低開銷智能反射面輔助無線通信研究綜述

陳天貝/CHEN Tianbei，李娜/LI Na，陶小峰/TAO Xiaofeng

（北京郵電大學，中國 北京 100876）

全球范圍內已廣泛開啟6G移動通信技術研究的新篇章。國際電信聯盟（ITU）發布《IMT面向2030及未來發展的框架與總體目標建議書》[1]，描述了6G的場景、需求、能力、關鍵技術推動因素等。其中，“可持續性”作為新增指標，要求未來通信網絡采用高效、低功耗技術，為可持續發展目標作貢獻[2-3]。同時，中國在2020年提出“雙碳”戰略目標，近年來穩步推進能源產業的結構調整、其他產業的低碳轉型等。積極構建綠色低碳的移動通信網絡是重要內容之一。

5G移動通信網絡主要采用優化硬件架構設計、加快半導體工藝，以及提高硬件集成度的硬件節能技術與包括符號關斷、通道關斷、小區關斷等節能技術[4]，一定程度上支撐了移動通信產業的綠色低碳需求，但距離實現最終的“雙碳”目標仍有較大差距。根據華為提供的數據顯示，典型的5G基站能耗為11.5 kW[5]，其中，超過75%的能耗來自有源天線單元中的功放、數字基帶、收發信板等關鍵器件[6]。為滿足日益增長的通信速率需求，6G網絡將引入更多有源節點，采用更高通信頻段等。這些措施會帶來更高的能量消耗、硬件開支和維護成本[7]。

6G網絡在能耗問題上將面臨更高的需求和更大的挑戰[8]，亟須突破新的高效組網架構及組網技術。智能反射面（RIS）是一種新型物理維度的無線傳輸技術，具備獨特的低成本、低能耗、可編程、易部署等優點，被業界視為一種綠色的、可持續的、生態友好的潛在技術方案，通過對空間電磁波的幅度、相位、極化等特征的按需調控，可以構建智能可編程的無線環境[9]。目前，RIS協助的無線通信技術受到全球學界和產業界的廣泛關注。一方面，現有研究對傳統有源天線的波束賦形和RIS節點的反射系數進行聯合設計，可優化提升無線網絡的能量或頻譜效率[10]，增強可靠性或安全性[11]等。另一方面，產業界已開展RIS原型的研發與測試，例如：日本DoCoMo公司于2018年完成RIS外場測試，指出在28 GHz頻段可將通信速率提升500 Mbit/s[12]；美國麻省理工學院于2019年搭建2.4 GHz非授權頻段的測試平臺RFocus，表明RIS可將信號強度提升約10倍[13]；清華大學戴凌龍教授團隊于2020年成功研制256單元、2 bit離散相位的RIS原型，在28.5 GHz頻段可實現19.1 dBi的天線增益[14]；中國移動聯合東南大學于2021年完成室外測試驗證，證明RIS可使邊緣用戶吞吐量提升10倍以上[15]；同年，中興通訊聯合中國電信完成5G高頻外場的RIS測試驗證，指出在26 GHz頻段可使處于覆蓋盲區或弱區的用戶接收信號強度提升12.5 dB[16]。

上述工作從理論和實踐兩個角度證明了RIS優化提升網絡性能和用戶體驗的重要價值。然而，東南大學崔鐵軍院士指出，RIS的大規模陣列將導致龐大的信道規模，造成巨大的訓練開銷，同時由于受到硬件和功耗的限制，訓練過程中反射單元的切換也將帶來不可避免的時間開銷[17]；歐洲電信標準協會（ETSI）RIS工業規范組的創始成員和學術副主席、IEEE Fellow MARCO D.R.教授指出，絕大多數關于RIS協助無線通信的研究僅聚焦于數據傳輸階段，忽視了信道狀態信息獲取、RIS相位信息反饋及配置階段產生的系統開銷，而這些開銷會降低甚至抵消RIS帶來的性能增益[18]；清華大學戴凌龍教授的研究表明，RIS信道狀態信息獲取的導頻開銷與基站天線數及RIS單元數成正比，這在實際大規模部署或移動場景下將是不可承受的，且會導致實際性能與理論性能出現較大偏差[19]。因此，在考慮上述系統開銷的前提下，RIS是否依然能夠為無線網絡帶來性能增益，以及如何容忍或降低RIS開銷的負面影響，是值得探索的關鍵問題。

1 RIS協助無線網絡中的開銷模型

相關研究表明[20]，當RIS節點靠近基站或終端時，可更好地發揮其賦能無線通信的潛在價值。典型的RIS協助無線網絡模型如圖1（a）所示。由于多數RIS設備不具備完善的基帶信號處理能力，需要由基站或終端來完成信道狀態信息估計、RIS調控參數設計以及資源分配等復雜計算，之后通過有線[21]或無線[22]的控制鏈路將RIS調控參數傳遞到RIS控制器，由其完成對RIS單元相位、幅度等參數的配置，最后，便可基于RIS建立的輔助通信鏈路進行無線數據傳輸。典型的傳輸階段示意圖如圖1（b）所示。

圖1 RIS協助無線網絡模型及傳輸階段示意圖[23]

當RIS單元或調控參數信息的數量較大時，相應的信道信息估計、控制信息交互所產生的傳輸開銷不容忽視，將造成顯著的時間、能量等開銷，進而壓縮數據通信資源，制約通信系統性能。此外，RIS控制電路的運行也會消耗額外的能量，一定程度上增加移動通信網絡的能耗負擔。下面我們將分別介紹RIS協助無線網絡中的開銷模型。

1.1 RIS通信開銷模型

正式數據通信階段之前需要經歷RIS信道信息的提取以及RIS調控參數的傳遞過程，然而多數RIS由全無源的反射單元構成，不具備基帶處理能力，需要基站與終端的配合來完成對基站-RIS-終端級聯信道信息的提取[24]，包括信道信息估計及必要的信道信息反饋。文獻[18,25]以單RIS協助的點對點無線通信為例，針對兩種不同的導頻發送模式，即逐一發送導頻模式和正交導頻傳輸模式，建立了由信道信息估計造成的時間與能耗開銷的數學模型。兩種傳送模式下，相應的時間與功耗開銷均與RIS反射單元數N呈線性關系。面對實際中部署的成百上千的反射單元，信道信息估計的開銷無法忽略。

終端側獲得估計的級聯信道信息后，需要將估計獲得的信道信息反饋給基站，以進行資源優化設計[26]。對于時分雙工（TDD）系統而言，上下行信道具有互易性，下行信道信息可直接由上行信道估計獲得，而頻分雙工（FDD）系統則需要借助額外的反饋鏈路，以獲取下行信道信息[27]。盡管已有很多經典的信道反饋方法，例如隨機向量量化（RVQ）反饋方案[28]、基于碼本的反饋方案[29]、基于深度學習的反饋方案[30]等。然而，這些針對傳統通信系統的設計并不能直接應用于RIS協助的通信系統，例如：傳統RVQ碼本尺寸呈2B級指數增長[31]，其中，B表示每個接收天線單元對應信道的反饋比特數。為充分實現復用增益所需的反饋比特數將隨著天線數的增加而線性增加[28]。面對具有大量反射單元的RIS協助無線通信，反饋鏈路開銷將更加不可忽視。研究證明[32-33]，與傳統無線網絡相比，RIS協助無線網絡面臨更為嚴重的信道開銷挑戰。特別地，當RIS用于高速移動場景時，信道環境的快速變化需要頻繁執行信道信息估計，進而造成更加顯著的時間開銷[34]。

緊接著，基于前述獲得的信道信息，基站或終端將進一步計算最佳的RIS單元調控策略，并將相應參數傳遞給RIS控制器，之后由其完成對RIS單元的相位、幅度等參數的配置。然而，受到控制鏈路帶寬的約束，RIS調控參數的傳遞過程會產生必要的時間開銷[35]。同樣以單RIS協助的點對點無線通信為例，文獻[18,25]建立了無線控制鏈路下RIS調控參數傳遞導致的時間與功耗開銷的數學模型，其中，時間開銷受到RIS單元數、控制鏈路帶寬以及控制鏈路發送功率的影響。類似地，文獻[36]建立了有線控制鏈路下RIS調控參數傳遞帶來的時間開銷的數學模型，該模型受到控制信息總比特數與控制鏈路數據速率的制約。另外，文獻[37]提出采用RIS分組策略下配置的時間開銷模型僅與單個RIS單元的調控時間及RIS分組數有關。

1.2 RIS電路開銷模型

RIS單元的調控需要通過改變外部施加的偏置電壓來實現，產生的硬件功耗將會影響整個網絡的能量效率（EE）或頻譜效率（SE）。同時由于RIS本身由數量龐大的反射單元構成，這種影響無法忽視。文獻[35,38-39]建立了單個RIS的理論功耗開銷模型，相應的功耗開銷與RIS單元數、每個RIS單元的離散相位量化階數b密切相關。具體地，文獻[35]列舉出3～6 bit離散相位量化階數下每個RIS單元的理論功耗值為1.5 mW、4.5 mW、6.0 mW、7.8 mW。不難看出，當離散相位量化階數或RIS單元數較大時，RIS面板整體的功耗開銷將十分顯著。針對多RIS協助無線通信場景，RIS功耗將隨著面板數量的增加而線性增加。除理論模型外，東南大學崔鐵軍院士、唐萬愷副研究員、金石教授等實測驗證了RIS的功耗開銷模型[40-41]，包括靜態功耗與動態功耗。其中，靜態功耗又進一步包括控制面板的功耗和驅動電路的功耗，前者視為常數，取值為4.8 W，后者受到控制信號總數、驅動電路的輸出控制信號數的影響，如圖2所示。典型實測驅動電路功耗值為1 720 mW。動態功耗與RIS單元的極化方式、離散相位量化階數以及編碼狀態有關，35 GHz頻段下每個1 bit相位控制的RIS單元的典型實測功耗值為12.6 mW。

圖2 驅動電路功耗示意圖[40]

2 開銷對RIS協助無線網絡性能的影響

考慮前述RIS開銷的前提下，RIS是否依然具備賦能無線通信的潛在價值，是需要探討的根本問題之一。已有研究表明，RIS開銷制約下的無線網絡性能將嚴重偏離其可達的理論性能上界，甚至出現零增益或負增益[18]現象。

針對經典的RIS協助點對點多天線無線通信場景，信道估計以及相位信息反饋帶來的時間開銷對系統的EE或SE的影響得以研究[18]，發現開銷的存在將嚴重降低系統的EE或SE，甚至出現RIS本身的性能增益遠遠無法彌補開銷帶來的性能損失的情況。例如，當RIS單元數為50時，系統性能比理論上界下降約20%；而當單元數增加至150時，系統性能將下降約300%。類似地，文獻[42]對導頻/控制開銷與可達速率之間的權衡關系展開研究，發現為緩解導頻開銷對網絡性能的負面影響，當單元數較大時需要選擇較低的離散相位量化階數以減少控制信號的數量。此外，當開銷達到一定程度時，單元數的增加反而使得可達速率逐漸下滑，比幾乎不考慮開銷的情形下降近72.4%。

針對RIS協助多用戶無線通信場景，文獻[37]對相位配置時間開銷與系統吞吐量之間的權衡關系展開研究，發現對全部RIS單元的反射系數進行完全重配可以實現較高的瞬時數據速率，然而這一舉措勢必會縮短數據傳輸的時間。例如，當配置的時間占總時間的10%時，系統吞吐量比不考慮配置開銷的情形降低78.6%左右。

針對多RIS協助無線通信場景，控制鏈路資源對系統遍歷速率的影響得以研究[43]，發現多RIS協助用戶通信的方式雖然能顯著提升信號功率，但會帶來極高的同步信令開銷。隨著RIS數量的增加，不同RIS之間的嚴格同步會帶來更大的信令開銷，進而嚴重擠占控制鏈路資源。例如，相比于控制鏈路容量較大的情形（=150 Mbit/s），系統的遍歷速率將降低17.0%～47.9%。

另外，文獻[35,38]針對RIS自身功耗對系統EE性能的影響展開研究，發現EE隨RIS單元相位量化階數的增加而降低。例如，當量化階數從4 bit增加至6 bit時，EE降低約37.3%。與此同時，該研究還發現EE與RIS單元數之間存在權衡關系。當單元數相對較少時，RIS引入帶來的空間自由度將提升EE；然而當單元數相對較多時，RIS自身難以承受的功耗將抵消其對EE的性能增益，造成EE的下滑。

3 RIS協助無線網絡的低開銷方案

如前所述，信道信息的獲取、RIS調控參數的傳遞和配置均會導致額外開銷，嚴重時將制約通信系統的整體效率。因此，如何降低或容忍這些開銷是需要探討的另一個根本問題。針對此問題，一方面，業界專家廣泛研究低開銷的信道估計與反饋方法，充分挖掘RIS信道的空間相關性、稀疏性等特性，保障RIS信道估計與反饋階段較低的開銷；另一方面，一些研究綜合考慮RIS的價值和成本，提出例如貪婪的RIS面板開/關控制算法等新算法，可有效提升系統的能量效率。

3.1 低開銷的信道估計方案

RIS的信道估計可以采用傳統思路或方法。例如：為克服RIS本身無法收/發導頻信號的缺點，部署有源RIS節點并將輸出連至接收射頻鏈路，以直接實現基帶信道估計[44]；逐個開啟/關閉RIS單元，以實現信道估計的開啟/關閉型信道估計策略[45]，以及基于DFT的最小二乘（LS）估計方法[23]和最小均方誤差（MMSE）估計方法[46]。然而，這些方法中有源RIS節點的引入以及RIS單元逐個開啟/關閉的操作將為系統帶來更高的功耗、硬件設計復雜度以及信道估計開銷，其根本原因是未考慮RIS信道的特點，例如RIS信道的空間相關性、稀疏性、雙時間尺度特性等。利用這些特點，可設計低開銷的信道估計方案。

利用RIS信道的空間相關性，文獻[47]提出RIS分組策略將RIS劃分為若干組，每組RIS單元共享相同的反射系數。對此信道估計階段只需開啟/關閉對應分組的RIS單元，使得導頻數從N+1降至Ngroup+1。當Ngroup分組數較多時，可以顯著減少開銷。

利用RIS信道的稀疏性，文獻[48-49]將信道估計問題轉化為級聯稀疏信道的恢復問題，提出正交匹配追蹤（OMP）、高斯混合近似消息傳遞（GAMP）算法，并引入殘差網絡，以降低對應的開銷。另外，文獻[50]提出基于快速交替的LS算法（FALS），只需觀測信道矩陣的特定行/列即可恢復完整信道，相比于OMP算法可有效降低約45%的訓練開銷。

實際網絡部署后，基站與RIS的位置往往就固定不變，基站-RIS之間的信道維數較高但變化緩慢，具有準靜態特性；反之，用戶處于移動狀態，用戶-基站/RIS之間的信道維數較低但變化較快，具有時變特性。這一性質被稱為RIS信道的雙時間尺度特性[51]?；谶@一性質，文獻[32,52]提出低開銷的分段信道估計方案，針對基站-RIS信道提出雙鏈路導頻傳輸方案?；景l送下行導頻并接收經RIS反射的上行導頻，以此基于坐標下降算法恢復信道。由于基站- RIS信道具有準靜態特性，長期觀察內它的估計頻率相對較低，對此可以將開銷降低至2(N+1)/α++K，其中，α為描述導頻開銷的因子，M表示基站天線數，K表示用戶數。

利用不同用戶RIS信道之間的相關性，文獻[52-54]提出三階段的信道估計框架，以有效降低不同用戶級聯信道之間存在的大量冗余。具體做法是：首先第一/二階段實現典型用戶的級聯信道估計，接著第三階段利用與典型用戶信道的強相關性實現其他用戶的級聯信道估計，可以將原本KMN+KM個信道系數降低至類似地，文獻[55]則提出雙結構正交匹配追蹤算法（DSOMP）來減少導頻開銷。

除此之外，基于深度學習的降低導頻開銷方法也備受矚目。文獻[56]提出時域信道子采樣和雙深度神經網絡的方法，神經網絡中采用神經普微分方程（ODE）描述RIS動態信道以提高循環神經網絡對時間序列的重建能力，進而降低動態時變信道的訓練開銷。文獻[57]提出模型驅動的深度展開神經網絡框架以降低訓練開銷，使訓練開銷相比于傳統的LS可降低約25%。另外，文獻[58-59]提出基于碼本的信道估計與波束賦形協同方案。該方案利用位置信息離線生成具備環境感知能力的反射系數碼本，根據需要選擇對應的最佳碼字，可以將信道估計開銷降低至QK，即與RIS單元數無關，僅與碼本的大小Q和用戶天線數K有關，進而有助于顯著降低開銷。

3.2 基于統計或混合CSI的低開銷設計研究

對RIS協助無線網絡性能的分析大多是基于瞬時信道狀態信息（CSI）。然而，瞬時CSI的準確獲取具有較大挑戰，龐大的RIS單元數將造成極高的信令交換開銷。與此同時，RIS不同狀態之間的切換通常比較緩慢，約為幾兆赫茲[60]。這種硬件的不完美將導致導頻傳輸的非連續性，增加估計的時間開銷。為實現信道估計開銷和網絡性能之間的權衡，相關研究基于統計或混合CSI來設計RIS的相位偏移。

由于統計CSI變化相對較緩，系統有充足的時間來獲取相關信息，無須對其頻繁地更新，因此信令開銷可以大大減少[61]。文獻[62-63]采用長期觀察獲得的統計CSI聯合設計，發送波束賦形以及RIS的相位，以最大化遍歷容量或速率。另外，當網絡中存在竊聽者時，由于它往往不會與基站主動交互，因此竊聽信道的完美CSI無法獲得。對此，文獻[64]基于統計CSI聯合設計以最大化遍歷安全速率。

然而，前述方案中瞬時CSI的缺失可能會降低系統實時性能，對此采用瞬時和統計CSI的混合解決方案可以進一步改善開銷與系統性能之間的權衡問題。文獻[39,65]聯合設計用戶側的波束賦形和RIS的相位，以最大化RIS協助上行多用戶多輸入多輸出（MIMO）系統的全局能量效率[39]以及加權EE和SE的總和[65]。另外，由于網絡中竊聽者位置的不確定性，因此難以實時獲取與竊聽者有關的瞬時CSI。對此，文獻[66]基于混合CSI聯合設計基站與RIS側的波束賦形，最大化遍歷安全速率。

3.3 低開銷的CSI反饋技術研究

傳統信道信息反饋方法包括RVQ反饋方案、基于碼本的反饋方案以及基于深度學習的反饋方案等。然而，這些方法應用于RIS時，會導致量化碼本的大小隨著天線數呈指數級增長，帶來嚴重的反饋開銷問題。因此，需要合理利用不同用戶RIS信道的相關性、改進的學習算法、RIS信道定制的能力，來有效降低信道反饋信息的數量。

由于不同用戶在共享完全一致的基站- RIS稀疏信道的同時，又有著各自獨特的用戶- RIS信道，因此最終級聯信道矩陣有著數量有限的非零列向量，并且不同用戶的非零列索引相同。文獻[33]利用該性質挖掘級聯信道的單結構稀疏性，將下行CSI反饋信息劃分為“用戶特定”的信道信息（對應著非零列向量）以及“用戶無關”的CSI（對應著非零列索引）。前者經不同用戶單獨反饋給基站，而后者僅需經某特定用戶反饋給基站進而降低下行CSI的開銷。相比于傳統的基于統計的信道反饋方案，后者可以降低約80%的下行CSI反饋開銷。級聯信道的三重稀疏結構得以進一步挖掘[67]。不同用戶共同的CSI信息包括路徑角度值、偏移值以及幅度比例，這些信息僅需經部分用戶反饋給基站，而其余信息可以經壓縮后再反饋。相比于單結構稀疏反饋方案[33]，“三重稀疏結構”的CSI方案反饋開銷可進一步降低約56.8%。另外，文獻[31]提出基于壓縮感知的信道反饋方案，采用基于聚類的碼本將下行CSI壓縮為數量較少的信道向量以減小反饋開銷。

然而，實際中并非所有的信道信息都具備完全稀疏性，采用壓縮感知技術不能很好地提取出信道狀態信息。對此，文獻[27]提出名為Quan-Transformer的網絡架構以實現CSI壓縮與重構。該方案在有效壓縮CSI的同時還能大幅提升CSI的恢復精度，相比于傳統基于深度學習的信道反饋框架CsiNet能夠提升約3.32%的NMSE性能。類似地，文獻[68]提出基于數據驅動的深度學習信道獲取網絡（CAN）。下行導頻傳輸、UE側的CSI反饋以及基站側的CSI重建過程被建模為基于變換的端到端神經網絡，從而以較低的導頻與反饋信令開銷獲取下行CSI。

除此之外，文獻[69]聚焦于路徑增益的反饋設計，提出級聯碼本的方案來量化子信道中的視距路徑和非視距路徑增益。而面對多RIS協助場景，多RIS的引入將帶來更高的信道維數、更復雜的傳播環境，從而造成難以忍受的反饋開銷。文獻[70]基于路徑選擇以及相移器的設計，將豐富的散射環境定義為稀疏信道，對此僅需反饋主導路徑的信道參數。相比于原本的反饋開銷可以顯著降低至2Ncustom。其中，NRIS表示RIS的數目，LT,k和Lk,R分別表示非視距路徑和傳播路徑數，Ncustom表示信道定制后的路徑數。

3.4 低開銷的相位配置信息反饋技術研究

RIS相位配置信息傳輸是RIS特有的傳輸開銷。當單元數量大、相位精度高時，該開銷將變得難以承受。為減小相位配置信息的反饋開銷，文獻[71]提出低秩張量建模的方法，例如PARAllel FACtors（PARAFAC）和Tucker，將優化得到的RIS相位配置表示為維數更小的預定義因子的Kronecker乘積形式。調整對應預定義因子的數量可以控制反饋的相位配置數。相比于文獻[18]，該方案可以在保證可觀的SE前提下極大地降低相位配置信息的反饋開銷?；趥鹘y的自編碼，文獻[72]移除批量歸一化（BN）層并引入去噪模塊，提出相移壓縮和去噪網絡（PSCDN）方案，將RIS相位信息隨機映射到特征空間內維數更小的碼字中，從而能夠實現有限帶寬下的高壓縮比反饋。

針對控制鏈路帶寬受限的情形，文獻[36]提出新穎的基于自適應碼本的有限反饋協議，同時給出兩種自適應碼本的解決方案，分別是隨機領近性（RA）和基于深度神經網絡策略的RIS控制（DPIC）。這兩種解決方案僅需要端到端的級聯信道，無須對用戶位置和入射角進行估計，可顯著減小控制開銷。

雖然前述方案一定程度上降低了相位配置信息的反饋開銷，然而這些方案中RIS的相位配置優化依然依賴于CSI。面對快速變化的信道，頻繁的RIS配置帶來的巨大開銷往往難以承受。對此，文獻[73]將RIS相位配置與信道估計分離，當且僅當處于RIS波束覆蓋范圍內的用戶服務質量（QoS）無法滿足時才需要重新配置RIS的相位。在這種情況下，RIS相位重新配置的頻率不再取決于信道相干時間，而取決于用戶的移動速度、RIS波束的覆蓋范圍以及用戶的QoS需求，進而有助于進一步減少開銷。

3.5 考慮電路開銷的RIS通信技術研究

兼顧電路開銷的RIS通信技術研究是近年來的研究熱點之一。文獻[25]在兼顧信道估計和相位配置能耗的基礎上，對RIS參數進行優化設計，提出一種針對點對點通信系統的高能效RIS通信方案，可提升系統能效約27.8%。文獻[35]則針對多用戶通信系統，提出基于Dinkelbach算法的功率分配方案，可將系統能效提升約300%?？紤]非完備CSI條件下的上行MIMO通信系統，文獻[39]基于閉合表達式推導最優功率分配策略，可實現能效與譜效之間的權衡。此外，文獻[22，38，74]等還分別針對設備對設備（D2D）系統、多播系統、共生無線電系統提出最優能效方案。

針對多RIS協助無線通信網絡，文獻[75]聯合優化基站側的有源波束賦形、RIS側的無源波束賦形以及RIS的相位偏移，以最小化網絡整體的功率消耗，這其中包括RIS節點自身的電路功耗。研究指出，通過動態關閉某些RIS面板，可以實現以非常小的性能損失大幅降低功率消耗。文獻[76]則提出一種低復雜度的貪婪搜索算法，通過控制每塊RIS面板的開/關狀態，以最大化整個系統的能量效率。

當無線信道環境和RIS可用能量模型不確定時，文獻[77]基于深度強化學習（DRL）優化發送功率分配以及每個RIS單元的工作狀態，以提升系統整體能效。類似地，文獻[78]采用DRL的方法求解RIS輔助的車輛自組織網絡的能效最大化問題，可實現約87.5%的能效提升。文獻[79]則提出一種基于長短時記憶（LSTM）聯合資源分配算法，可基于實測數據預測最優RIS配置參數，相比傳統的貝葉斯網絡方法可提升約20.1%的系統能效。

新型的同時透射與反射型RIS（STAR-RIS）可以進一步增強覆蓋能力。針對STAR-RIS輔助的多用戶MIMO非正交多址（NOMA）系統，文獻[80]基于Dinkelbach方法、對偶分解理論以及連續凸逼近（SCA）技術等，聯合優化STAR-RIS的傳輸與反射波束賦形向量以實現最優的能效性能。文獻[81]針對邊緣移動計算（MEC）場景，通過聯合優化STAR-RIS反射系數、功率分配以及卸載數據的大小，降低整個系統的總能量消耗。文獻[82]進一步提出一種基于深度確定性策略梯度（DDPG）算法，通過聯合優化基站側的有源波束賦形和STAR-RIS側的反射系數來最大化系統能效。

4 新研究主題

學術界廣泛關注RIS開銷問題，已針對典型場景下的基礎模型提出多種有效的解決方案。然而，隨著6G研究的推進，許多新的應用場景、技術需求陸續出現。如何在更加復雜多樣的網絡環境中有效發揮RIS的潛在價值，仍需要持續探索。本文從新場景、新型軟硬件設計、新型組網架構、新技術交叉賦能等方面展開論述。

1）全空間RIS協助的無線通信

相比于傳統的純反射型半空間RIS，STAR-RIS可實現360°的全空間覆蓋[83]。然而，STAR-RIS的每個單元需同時滿足傳輸和反射需求，且相應傳輸和反射相位緊密耦合、相互制約。這對硬件復雜度、電路運行能耗、信道估計開銷等均提出新的挑戰。針對傳統RIS模型開展的性能分析、低開銷方案設計等結論，將不能很好地應用于STAR-RIS模型，因此需要開展新的技術方案研究。

2）基于統計/混合CSI的聯合波束賦形

基于統計/混合CSI優化設計RIS輔助通信系統的有源波束賦形和無源波束賦，可降低對信道估計及信息反饋的需求。該方法已被證明可實現通信性能增益與系統開銷的折中權衡?，F有研究已針對典型的基礎通信場景提出了高效的聯合波束賦形方案，而針對多點協作RIS、多跳RIS、高速移動等復雜場景，如何基于有限的CSI實現有效的聯合波束設計仍有待探索。

3）低功耗的RIS硬件平臺

實際中具有多種不同的RIS硬件方案，在工作頻率、碼本切換時間、工作電壓、功耗和部署成本等方面存在差異，因此可分別應用于不同的場景。例如，實測數據指出[84]，基于RF-MEMS和MOSFET設計的RIS具有較低能耗，但硬件成本較高；基于PIN二極管的RIS具有更低的硬件成本和更短的碼本切換時間，但能耗較大且僅支持110 GHz以下的頻段。隨著電子信息材料科學與工程技術的進步，很多新型RIS方案將被提出。其中，低成本、低功耗、廣適用范圍的RIS硬件設計是潛在方向。

4）低開銷的RIS組網模型

在實際網絡中部署RIS時需綜合考慮用戶分布、傳播環境、成本控制等諸多因素。一方面，當將相同數量的RIS單元分別放置在用戶與基站附近時，可實現比集中式部署更好的用戶通信速率[85]；另一方面，障礙物較多、通信頻率較高時，需要多個RIS接力建立通信鏈路[86]。此時，多個RIS站點之間以及RIS與基站之間的相互協調，會顯著增加同步挑戰和信令開銷。因此，如何權衡RIS協作組網增益與開銷是極具挑戰的研究課題。

5）AI賦能的RIS通信方法

人工智能（AI）技術已被證明可以有效求解復雜應用中的非線性資源分配問題。因此，AI賦能的RIS通信網絡是備受關注的研究方向。AI模型訓練通常由處理能力較強的基站執行，相應的訓練數據收集、傳遞等過程會造成額外通信開銷。這可能要求RIS節點具備一定的信息感知能力，增加其硬件成本。同時，模型訓練過程本身需要耗費龐大的計算時間與能量等[87]。聯邦學習、遷移學習[88]等技術框架有望為低開銷RIS組網提供新思路。

6）低開銷的RIS近場通信

為補償嚴重的路徑衰落帶來的系統性能損失，預計未來網絡將部署更多的RIS反射單元。然而，由于瑞利距離與天線口徑的平方成正比，隨著RIS面板孔徑的不斷增加，相應的近場通信范圍將不斷擴大，導致越來越多的用戶、散射體處于近場環境中[89]。對此，近場環境下的低開銷方案設計面臨新的挑戰。例如，近場環境下，天線陣列導向矢量與散射體的坐標密切相關，對此原先的低開銷碼本方案將不再適用[90]。更糟糕的是，相比于遠場碼本，近場碼本將包含更多的候選碼字，使得近場的波束賦形設計更為復雜，造成更高的導頻開銷[91]。傳統遠場環境下的低開銷設計方案不能很好地解決這些問題，亟須開展新的技術方案研究。

7）低開銷的RIS協助通信感知系統

相比于傳統的通信感知一體化（ISAC）網絡，RIS的引入可以在為處于非視距的感知目標創建虛擬直射鏈路的同時抑制干擾信號，有助于進一步增強感知性能[92]。然而，ISAC系統設計中需要綜合考慮感知和通信的需求，除傳統的通信參數例如信道信息的估計之外，還需要實現對感知目標的角度、速度、距離等參數的估計[93]，因此將占據更多的系統資源，造成額外的資源開銷。除此之外，為滿足未來高精度的感知需求，系統中將引入更多的RIS以提供更高的設計自由度[94]，然而，這些RIS之間的協同控制機制以及部署方案設計也將帶來額外的資源開銷。

8）低能耗的RIS協助邊緣計算網絡

與傳統的MEC網絡相比，RIS技術的引入，一方面，有助于改善無線鏈路的質量，提高傳輸速率，另一方面，有助于顯著擴大無線卸載的覆蓋范圍[95]。然而，現有研究大多聚焦于對RIS反射系數的優化來提升卸載效率[96]，忽視了網絡中RIS節點的部署成本以及反射單元相位配置過程中產生的能耗開銷。相關的研究工作處于起步階段，有待進一步的探索。

5 結束語

RIS是面向6G的創新性高效無線技術，其根本優勢在于打破了傳統無線信道的不可控局限，通過構建智能可編程的無線環境，有效提升無線網絡的覆蓋范圍、通信效率、安全隱私能力等。然而，RIS節點的引入也會帶來額外開銷。在考慮信道估計、無線控制等開銷的前提下，如何盡量發揮RIS的無線賦能潛力是根本問題之一。