与传统的离线信道建模不同数字孪生 (DT) 在线信道建模能够实时感知并准确表征动态无线信道从而极大地辅助 6G 网络优化。本文提出了一种新颖且具有前景的框架以及数字孪生在线信道模型 (DT online channel modelsDTOCM) 的逐步设计流程。通过实现对动态信道变化的持续可视化和准确预测DTOCM 能够在仿真网络和真实网络之间同步性能。我们首先We first explore探讨 DTOCM 的演进和概念进展重点介绍其愿景和相关挑战。然后我们Then, we解释其工作原理、构建机制以及在典型 6G 场景中的应用。随后Subsequently被动语态我们通过基于实际场景的 DTOCM 平台展示 DTOCM 的实时信道信息提供和可视化能力。最后Finally讨论了未来的研究方向和未决问题。文章目录IntroductionThe Evolution From Offline Channel Maps to the DTOCMVisions of the DTOCMIntroduction6G 无线通信网络有望实现“全球覆盖、全频谱、全应用、全感官、全数字和强安全” [1]。传统的网络优化往往依赖于昂贵且耗时的信道测量、试错过程和工程经验。因此大多数网络只能发挥其约 60% 的潜在性能留下了巨大的改进空间 [2]。能够准确表征真实网络性能的网络仿真对于指导 6G 网络的部署和提升其性能至关重要。然而实验室中的仿真网络性能往往与真实网络性能不匹配。原因主要有两点are mainly twofold。首先实验室仿真中使用的信道模型和参数与真实的动态传播环境不匹配因为尚未在真实网络的测试场景中进行信道测量。其次即使存在非常适合测试场景的信道模型其参数仍然无法适应随时间变化的测试场景导致实验室仿真中的合成信道与真实网络中的实际无线信道之间出现不匹配 [3]。DT 技术是指创建一个物理系统或环境的虚拟副本并利用实时数据不断对其进行更新that is updated continuously with real-time data [4]。在通信网络中DT 能够镜像反映真实世界的网络状况从而在不影响实际运营的情况下实现性能的仿真、分析和优化。近年来已有少量研究利用 DT 技术来解决仿真网络性能与真实网络性能之间的不匹配问题 [5], [6]。文献 [5] 提出了一种环境感知型 DT 平台以基于环境语义实现信道预测environmental semantics。然而该研究缺乏对信道建模方法和在线更新方法的详细讨论忽视了信道建模在 DT 在线信道平台中的关键作用。文献 [6] 利用生成对抗网络生成了具有信道统计特性的孪生数据实现了与真实世界信道的紧密匹配。然而该方法的适用性有限难以扩展到不同场景下的 DTOCM 中this method has limited applicability and cannot be easily extended to DTOCMs in different scenarios。因此迫切需要能够实时反映真实网络通信环境信道特性的 DTOCM。DTOCM 允许对信道状况进行持续监测和实时分析提供动态信道变化的可视化和预测 [7]。随着 6G 网络向支持高度动态环境如车载和自动驾驶飞行器 (AAV) 辅助通信系统发展DTOCM 能够准确表征这些环境中的动态信道提供关于信号如何在移动车辆、变化的道路条件和变化的交通密度下传播的详细实时洞察。此外DTOCM 能够实现信道参数的实时自适应the realtime adaptation of channel parameters以优化性能这对于维持可靠且高效的车载通信网络至关重要 [8]。DTOCM 的可行性由两个关键因素支撑。首先物理环境与信道特性之间的紧密耦合关系可以通过物理定位和环境特征部分捕获。这种内在的相关性表明相似的物理位置和环境特征往往产生相似的信道特性使得基站生成的大量数据可被复用。这种复用潜力极大地有助于创建用于信道建模的精确 DT。其次由改进的通信网络和扩展的频段驱动的定位和感知精度的进步增强了精确定位和理解环境的能力。这些增强的能力使得无线信道的数字化表示更加详细和准确与 DTOCM 的目标完美契合。这些因素共同为构建 DTOCM 创造了有利的环境提供了四个主要优势。减少导频开销DTOCM 就像是给设备装了个“预知系统”能提前加载好基础的信道状态信息CSI。这意味着当手机或设备在现实的三维空间里移动时不需要总是发送测试信号去现场探测就能知道信号传输的“路况”。这既可以通过查现成的数据库来实现也可以根据设备在哪里、朝向哪儿以及天线参数直接算出来through calculations based on position, orientation, and antenna parameters。By addressing communication network design challenges directly within channel researchDTOCM 大大减少了以前为了摸清信号状况而必须发送的导频信号把这些节省下来的资源用来传输真正的数据从而让 6G 网络跑得更快、更顺畅。实时 CSI 提供与预测DTOCM 在实时信道信息提供和预测方面表现出色能够适应动态的网络条件。这种能力确保 6G 通信网络对环境变化保持响应并有助于校准信道模型仿真与实际环境条件之间的性能从而实现更可靠和鲁棒的网络性能。可视化信道信息DTOCM 提供信道信息变化的可视化预测并突出通信环境中的变化。它允许显示节点位置和运动状态并提供对信道特性和其他相关信息的实时洞察。这种可见性增强了未来 6G 网络中的环境感知和决策制定。优化网络性能DTOCM 就像是给网络建了一个“虚拟试验场”。它可以在虚拟环境中模拟各种现实场景告诉我们真实的网络该怎么建才最好。这样我们就能在一个安全、可控的虚拟环境里进行彻底的测试快速地反复尝试不同方案并进行调整试错。利用从这些模拟中汲取的经验未来的 6G 网络就能被调试到最佳状态在性能强劲和运行高效之间找到最佳平衡。预见到如此充满希望的优势本文提出了一种新颖的 DT 在线信道建模框架通过利用具有各种感知方法的物理环境传感器来实现对动态环境的实时感知。这建立了实际通信环境参数、信道参数和信道特性之间的映射。此外通过将环境感知与信道建模相结合DTOCM 增强了对无线传播环境变化的预测精度从而实现…Real-Time Perception of Dynamic Environments利用物理环境传感器如摄像头、激光雷达、毫米波雷达等时刻跟踪现实世界实时捕捉这些变化。Transmission of Dynamic Environmental Parameters提取参数数据通过网络发送给云端的在线数字孪生信道图谱Online Digital Twin Channel Maps。The Evolution From Offline Channel Maps to the DTOCM近年来信道图谱Channel maps因其描述无线信道传输特性transmission characteristics of wireless channels的强大能力而备受关注它支持离线输出统计信道特性并提供网络中节点位置和运动状态的信息 [9]。如图 1 所示作为无线信道图谱的演进being evolved from wireless channel mapsDT 信道通过人工智能 (AI) 预测和补全对包括通信网络在内的物理系统进行虚拟映射。这使得无线通信网络的 DT 建模成为可能从而支持更好地理解、实时提供和预测无线信号传输过程进而为 6G 通信网络的设计和优化提供更准确的指导。Offline离线指这些数据不是实时算出来的而是预先算好或者事后处理的。Statistical Channel Characteristics统计信道特性无线信号在传播时非常复杂会受到各种干扰衰落、反射。我们很难预测某分某秒信号的具体波形但我们可以计算它的规律。Visions of the DTOCM如图 2 所示DTOCM 捕获真实动态环境中的 CSI 变化显示物体和节点的位置及运动同时输出大尺度和小尺度的定制化信道参数。DTOCM 可以促进实时信道信息预测并辅助通信网络优化决策。通过利用物理环境传感器DT 信道提供对动态环境的实时感知将实际通信环境参数映射到信道参数和特性。结合 AI 算法它可以预测跨空间、时间和频率域的无线传播环境变化。上述愿景可以在 6G 网络的三个典型应用场景中得到阐明如图 2 所示。在第一个场景中发射机 (Tx) 和接收机 (Rx) 是静止的而散射环境动态变化。DTOCM 可以显示实时 CSI例如幅度、相位、延迟、多普勒和角度。在第二种情况下Tx 和 Rx 在动态环境中移动。DTOCM 提供实时 CSI 以及各种节点的位置和运动。在第三种情况下像无人机这样的移动实体处于运动状态。DTOCM 可以根据信道信息的变化推断无人机的位置。DTOCM 的挑战探索获取 DTOCM 的方法仍处于早期阶段在实现其愿景之前仍有一些技术挑战需要解决。复杂环境重建实际传播环境复杂数据收集成本高使得重建动态孪生环境变得困难。因此探索高效、低成本、高精度的动态孪生环境重建方法势在必行。多源数据采集和融合可能是一个有前景的解决方案首先收集来自各种来源如传感器、卫星图像、激光雷达和毫米波雷达的数据然后进行融合以创建环境的综合表示。随后应用 AI 算法根据数据识别和分类不同的环境场景。非理想测量条件不完整和非理想的信道测量条件会在信道建模过程中产生数据缺口导致无法准确表示实际信道条件。因此迫切需要探索有效的理论和算法来弥补理想测量数据的缺失。通过实施基于 AI 的时空频预测和补全方法DTOCM 可以有效缓解非理想测量条件。基于特定时间、频率和位置的已知测量数据可以利用长短期记忆 (LSTM)、卷积神经网络 (CNN) 和多层感知机 (MLP) 等机器学习 (ML) 方法来预测和填充未观测时间、频率和位置的未知测量数据从而实现更准确和鲁棒的信道建模及网络优化。AI 数据库依赖当前基于 AI 的无线信道模型严重依赖数据库突显了对新型基于 AI 的预测性信道建模方法的迫切需求。这些新方法应提供改进的泛化能力和更广泛的适用性以实现更高效和准确的信道表征。总的来说目前对 DTOCM 构建方法的探索仍处于早期阶段必须开发高效的方法进行智能信道表征解决模拟真实环境中的准确性问题和预测性决策问题。面对这些挑战我们在接下来的章节中详细介绍了一种有前景的 DT 在线信道建模框架。