基于RFSoC的便携6G信道探测系统：FR1与FR3频段实测对比

1. 项目概述为什么我们需要一个便携的6G信道探测系统如果你在无线通信领域摸爬滚打过几年肯定对“信道测量”这个词不陌生。简单说它就是给无线信道“做体检”看看信号从A点传到B点经历了怎样的衰减、反射、折射和散射。这些数据是构建信道模型、设计通信协议、规划网络覆盖的基石。在5G时代我们花了大力气去研究毫米波结果发现它“脾气”不太好——穿墙能力弱、容易被遮挡覆盖成本高得吓人。于是业界把目光重新投向了中频段也就是介于传统Sub-6GHz和毫米波之间的频谱比如FR14.4-4.8 GHz和FR37.125-8.4 GHz。这些频段被认为是6G的潜力股它们有望在带宽、覆盖和成本之间找到一个更佳的平衡点。但问题来了我们真的了解这些候选频段在实际环境中的表现吗现有的信道模型比如3GPP发布的那些大多是不同团队在不同时间、不同地点、用不同设备测出来的数据“拼凑”而成的。这就像用不同品牌的温度计、在不同季节、测量不同城市的天气然后试图总结出一个“全球通用”的气温公式其可比性和指导意义自然大打折扣。对于移动网络运营商来说他们最需要的是在完全相同的部署场景下直接对比不同候选频段的优劣。比如在同一个办公楼走廊里4.55 GHz和7.15 GHz的穿透损耗到底差多少在同一个城市街区哪个频段的多径更丰富哪个频段的信号更稳定这些问题的答案直接关系到未来几百亿甚至上千亿的网络投资该往哪里砸。传统的信道探测设备为了追求高精度往往依赖昂贵的铷原子钟来保持收发端同步整套系统又大又重还得拖着电源线基本告别了“移动测量”。而市面上一些基于通用软件无线电外设的SDR方案虽然灵活但受限于ADC/DAC的采样率在有限的授权带宽内比如100 MHz很难获得高分辨率的信道冲激响应。这就好比用一把刻度粗糙的尺子去测量一个精细的零件很多细节都丢失了。所以我们这次动手的目标很明确设计一套基于SDR的、真正便携的、异步的无需精密时钟同步、且能在有限带宽内实现高分辨率信道探测的系统。核心思路是利用Xilinx RFSoC这种集成了高速数据转换器的片上系统自己搭建射频前端和数字处理链路用Zadoff-Chu序列作为探测信号在FR1和FR3频段进行实地测量和对比分析。最终我们不仅把系统做出来了还把它塞进了背包在校园里完成了从室内走廊到室外街区的实测拿到了一手对比数据。这篇文章我就把这套系统的设计思路、实现细节、踩过的坑以及实测分析结果毫无保留地分享出来。注意本文涉及射频硬件设计、FPGA逻辑、信号处理算法和实地测量内容有一定门槛。但我会尽量用工程师能听懂的大白话把关键原理和实操步骤讲清楚。无论你是通信算法工程师、射频硬件工程师还是对6G信道测量感兴趣的研究者相信都能从中找到对你有用的信息。2. 系统核心设计如何用一片RFSoC打造便携探测仪2.1 整体架构与选型考量我们的核心硬件是一块Xilinx Zynq UltraScale RFSoC评估板。选它主要是看中了三点第一它集成了采样率高达数GHz的直接射频DAC和ADC这让我们有可能摆脱传统超外差架构的复杂混频链路简化射频前端第二它的可编程逻辑部分足够强大可以跑我们自定义的发射和接收IP核实现灵活的基带处理第三它本身是一个完整的片上系统ARM处理器可以运行Linux和我们的控制软件这让整个系统可以脱离笨重的工控机用一台轻便的笔记本电脑甚至树莓派就能控制便携性大大提升。系统的整体框图你可以把它想象成两个部分射频模拟前端和数字基带处理。射频前端负责把数字信号变成无线电波发出去再把空中的无线电波收下来变成数字信号数字部分则负责生成探测波形、处理接收到的数据、并最终计算出信道冲激响应。射频前端设计这里我们做了一个折中。对于发射端因为DAC的采样率最高能到10 GHz对于7.15 GHz这样的目标频点我们采用了直接射频合成。简单说就是让DAC直接产生目标频点附近的信号利用第二奈奎斯特区后面只需要接一个带通滤波器和功率放大器就行了。这比传统的“基带-上变频”架构少了一级混频器和本振硬件更简单功耗也更低。对于接收端情况稍微复杂。ADC的采样率是5 GHz理论上能直接采样5 GHz以下的信号。但为了统一设计并照顾到未来可能扩展到更高频段我们为接收链路选择了超外差架构。信号先经过LNA放大然后用一个本振下变频到一个固定的中频我们选了1 GHz左右再由ADC采样。这样无论接收频率是4.55 GHz还是7.15 GHzADC始终工作在稳定的中频对ADC的性能要求更友好抗镜像干扰的能力也更强。数字基带设计这是系统的“大脑”。我们在FPGA里设计了两个核心IP核TX IP和RX IP。TX IP就像一个播放器它从ARM处理器的内存里通过DMA读取我们预先计算好的ZC序列波形数据存入一个FIFO缓冲区然后以250 MHz的时钟速率稳定地喂给RF数据转换器。RF数据转换器内部会做32倍插值最终以8 GHz的速率将数字信号送给DAC。RX IP则相反它从ADC接收以1 GHz速率采样下来的I/Q数据流每个通道因为FPGA逻辑时钟是250 MHz所以RX IP需要一次处理4个样本把它们打包成一个128位的数据包再通过DMA传回ARM处理器的内存。整个过程中TX和RX是异步工作的它们各有各的时钟源不需要物理连接同步线。这彻底解放了系统的布局发射机和接收机可以独立移动这是实现“背包式”测量的关键。2.2 为什么选择Zadoff-Chu序列信道探测本质上是估计系统的冲激响应。最经典的方法是发射一个伪随机噪声序列然后在接收端做互相关。PN序列实现简单但它的自相关特性并非理想冲击函数旁瓣较高。在密集多径环境中强径的旁瓣可能会掩盖弱径动态范围受限。我们选择了Zadoff-Chu序列。这是一种恒包络零自相关序列。它有几个碾压性的优势理想的自相关特性在零时延处有一个尖锐的峰值在其他时延处几乎为零。这能让我们在接收端更清晰地区分不同时延到达的多径分量。恒包络意味着峰均比极低。这对功放非常友好可以工作在接近饱和的高效率区而不用担心信号失真。强大的处理增益序列越长通过相关累积获得的处理增益越高。我们选用长度N4096的ZC序列理论处理增益约36 dB。这意味着即使某条路径的信号比噪声弱36 dB我们依然有可能把它“挖”出来。在我们的系统中ZC序列的码片速率设定为80 MHz。这是考虑到中频段频谱资源紧张我们申请到的实验许可证带宽是100 MHz。经过滚降系数为0.2的根升余弦脉冲成形后实际发射带宽约为96 MHz完全符合许可要求。一个完整序列的发射时长是51.2微秒在这个时间内可以认为信道是准静态的。2.3 驱动与控制软件让硬件“听话”硬件搭好了还得有软件驱动。我们基于PYNQ框架开发了控制软件。PYNQ允许我们在RFSoC的ARM处理器上运行一个Jupyter Notebook服务器。这意味着我们可以通过网页浏览器用Python脚本直接控制FPGA的IP核、配置DAC/ADC的参数如载波频率、奈奎斯特区简直就像在玩一个高级的软件无线电玩具调试和原型验证效率极高。发射控制很简单在Python中生成复数ZC序列波形通过DMA发送到TX IP然后写一个使能寄存器波形就开始循环播放。接收控制则更灵活我们可以通过寄存器设置单次捕获的样本数。触发捕获后RX IP会自动将指定数量的样本通过DMA搬移到内存供后续处理。整个流程完全由软件定义改变测量频点、序列长度、捕获时长都只需要改几行Python代码无需重新烧写FPGA比特流。3. 信号处理链从原始采样点到清晰的多径剖面硬件负责“收发电波”软件负责“理解电波”。接收端拿到的是掺杂了噪声、频偏和信道畸变的原始I/Q采样数据。要从中提取出干净的信道冲激响应需要经过一系列数字信号处理步骤。3.1 载波频偏估计与补偿由于发射机和接收机使用独立的晶振两者之间必然存在载波频率偏差。这个CFO如果不补偿会在接收信号中引入一个时变的相位旋转。你想象一下你收到的信号像是一个转速不稳定的陀螺而你的参考模板是匀速旋转的直接做相关匹配结果肯定一塌糊涂。我们的补偿方法巧妙利用了ZC序列的周期性。我们让接收机在测量开始时连续采集至少两个序列周期的数据。假设在这么短的时间内信道不变那么后一个周期的信号相对于前一个周期仅仅多了一个由CFO引起的固定相位旋转。具体来说如果序列周期对应的样本数是Nos那么有 y[n Nos] ≈ e^(j2πfcfo * Nos * Ts) * y[n]。我们计算接收信号与其自身延迟Nos个样本后的互相关这个互相关值的相位角就包含了CFO的信息。通过公式 ˆfcfo (∠Ryy[0]) / (2πNosTs) 就能估计出CFO然后在接收信号上乘上 e^(-j2πˆfcfonTs) 就把这个旋转给纠正过来了。这一步是后续高精度时延估计的前提实测中CFO通常在几百Hz到几kHz的量级补偿后效果立竿见影。3.2 滑动相关与稀疏重建补偿完频偏接下来就是“找多径”。最直接的方法是滑动相关将接收信号与本地已知的、经过脉冲成形和过采样的ZC序列进行互相关运算。相关峰出现的位置就对应着多径的时延峰的幅度对应着该路径的复增益。但是这里有个问题。我们发射的信号不是理想的冲击而是经过脉冲成形滤波器根升余弦的。因此即使只有一条路径相关器的输出也不是一个理想的尖峰而是一个有一定宽度的主瓣。当多条路径的时延间隔很近时它们的主瓣会相互重叠混在一起难以分辨。为了解决这个问题我们引入了压缩感知的思想。我们把信道冲激响应看作一个稀疏向量在几十到几百纳秒的时延窗口内真正有能量的多径分量只有少数几个。那么相关器输出观测值可以写成一个观测矩阵由发射序列的自相关特性决定乘以稀疏信道向量再加上噪声。我们使用正交匹配追踪算法来求解这个稀疏重建问题。OMP是一个贪婪迭代算法它每次从观测值中找出与观测矩阵的某列最相关的分量认为这是一个潜在的多径将其贡献从观测值中减去然后在残差中继续寻找下一个最强的分量如此反复。通过设定一个稀疏度比如期望最多10条强径OMP能在一堆重叠的相关峰中相对准确地估计出每条路径的时延和增益。图6的对比非常直观传统的滑动相关输出a看起来是一团模糊的“丘陵”而经过OMP稀疏重建后的CIRb则变成了几个清晰的“针尖”多径分辨率大大提升。3.3 系统校准与动态范围实测在把系统拎出去测真实信道之前必须在实验室里先“标定”好。我们做了背靠背校准用同轴电缆和衰减器直接把发射端和接收端连起来 bypass掉天线和空间传播。这样测出来的结果反映的是系统自身的性能比如噪声基底、非线性失真等。我们最关心的一个指标是动态范围。它决定了系统能探测到的最弱路径信号相对于最强径。测量方法是在背靠背连接中插入一个很大的衰减比如60 dB然后看相关输出的峰值功率与噪声基底平均功率的差值。这个差值加上插入的衰减量就是系统的动态范围。我们实测在4.55 GHz、6.55 GHz和7.15 GHz三个频点上的动态范围分别达到了131.65 dB、129.33 dB和125.47 dB。这个指标相当不错意味着即使某条多径信号比主径弱了120多dB我们依然有可能检测到它。这为我们分析复杂的多径环境提供了坚实的保障。实操心得动态范围测试时衰减器的精度和连接器的稳定性至关重要。我们一开始用了些便宜的转接头结果发现插损重复性很差每次拧紧的力度不同读数能差出零点几个dB。后来换用了计量级的衰减器和扭矩扳手来拧接头数据才稳定下来。射频无小事细节决定精度。4. 测量战役把系统装进背包走进真实环境系统验证无误后真正的挑战开始了野外实战。我们的测量分为室内和室外两大场景总共四个子场景完全参照3GPP的室内热点和城市微蜂窝模型来设置。4.1 室内场景走廊、办公室与角落室内测量在一栋大学教学楼里进行。我们固定了三个发射机位置TX1 (走廊)放在走廊中央高度1.7米模拟手持设备全程视距传播。TX2 (办公室)放在走廊旁的一个办公室内门是木门周围是混凝土墙。发射天线高度2.3米模拟小型接入点。接收机在走廊移动全程非视距。TX3 (角落)放在走廊尽头一个半开放的空间三面是混凝土和金属门。同样是非视距但与办公室场景相比传播路径的开放性略有不同。接收端放在一个小推车上高度固定1.7米沿着走廊从距离TX1的0米处移动到70米处。为了增加数据量和空间采样均匀性我们在每个场景下让推车往返移动一次。整个系统由电池供电用笔记本电脑控制实现了完全脱线移动测量。“背包化”在这里体现得淋漓尽致除了天线和笔记本电脑整个接收机RFSoC板卡、射频前端、电池都集成在一个定制背包里一个人就能背着走彻底摆脱了线缆的束缚。4.2 室外场景校园微蜂窝室外测量以校园内一栋5层楼楼顶的发射机为中心测量半径约170米。发射天线架在楼顶离地约15米。接收机同样装在背包里由测量人员背着沿着预先规划好的路径行走。背包里集成了GPS模块可以实时记录接收机的位置坐标。路径设计涵盖了街道峡谷、开阔地、建筑拐角等多种典型城市微蜂窝环境并区分了视距和非视距路段。踩坑实录室外测量最大的敌人是“人”。不是干扰而是背着备走的那个“人”自己。人体本身就是一个巨大的吸收体和散射体。我们最初让测试人员正常背着背包结果发现接收信号随测试人员身体的微小转动而剧烈起伏。后来我们改进了背包设计将天线用一根轻质杆延伸出背包顶部高出人头约0.5米并让测试人员在测量时尽量保持身体姿态固定才获得了稳定的数据。另外GPS的精度在楼宇间有时会漂移我们后期通过轨迹平滑和与已知地图地标对齐的方式进行了校正。5. 数据分析FR1与FR3谁更胜一筹海量的原始数据I/Q采样被记录下来经过第3章提到的处理链得到了成千上万个信道冲激响应。接下来就是从中提炼出对网络规划有指导意义的参数。5.1 路径损耗模型拟合路径损耗是评估覆盖范围的核心。我们用了三种经典模型去拟合实测数据CI模型只考虑距离的幂律衰减公式简单但它是单频点模型。CIF模型在CI基础上引入了频率影响因子可以用于多频点联合建模。ABG模型最灵活有独立的距离因子α、频率因子γ和偏移量β对数据的拟合能力最强。室内结果分析趋势符合预期无论是视距还是非视距路径损耗都随距离和频率的增加而增加。视距 vs 非视距视距下的路径损耗指数PLE在1.26到1.50之间明显小于非视距下的值。这说明在走廊这种波导效应明显的环境中信号随距离衰减得更慢。频率依赖性在非视距环境下路径损耗随频率变化的程度体现在ABG模型的γ值比视距环境下更明显。这意味着当信号需要穿透墙壁或绕射时高频7.15 GHz会比低频4.55 GHz吃亏更多。但在我们测试的这几个频段内频率带来的损耗差异仍然小于距离带来的差异。办公室 vs 角落两个非视距场景参数相似但“办公室”场景完全封闭的PLE略高于“角落”场景半开放。这说明传播路径被遮挡得越彻底信号随距离衰减得越快。室外结果分析同样非视距的PLE大于视距。但一个有趣的现象是室外环境的频率因子γ值普遍比室内小且在视距和非视距之间没有明显的趋势。这是因为室外环境散射体丰富建筑、车辆、树木多径效应极其显著。信号能量通过无数条路径到达接收机使得总体路径损耗对单一频率的依赖性减弱而更多地表现为一种由距离和多径共同决定的“综合衰减”。图9展示了一次室外4.55 GHz测量的“快照”。从路径损耗的空间分布图可以清晰看到在建筑拐角处NLoS区域路径损耗骤增而在街道峡谷中LoS区域则保持较低水平。接收功率剖面图也显示即使在视距条件下由于树叶遮挡和地面起伏信号也会出现明显的波动。5.2 大规模信道特性K因子与阴影衰落K因子描述了直射径功率与多径散射功率的比值。K因子越大说明信道越“平静”越接近理想的加性高斯白噪声信道K因子越小甚至为负说明多径散射越严重信道越“暴躁”。室内视距场景的中值K因子为正非视距为负。这符合直觉有直射径时主导路径很强没有直射径时能量分散在各条多径中。但在4.55 GHz的非视距场景出现了最大K因子反而高于视距的情况。我们分析这是因为室内环境路径长度差异小多径时延扩展很窄。在有限的系统带宽下几条时延非常接近的强径可能会在相关输出中“叠加”成一个更强的“虚拟”主径导致K因子被高估。室外整体K因子值比室内低。这说明室外环境的多径更为丰富和弥散即使是在视距条件下直射径的优势也不像在走廊里那么绝对。阴影衰落描述了在中等距离尺度上几十个波长由于大型障碍物遮挡导致的信号中值电平的随机波动。我们计算了阴影衰落的空间自相关函数并用指数模型拟合得到了去相关距离。这个参数很重要它告诉我们在网络规划中两个接收点需要隔多远才能认为它们经历的阴影衰落是独立的。实测发现室外视距下的去相关距离大于非视距说明视距链路的阴影衰落变化更“平缓”。室内也基本符合这个趋势但在4.55 GHz的走廊和办公室场景出现了例外我们推测这与该频段独特的绕射和穿透特性在不同环境中的交互作用有关。5.3 与3GPP标准模型的对比我们把实测得到的路径损耗指数、时延扩展均值/标准差、阴影衰落标准差等参数与3GPP TR 38.901中对应的InH和UMi模型参数进行了对比。室内走廊我们测得的PLE比3GPP InH LoS参考值小但时延扩展和阴影衰落的标准差更大。这很可能是因为我们测量的是一条长而直的走廊波导效应显著多径成分丰富且相关性较强导致信号波动更大。室内非视距PLE高于视距与标准趋势一致。室外由于我们测量的最大距离约100米远小于3GPP UMi模型定义的断点距离约600-900米因此我们测得的NLoS路径损耗指数比标准中适用于更长距离的模型值要高一些。这提醒我们在应用标准模型时一定要注意其适用的距离范围。6. 常见问题与实战排坑指南在开发和实测这套系统的过程中我们遇到了不少坑。这里总结几个最具代表性的问题和解决方法希望能帮你少走弯路。6.1 时钟异步带来的挑战与应对问题TX和RX时钟独立虽然带来了便携性但也引入了载波频偏和采样时钟偏移。CFO我们通过算法补偿了但SCO会导致接收端采样点缓慢漂移长期累积会使序列同步错位。解决我们的策略是“短快测量”。单次测量捕获时间很短几毫秒到几十毫秒在这个时间内商用级晶振的SCO累积误差可以忽略不计。对于需要长时间记录的场景我们在信号处理链中加入了块同步与重同步机制。每处理完一段数据比如对应移动了1米就重新寻找一次相关峰的位置以此修正因SCO累积造成的时延漂移。虽然增加了些微处理开销但换来了系统的绝对异步自由。6.2 有限带宽下的高分辨率时延估计问题系统带宽只有96 MHz对应的时延分辨率理论上是1/96MHz ≈ 10.4 ns。这对于区分纳秒级间隔的多径比如室内环境是不够的。解决这就是我们采用过采样压缩感知这套组合拳的原因。接收端以1 GHz是码片速率80 MHz的12.5倍对信号进行过采样获得了更高的时间网格。虽然不能突破香农定理带来的根本分辨率限制但过采样结合ZC序列的理想自相关特性和OMP算法能够以更高的概率在密集的多径“丛林”中分辨出那些间隔小于10 ns的路径。这相当于用更细的网格去“勾勒”信号的轮廓虽然不能创造新的信息但能让已有的信息呈现得更清晰。6.3 射频前端非线性与校准问题自己搭建的射频链路其增益、带内波动、非线性特性都需要精确标定。否则测量到的信道特性会掺杂进系统本身的失真。解决我们建立了完整的频域和时域校准流程。频域校准S参数使用矢量网络分析仪测量整个发射和接收链路的S21参数即频率响应。在后续数据处理中将接收到的信号除以这个预存的频率响应以消除硬件本身带来的幅频和相频失真。时域校准背靠背如前所述用电缆直连测量系统动态范围、噪声基底和绝对功率电平。这个步骤提供了系统增益的绝对参考用于将接收信号功率换算成真实的空间路径损耗。定期复校特别是移动测量前后由于震动、温度化射频性能可能会有微小漂移。养成每次外场测试前后都做一次快速背靠背校准的习惯能极大提升数据的一致性。6.4 环境与操作带来的干扰问题外场测量环境不可控存在Wi-Fi、雷达、其他实验设备等未知干扰。人体遮挡也会影响结果。解决频谱侦察在正式测量前先用接收机扫描一下目标频段记录下背景噪声和干扰的频谱。选择相对干净的频点进行探测。重复测量与统计对于同一个位置进行多次测量取平均可以平滑掉一些随机干扰和人体微动的影响。操作规范制定严格的操作手册。例如测量时人员远离天线主瓣方向保持静止移动测量时步伐匀速背包姿态固定。这些看似琐碎的要求对获取高质量数据至关重要。7. 总结与展望这套系统的价值与未来回过头看我们这套基于RFSoC的便携信道探测系统确实在成本、灵活性和性能之间找到了一个不错的平衡点。它证明了用相对廉价的商用器件和开源软件框架完全能够搭建起满足学术研究和前期工程验证需求的高质量测量平台。通过FR1和FR3频段的对比实测我们获得了一些定量的认知在中频段频率升高确实会带来额外的路径损耗尤其在非视距环境下更为明显但相比于毫米波这种恶化是温和且可管理的。室内走廊的波导效应能显著提升信号传播距离而室外丰富的多径则让信道对频率不那么敏感。这套系统的潜力远不止于此。它的架构是模块化和可扩展的。未来我们计划从几个方向进行拓展多天线与空间特性目前是单发单收。下一步可以利用RFSoC的多通道优势搭建MIMO版本。结合阵列天线不仅能测时延还能测到达角、出发角实现信道的全维度时延-角度表征。更广泛的场景与频段目前只测了InH和UMi。未来可以扩展到室内工厂、高铁、农村宏蜂窝等更多3GPP和ITU定义的典型场景。射频前端经过调整也可以向更高频段如FR3上缘甚至低频毫米波探索。与AI/ML结合海量的原始信道数据是训练AI信道模型的宝贵资源。我们可以探索用神经网络直接从I/Q数据或低维特征中预测信道参数或分类传播环境为未来的AI原生空口技术提供数据支撑。最后分享一点个人体会。做信道测量一半是科学一半是艺术。科学在于严谨的模型、精确的算法和校准艺术在于对传播环境的理解、对测量场景的设计和对异常数据的洞察。这套便携系统最大的价值就是降低了信道测量艺术的门槛让我们可以更快速、更灵活地去感知和理解我们试图驾驭的无线世界。当你背着它走在真实的街道上看着屏幕上实时跳动的多径剖面那种对无线信道“看得见、摸得着”的感觉是任何仿真软件都无法替代的。希望我们的工作能为更多同行提供一种新的工具和思路。