPP传输损耗模型（得到3GPP许可）

注1：断点距离d'BP = 4 h'BS h'UT fc/c，其中fc为中心频率，单位为Hz，c = 3.0×108 m/s为自由空间中的传播速度，h'BS和h'UT分别为BS和UT处的天线有效高度。天线有效高度h'BS和h'UT计算如下：h'BS = hBS – hE，h'UT = hUT – hE，其中hBS和hUT为天线实际高度，hE为环境有效高度。对于UMi，hE = 1.0m。对于UMa，hE = 1m的概率等于1/(1+C (d2D, hUT))，否则从离散均匀分布(12, 15, …, (hUT – 1.5))中选取。C(d2D, hUT)由下式给出：

其中

注意hE取决于d2D和hUT，因此需要对BS站点和UT之间的每条链路独立确定。一个BS站点可能是单个BS或多个共址的BS。

注2：表中PL公式适用的频率范围为0.5 < fc < fH GHz，其中对于RMa，fH = 30 GHz，对其他所有场景fH = 100 GHz。应当注意到对大于7 GHz的RMa路径损耗模型是以在24 GHz上进行的单次测量活动为基础验证的。

注3：UMa NLOS路径损耗来自TR36.873但简化了格式，PLUMa-LOS = UMa LOS室外场景的路径损耗。

注4：PLUMi-LOS = UMi-街道峡谷 LOS室外场景的路径损耗。

注5：断点距离dBP = 2 hBS hUT fc/c，其中fc为中心频率，单位为Hz，c = 3.0×108 m/s为自由空间中的传播速度，hBS和hUT分别为BS和UT处的天线高度。

注6：fc表示用1 GHz归一化的中心频率，所有距离相关的值用1 m进行归一化，除非另有说明。

进一步，假设在距离相关函数中损耗的位置变化服从对数正态随机分布。对应的标准偏差范围在4～8 dB之间。这些变化在空间上通过指数自相关函数关联：

             （3-30）

其中d为空间上两个点之间的距离，dcor为常数。

建筑物穿透损耗LO2I由下式建模：

             （3-31）

其中和分别为建筑物外墙玻璃和混凝土面积的比例，Lglass和Lconcrete为多层窗户和混凝土对应的损耗，为水平穿透到建筑物深度为d2D-in的每米穿透损耗。在3GPP和ITU模型中=0.5 dB/m。由mmMAGIC进行了更深入的分析，表明均匀分布在0.5～1.5 dB/m之间。人们发现建筑物可以分为高损耗和低损耗两种类别。高损耗类的建筑物称为“热效率”，其对应的建筑材料和施工方法会造成很大的穿透损耗。尤其是用于阻挡透过窗户的热辐射而采用的薄金属镀膜也会使无线电波衰减20～30 dB。而低损耗类则对应于使用无镀膜窗户的传统建筑物。外墙建筑材料造成的损耗Lm由下式给出：

      Lm = a + bf （3-32）

对应的材料参数在表3-2中列出。

表3-2　3GPP穿透损耗材料参数

假设由于建筑物内部的不规则性（诸如家具、内墙、电梯井等），穿透损耗的对数正态分布位置发生变化。对应的标准偏差分别为：低损耗low =4.4 dB，高损耗high =6.5 dB。mmMAGIC模型通过引入如下频率相关的标准偏差，对这种变化进行了细化：

      （3-33）

其中对于低损耗类k估计为0.08 dB/GHz。

对于位置变化分布水平5%、50%和95%，在图3-36中展示了两类建筑物（传统的和热效率的）在3GPP模型中穿透损耗随频率的变化。为了便于对比，图中显示了ITU-R建议书P.2109中的建筑物入口损耗。ITU-R模型是基于大量测量数据的经验模型，而3GPP模型是基于简化的物理原理。在50%水平，对于低于50 GHz的频率，两个模型非常一致。但是，3GPP模型的频率趋势明显更强。这可以用表3-2中的值来解释，传统窗户的玻璃总厚度为24 mm，而热效率窗户的玻璃总厚度为36 mm[7]。这大约是真实建筑物中玻璃厚度的三倍。还可以明显看出ITU-R模型[10]反映了扩展随频率升高而增加，而3GPP模型则不存在这种趋势。

在3GPP和ITU-R IMT 2020模型中，传播入射角相对于外墙的依赖性通过在公式（3-31）中增加5 dB常数来说明，因此，损耗分布的扩展减少。这可以在图3-36中清楚地看到，对于ITU-R建议书P.2109[10]的模型，5%和95%概率水平明显移动得更多。由于该建议书是为支持例如IMT和卫星之间的频谱共享研究而制定的，仰角的依赖性由下式说明：

其中为路径相对于外墙的仰角，为常数，用大约20 dB/90度来估计。

图3-36　在微蜂窝场景下建筑穿透损耗与频率的关系，使用3GPP和ITU-R P.2109模型下5%、50%和95%概率水平

3.4.1.2　多径方向性和时延建模

多径分量的幅度、时延和方向的分布是基于封闭形式随机分布的一阶和二阶矩产生的。而且，这些分布分为两个层面：簇和簇之间和一个簇之内。这意味着在较高层面生成关于簇的多径分量随机分布。在较低层面生成簇之内的相应分布。用两个层面来描述簇的动机是沿承了基于功率时延分布的观察[31]。然而在与高分辨率试验数据相比时，会对拓扑的合理性产生怀疑。

在时延域，簇的概率和功率服从叠加有对数正态阴影的指数衰落的分布。在角度域，即仰角和方位角，分布由簇功率的高斯函数包络。当在同一方向上有多个簇的概率降低时，也就是与试验数据相反时，这就有点问题。在基线模型中每个簇包含20个多径分量。这些分量以簇为单位有固定时延，除了两个最强簇被细分为三个有固定时延的子簇。每个簇中的全部20个子径有固定的功率，并且有列表分布来提供角度上的拉普拉斯功率分布。图3-37给出了NLoS 60 GHz室内办公场景（与3.3.4.1节的场景相同）下，方位角和传播距离的多径分量分布。图中包括超高分辨率测量数据[14, 26]和相应的3GPP模型实现。测量在办公室环境下进行，使用50 cm宽、12.5 cm高的平面阵列，2 GHz带宽，在方向上提供超高分辨率。很明显测量分布并没有显示出时延较长的簇偏离主方向的影响。当使用窄波束天线时该模型特性可能导致时延扩展不真实地减少。

图3-37　60 GHz NLoS办公室内场景下多径分量方位角和传播距离的分布

很明显每个簇使用20个具有固定时延子径的基线模型所合成的输出与高分辨率测量不能很好地匹配。如图3-38所示，当考虑到多径分量的功率有序分布时这一影响更为明显。在测量中MPC的功率随功率排序的数目增加而大幅衰减。在MPC数量为20时，测量的功率低于最大功率7 ～15 dB，而3GPP基线模型没有相应的衰减。这会有问题，但当扩展到大的阵列或者每个MPC使用极窄波束时，问题可以得到解决。相应的空间复用性能，例如干扰抑制或者MIMO容量，将会不真实地好，如参考文献[29，20]中信道建模章节所述。出于这个原因，3GPP为非常大的天线阵列或大带宽提供了多径分量可选建模方案。簇的分布保持与基线模型相同。然而在每个簇中，存在大量的MPC。其中角度和时延是均匀分布的。在角度上使用拉普拉斯函数并且在时延上使用指数函数对分量的功率进行加权。该可选方案的结果如图3-37和图3-38所示。可以明显地看出高分辨率可选方案的MPC功率分布更符合实际。而且在簇中的角度和时延分布也更符合实际。

在3GPP模型中显示了多数场景下方向性和时延扩展的频率强依赖性降低。这一随频率变化的趋势并没有在3.3.4节和3.3.5节的测量中确认。对观察到的趋势的解释可能是，3.3.2.3节所描述的所有确保不同频段之间可比性的要求，在测量时不能总是得到满足，而测量是3GPP模型的基础。如3.3.4.4节所指出，mmMAGIC所做的非常彻底的分析表明，时延扩展没有随频率变化的趋势或者仅有非常弱的变化。

图3-38　60 GHz NLoS办公室内场景下功率排序的多径分量分布，包括3GPP基线模型和高分辨率可选模型以及3个测量位置上的相应分布

3.4.1.3　空间一致性

为了在移动性的情况下提供真实的模型输出，即当UE移动时或者在MU-MIMO场景下，使用公式（3-30）来修正信道实现的空间分布。对于基线模型，仅修正簇间参数。然而，对于高分辨率可选模型，簇内的参数也要修正。相关距离范围为10～50 m，取决于参数和场景。该方法确实使得信道随UE的移动而连续变化。然而不能确保变化反应实际情况，如在多普勒和生灭过程中。例如对于室外用户，信道状态可能是平稳的，直到用户移动到街道十字路口拐角附近。对于室内用户，当从一个房间移动到另一个房间时，可能有同样的影响。这可能对基于动态无线信道的波束跟踪技术的优化产生重要影响。出于这个原因，下一节将用阻挡模型提供一个更实际的基于几何的选项。