1. 无小区大规模MIMO中的LoS相位跟踪挑战
在分布式无线通信系统中，无小区大规模MIMO（Cell-Free Massive MIMO）通过大量分布式接入点（AP）协同服务用户，消除了传统蜂窝架构中的小区边界。这种架构在6G网络中展现出巨大潜力，但面临一个关键挑战：视距（Line-of-Sight, LoS）传播条件下的相位跟踪精度问题。
实际部署中，AP与用户设备（UE）之间的LoS路径相位会受到多种因素影响：
- 硬件振荡器漂移导致载波相位偏移
- 用户移动引起的多普勒效应
- 分布式节点间的同步误差
- 环境扰动导致的传播路径微变
这些因素使得LoS相位即使在跟踪机制下仍存在残余误差。传统研究通常假设两种极端情况：要么完美已知相位（δ=0°），要么完全未知相位（δ=180°）。但实测数据表明，实际系统往往处于中间状态（如δ=15°~45°），需要更精细的建模方法。
2. 含相位误差的Rician信道建模
2.1 系统模型基础
考虑由L个AP和K个单天线用户组成的网络，每个AP配备N天线。采用块衰落信道模型，在相干时间τc内信道保持不变。用户k到AP l的信道向量表示为：
h_k,l = \bar{h}_k,l e^{jθ_k,l} + \tilde{h}_k,l其中：
- \bar{h}_k,l ∈ C^N：确定性LoS分量空间签名
- θ_k,l ∈ [-π,π]：真实LoS相位
- \tilde{h}_k,l ~ CN(0,R_k,l)：NLoS分量
2.2 相位误差建模
实际系统只能获得带噪声的相位估计：
\hat{θ}_k,l = θ_k,l - ε_k,l其中误差ε_k,l ~ U[-δ,δ]均匀分布。定义相位噪声惩罚因子：
ρ_error = E[e^{jε_k,l}] = sin(δ)/δ (δ>0)该因子量化了相位误差对LoS分量幅度的影响：
- δ→0时ρ_error→1（完美跟踪）
- δ→π时ρ_error→0（完全未知）
2.3 条件统计特性
基于该模型，信道的一二阶条件统计量为：
E[h_k,l | \hat{θ}_k,l] = \bar{h}_k,l e^{j\hat{θ}_k,l} ρ_error V[h_k,l | \hat{θ}_k,l] = R_k,l + \bar{h}_k,l \bar{h}_k,l^H (1-ρ_error^2)这显示相位误差会：
- 旋转估计的LoS分量方向
- 衰减其幅度（惩罚因子ρ_error）
- 增加等效信道不确定性
3. 线性MMSE信道估计器设计
3.1 导频接收模型
在τ_p符号的导频阶段，AP l接收的信号为：
y_{t_k,l} = ∑_{i∈P_k} √η_i τ_p h_i,l + n_{t_k,l}其中P_k为与用户k共享导频的用户集合。
3.2 条件线性MMSE估计
由于相位误差导致信道非高斯，采用条件线性MMSE估计：
\hat{h}_k,l = \bar{h}_k,l e^{j\hat{θ}_k,l}ρ_error + √η_k Σ_k,l Ψ_{t_k,l} (y_{t_k,l} - \bar{y}_{t_k,l})其中关键项：
- Ψ_{t_k,l} = (∑_{i∈P_k} η_i τ_p Σ_i,l + σ^2 I_N)^{-1}
- \bar{y}{t_k,l} = ∑{i∈P_k} √η_i τ_p \bar{h}_i,l e^{j\hat{θ}_i,l} ρ_error
估计误差协方差矩阵：
C_k,l = Σ_k,l - η_k τ_p Σ_k,l Ψ_{t_k,l} Σ_k,l3.3 统一框架特性
该估计器具有理论包容性：
- 完美相位已知时（δ→0）退化为经典Bayesian MMSE估计
- 完全未知相位时（δ→π）退化为零均值模型估计
- 中间状态时自动调整估计权重
4. 虚拟上行链路与波束成形设计
4.1 虚拟信号模型
为解决非高斯场景下的波束成形设计难题，引入虚拟上行链路模型：
y_l^{vir} = ∑_{k=1}^K √p_k \hat{h}_k,l s_k + n_l^{vir}其中虚拟噪声协方差增强为：
n_l^{vir} ~ CN(0, σ^2 I_N + ∑_{i=1}^K p_i C_i,l)该模型将估计误差的影响转化为噪声增强，保持二阶统计特性。
4.2 集中式波束成形
当CPU拥有全局CSI时，MMSE波束成形器为：
v_k^{cent} = (D_k \hat{H} P \hat{H}^H D_k + D_k Z D_k + σ^2 I_{LN})^{-1} D_k \hat{H} P^{1/2} e_k其中Z = diag(Z_1,...,Z_L), Z_l = ∑_{i=1}^K p_i C_i,l。
4.3 分布式波束成形
各AP仅基于本地CSI设计波束时，采用两阶段方案：
- 本地MMSE滤波：
V_l = (\hat{H}_l P \hat{H}_l^H + Z_l + σ^2 I_N)^{-1} \hat{H}_l P^{1/2}- 协作组合： 通过求解线性方程组(15)得到组合向量c_k,l
5. 频谱效率分析与实测表现
5.1 性能边界评估
采用两种经典边界评估系统性能：
- UatF（Use-and-then-Forget）下界：
R_k^{uatf} = log(1 + |E[g_kk]|^2 / (∑_{i=1}^K E[|g_ki|^2] - |E[g_kk]|^2 + σ^2 E[||D_k v_k||^2]))- OER（Optimistic Ergodic Rate）上界：
R_k^{oer} = E[log(1 + |g_kk|^2 / (∑_{i≠k} |g_ki|^2 + σ^2 ||D_k v_k||^2))]5.2 数值结果洞察
在100 APs/40 UEs的典型场景中（参数见表I），测得关键现象：
- 相位误差容忍度：
- δ<30°时性能接近完美跟踪
- δ=45°时SE损失约15%
- 分布式架构对相位误差更敏感
- Rician因子影响：
- κ越大（LoS越强），相位误差影响越显著
- κ=100时，δ=30°导致SE下降23%
- 架构对比：
- 集中式在δ>60°时仍保持优势
- 高κ场景下两种架构性能趋同
6. 工程实现建议
基于研究结果，给出6G无小区网络部署建议：
- 相位跟踪系统设计：
- 目标将δ控制在30°以内
- 采用联合载波/符号同步方案
- 部署高稳定度参考时钟
- 信道估计优化：
- 动态调整ρ_error参数
- 导频功率与相位误差联合优化
- 波束成形策略选择：
- 中低κ场景优先分布式
- 高κ强LoS场景推荐集中式
- 混合架构折中考虑
实测表明，即使简单的滑动平均相位跟踪（δ≈20°），也能使SE达到完美跟踪的92%以上，验证了方案的实用性。
