面向6G的智能内生信道状态信息获取与标准化*

doi:10.12267/j.issn.2096-5931.2026.10.004

信息通信技术与政策 ›› 2026, Vol. 52 ›› Issue (10): 26-39.doi: 10.12267/j.issn.2096-5931.2026.10.004

面向6G的智能内生信道状态信息获取与标准化^*

Intelligent native channel state information acquisition and standardization for 6G

王嘉胤¹^,², 左君¹^,², 李骞睿¹^,², 黄秋萍¹^,², 费永强¹^,², 高秋彬¹^,², 孙韶辉¹^,²

¹ 中信科移动通信技术股份有限公司, 北京 102208
² 无线移动通信全国重点实验室/电信科学技术研究院, 北京 100191

收稿日期:2026-07-20 出版日期:2026-10-25 发布日期:2026-10-28
作者简介:
王嘉胤,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院工程师,博士,主要研究方向为物理层AI技术等;
左君,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院高级工程师,博士,主要研究方向为物理层AI、AI与无线通信融合的研究与标准制定等;
李骞睿,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院高级工程师,博士,主要研究方向为物理层AI、多天线技术、移动通信新技术研究与标准制定等;
黄秋萍,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院教授级高级工程师,博士,主要研究方向为多天线技术、移动通信新技术研究与标准制定等;
费永强,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院高级工程师,博士,主要研究方向为物理层系统、AI技术、通感一体化、低成本/复杂度终端、覆盖增强等;
高秋彬,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院教授级高级工程师,博士,主要研究方向为通信系统协议设计、多天线系统、协作传输、信号处理算法以及系统建模与评估等;
孙韶辉,中信科移动通信技术股份有限公司、无线移动通信全国重点实验室/电信科学技术研究院教授级高级工程师,博士,长期从事移动通信新技术与标准研发工作,先后担任IMT-Advanced(4G)、IMT-2020(5G)、IMT-2030(6G)推进组标准工作组负责人
基金资助:
^*国家科技重大专项项目(2025ZD1301800)

WANG Jiayin¹^,², ZUO Jun¹^,², LI Qianrui¹^,², HUANG Qiuping¹^,², FEI Yongqiang¹^,², GAO Qiubin¹^,², SUN Shaohui¹^,²

¹ CICT Mobile Communications Technology Co., Ltd., Beijing 102208, China
² State Key Laboratory of Wireless Mobile Communications, China Academy of Telecommunications Technology, Beijing 100191, China

Received:2026-07-20 Online:2026-10-25 Published:2026-10-28

摘要/Abstract

摘要：

人工智能(Artificial Intelligence,AI)与通信的深度融合已成为推动无线通信系统发展的核心驱动力之一。在分析第六代移动通信技术(6th Generation Mobile Communication Technology,6G)中低开销信道状态信息获取的研究背景与必要性的基础上,提出面向6G系统的低开销信道状态信息获取方法,包括基于稀疏参考信号的信道状态信息重构与基于单一参考信号的多场景信道状态信息预测两种方案。通过仿真,验证了所提方案的有效性,并进一步分析了其标准化前景与待标准化的关键内容。

关键词: 深度学习, 低开销参考信号, 信道状态信息重构, 多场景信道状态信息预测

Abstract:

The deep integration of artificial intelligence and communications has emerged as one of the core driving forces advancing wireless communication systems. This paper analyzes the background and motivation of low-overhead channel state information (CSI) acquisition in 6G systems, and proposes low-overhead CSI acquisition methods for 6G systems accordingly, encompassing two categories of schemes: CSI reconstruction based on sparse reference signals and multi-scenario CSI prediction based on a single reference signal. The effectiveness of the proposed schemes is validated through simulations, and their prospects for standardization, along with the critical issues that remain to be addressed, are further discussed.

Key words: deep learning, low-overhead reference signal, channel state information reconstruction, multi-scenario channel state information prediction

中图分类号:

TN929.5

王嘉胤, 左君, 李骞睿, 黄秋萍, 费永强, 高秋彬, 孙韶辉. 面向6G的智能内生信道状态信息获取与标准化^*[J]. 信息通信技术与政策, 2026, 52(10): 26-39.

WANG Jiayin, ZUO Jun, LI Qianrui, HUANG Qiuping, FEI Yongqiang, GAO Qiubin, SUN Shaohui. Intelligent native channel state information acquisition and standardization for 6G[J]. Information and Communications Technology and Policy, 2026, 52(10): 26-39.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2026.10.004

http://ictp.caict.ac.cn/CN/Y2026/V52/I10/26

图/表 18

参考文献 15

[1]	ITU-R. Framework and overall objectives of the future development of IMT for 2030 and beyond: recommendation ITU-R M.2160-0[R]. 2023.
[2]	ITU-R. Minimum requirements related to technical performance for IMT-2030 radio interface(s): report ITU-R M[R]. 2026.
[3]	中信科移动通信技术股份有限公司. AI与6G网络融合白皮书[R]. 2025.
[4]	3GPP. Study on enhancement for data collection for NR and EN-DC (Release 17): TR 37.817[R]. 2022.
[5]	3GPP. Study on artificial intelligence (AI)/machine learning (ML) for NR air interface (Release 18): TR 38.843[R]. 2023.
[6]	3GPP. RP-234039, new WID on artificial intelligence (AI)/machine learning (ML) for NR air interface[R]. 2023.
[7]	3GPP. RP-253340, Revised WID on AI/ML for NR air interface phase 2[R]. 2025.
[8]	3GPP. Chairman notes RAN1#123[R]. 2025.
[9]	Zhang K, Huang C, Li J L, et al. An enhanced loss function for 6G space-time domain predictive channel models[C]// 2024 IEEE 24th International Conference on Communication Technology (ICCT). Piscataway: IEEE, 2024.
[10]	Zhou T, Zhang H T, Ai B, et al. Deep-learning-based spatial-temporal channel prediction for smart high-speed railway communication networks[J]. IEEE Transactions on Wireless Communications, 2022, 21(7):5333-5345. doi: 10.1109/TWC.2021.3139384 URL
[11]	3GPP. RP-213554, new SI: study on network energy savings for NR[R]. 2021.
[12]	Wen C K, Shi W T, Jin S. Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Communications Letters, 2018, 7(5):748-751. doi: 10.1109/LWC.2018.2818160 URL
[13]	Guo J, Wen C K, Jin S, et al. Overview of deep learning-based CSI feedback in massive MIMO systems[J]. IEEE Transactions on Communications, 2022, 70(12): 8017-8045. doi: 10.1109/TCOMM.2022.3217777 URL
[14]	3GPP. Study on channel model for frequencies from 0.5 to 100 GHz: TR 38.901[R]. 2015.
[15]	3GPP. R1-2508811, moderator summary #4 on AI/ML for 6GR[R]. 2025.

参数	数值
场景	密集城区
波形	CP-OFDM
频率/GHz	4
信道模型	UMa参照TR 38.901^[14]
基站间距/m	200
时隙/非时隙	每时隙14个OFDM符号
子载波间隔/kHz	15
带宽/MHz	10
信道估计	真实估计
基站天线配置 (M, N, P, Mg, Ng; Mp, Np)	配置1:(8,8,2,1,1;4,4) 配置2:(4,4,2,1,1;4,4) 配置3:(16,16,2,1,1;4,16) 配置4:(32,16,2,1,1;8,16)
基站天线高度/m	25
基站发射功率/dBm	41
用户设备天线配置 (M, N, P, Mg, Ng; Mp, Np)	(1, 2, 2, 1, 1;1,2)
用户设备天线高度/m	1.5
用户分布	80%室内(3 km/h),20%室外(30 km/h)
每TRP用户数/个	10

参数	数值
场景	密集城区
波形	CP-OFDM
频率/GHz	4
信道模型	UMa参照TR 38.901^[14]
基站间距/m	200
时隙/非时隙	每时隙14个OFDM符号
子载波间隔/kHz	15
带宽/MHz	10
信道估计	真实估计
基站天线配置 (M, N, P, Mg, Ng; Mp, Np)	配置1:(8,8,2,1,1;4,4) 配置2:(4,4,2,1,1;4,4) 配置3:(16,16,2,1,1;4,16) 配置4:(32,16,2,1,1;8,16)
基站天线高度/m	25
基站发射功率/dBm	41
用户设备天线配置 (M, N, P, Mg, Ng; Mp, Np)	(1, 2, 2, 1, 1;1,2)
用户设备天线高度/m	1.5
用户分布	80%室内(3 km/h),20%室外(30 km/h)
每TRP用户数/个	10

参数	数值
训练方法	离线训练
损失函数	均方误差
数据规模/k	63
训练数据集规模/k	56.7
验证数据集规模/k	3.15

参数	数值
训练方法	离线训练
损失函数	均方误差
数据规模/k	63
训练数据集规模/k	56.7
验证数据集规模/k	3.15

稀疏图样	输入端口数	输出端口数	频域资源块数/个	SGCS(AI)	SGCS(采样保持)
空域稀疏	32	128	48	0.971	0.161
频域稀疏	128	128	12	0.967	0.688

面向6G的智能内生信道状态信息获取与标准化^*

Intelligent native channel state information acquisition and standardization for 6G

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

稀疏图样	输入端口数	输出端口数	频域资源块数/个	频域压缩比	空域压缩比	SGCS
空域稀疏	32	128	48	1	1/4	0.971
	32	256	48	1	1/8	0.929
	64	256	48	1	1/4	0.963
频域稀疏	128	128	12	1/4	1	0.967
频域稀疏	256	256	12	1/4	1	0.919
空频域稀疏	32	128	12	1/4	1/4	0.953
空频域稀疏	64	256	12	1/4	1/4	0.944

模型输入天线配置	模型输出天线配置	SGCS
配置1:(8,8,2,1,1;4,4)	配置2:(4,4,2,1,1;4,4)	0.99
配置2:(4,4,2,1,1;4,4)	配置1:(8,8,2,1,1;4,4)	0.99

预编码矩阵反馈方式	辅助信息类型	输入端口数	输出端口数	SGCS
基于码本(eTypeII)	N/A	32	128	0.73
基于码本(eTypeII)	信道相关矩阵	32	128	0.89
基于训练的系数矩阵	信道相关矩阵	32	128	0.94

模型位置	预编码矩阵压缩反馈方式	辅助信息类型	输入端口数	输出端口数	网络侧重构SGCS
终端侧模型	基于码本(eTypeII)	N/A	32	128	0.64
网络侧模型	基于码本(eTypeII)	信道相关矩阵	32	128	0.89
网络侧模型	基于训练的系数矩阵	信道相关矩阵	32	128	0.94

[1]	刘洁. 面向智能模型的对抗攻击与防御专利技术发展研究[J]. 信息通信技术与政策, 2026, 52(8): 37-44.
[2]	黄鑫, 梁栗炎, 张倩. 运动想象脑机接口解码算法研究综述[J]. 信息通信技术与政策, 2026, 52(6): 9-17.
[3]	胡天洋, 孙小强, 陈龙泉, 张大元. 基于标准数据集的深度学习目标检测算法溯源技术研究^*[J]. 信息通信技术与政策, 2026, 52(5): 50-57.
[4]	王天舟, 张华, 刘奇申, 黄超. 深度学习与大模型技术在北京中轴线实景重建中的应用[J]. 信息通信技术与政策, 2024, 50(12): 82-88.
[5]	王强, 李家红. 进化深度学习在工业园区能源管理中的应用场景创新研究[J]. 信息通信技术与政策, 2024, 50(10): 91-96.
[6]	李静雯, 王令珑, 赵阳光, 崔伟男. 机器学习在眼科疾病辅助诊疗中的应用及监管^*[J]. 信息通信技术与政策, 2023, 49(9): 87-91.
[7]	曾汉, 徐晓青, 钱刘熠辉, 武娟. 深度学习在IP网络优化中的应用[J]. 信息通信技术与政策, 2023, 49(7): 89-96.
[8]	李硕, 刘天源, 黄锋, 解鑫, 张金义. 工业互联网中数字孪生系统的机理+数据融合建模方法[J]. 信息通信技术与政策, 2022, 48(10): 52-61.
[9]	陈磊, 李雅静. 人工智能系统安全综述*[J]. 信息通信技术与政策, 2021, 47(8): 56-63.
[10]	李晓民. 基于5G 边缘计算的深度学习架构与应用[J]. 信息通信技术与政策, 2021, 47(4): 93-96.
[11]	胡家熙. 基于深度学习辅助波束管理与5G 网络容量优化[J]. 信息通信技术与政策, 2020, 46(9): 91-96.
[12]	黄盼, 王琼. 移动终端人工智能发展现状与趋势研究[J]. 信息通信技术与政策, 2019, 45(9): 53-56.
[13]	刘姿杉. 深度学习在物理层信号处理中的应用研究[J]. 信息通信技术与政策, 2019, 45(7): 57-61.
[14]	许慕鸿. 安防人脸识别技术及测试方法研究[J]. 信息通信技术与政策, 2019, 45(5): 75-82.
[15]	高原原, 马超, 潘博文. 视觉物联网中图像去雾方法研究综述与展望*[J]. 信息通信技术与政策, 2019, 45(4): 6-11.

输入端口数	输出端口数/最大端口数	SGCS
32	64/256	0.966
32	128/256	0.944
32	256/256	0.929

输入端口数	输出端口数/最大端口数	SGCS
32	64/256	0.966
32	128/256	0.944
32	256/256	0.929