1. 项目概述：当通信系统“兼职”做定位
在5G网络大规模商用的今天，我们谈论的“通信”早已超越了打电话、发短信的范畴。它正在演变成一个集连接、感知、计算于一体的智能平台。而毫米波（mmWave）技术，作为5G和未来6G网络的“尖刀”频段，凭借其动辄数百兆赫兹的连续带宽，成为了实现超高速率通信的不二之选。但毫米波的价值远不止于此——它那如探照灯般高度定向的波束，在精准“照亮”通信链路的同时，也为我们描绘出了一幅前所未有的高精度定位蓝图。
想象一下，未来的基站不仅能为你提供千兆级的下载速度，还能像GPS卫星一样，实时告诉你精确到厘米级的位置。这并非科幻，而是毫米波通信与定位一体化技术正在努力实现的现实。其核心逻辑在于“复用”：复用同一套硬件（大规模天线阵列）、复用同一个信号（信道状态信息CSI）、复用同一段频谱资源，让通信系统在完成数据传输的本职工作之余，“顺便”完成高精度定位。这带来的价值是革命性的：一方面，定位功能无需额外部署专用基础设施（如蓝牙信标、UWB锚点），大幅降低了部署和维护成本；另一方面，获取的精确位置信息又能反过来“反哺”通信过程，优化波束对准、资源调度，形成一个“通信辅助定位，定位增强通信”的良性循环。
对于从事无线通信、物联网、自动驾驶或室内定位的工程师和研究者而言，理解这项技术不仅是跟上技术潮流，更是为下一代智能应用（如全自动驾驶、毫米波级AR/VR、工业机器人协同）储备核心能力。本文将带你深入毫米波系统的内部，拆解通信与定位如何从“各司其职”走向“深度融合”，并探讨其中的关键技术、实现路径以及我们踩过的一些“坑”。
2. 技术原理深度拆解：为什么毫米波能“一心二用”？
要理解通信定位一体化，首先要跳出“通信就是发数据，定位就是测距离”的固有思维。在毫米波系统中，这两者共享同一个物理基础：无线信道。每一次无线信号的传输，都携带着关于传播环境的丰富信息，而定位的本质，就是从这些信息中提取出几何关系。
2.1 信道模型：一切信息的源头
在传统的定位系统（如GPS）中，我们专门发射用于测距的定位信号。但在通信定位一体化系统中，我们直接利用通信信号本身。其理论基石是多径信道模型。在一个具有NT根发射天线和NR根接收天线的MIMO系统中，接收信号可以建模为：
y(t) = H(t) * x(t) + n(t)
其中，H(t)就是核心的信道冲激响应（CIR）矩阵。对于毫米波频段，由于其传播特性，信道在空域上表现出显著的稀疏性。这意味着，虽然信号经过反射、散射会产生多条路径，但真正有显著能量的路径（L条）是有限的。每条路径l都可以用一组参数来刻画：复衰减因子 αl、到达角（AoA） (θaz_l, θel_l)、离开角（AoD） (φaz_l, φel_l)、到达时间（ToA） τl 和多普勒频移 νl。
关键洞察：这组参数{αl, AoA, AoD, ToA, νl}正是连接通信与定位的桥梁。对于通信而言，我们需要估计这些参数（或等价的信道矩阵H）来解调数据、进行波束赋形。对于定位而言，这些参数直接反映了信号传播的几何路径。例如，视距（LoS）路径的ToA直接与收发机之间的距离成正比；而多条非视距（NLoS）路径的AoA/AoD和ToA，则能通过几何关系反推出反射体的位置，甚至实现“无源”的环境感知。
实操心得：在实际的算法开发中，我们通常不直接处理连续的时域信号
y(t)，而是处理其离散化、并在频域或波束域采样的版本，即信道状态信息（CSI）。CSI包含了每个子载波、每个天线对上的复数响应（幅度和相位），是后续所有信号处理的起点。获取高精度、低噪声的CSI是第一步，也是最关键的一步。
2.2 毫米波赋能的独特优势
为什么是毫米波，而不是Sub-6 GHz，更适合做高精度一体化？
- 超大带宽带来超高时延分辨率：定位精度，特别是基于ToA/TDoA的测距精度，与信号带宽直接相关。精度公式约为
Δd = c / (2 * B * sqrt(SNR))，其中c是光速，B是带宽。毫米波轻易可提供数百MHz至数GHz的带宽，这使得理论上达到厘米级甚至毫米级的测距精度成为可能。 - 大规模天线阵列带来超高角度分辨率：角度测量精度与天线孔径成正比。毫米波波长极短（30GHz对应波长1cm），使得在有限物理尺寸内部署成百上千根天线成为可能，形成极窄的波束，从而实现对AoA/AoD的精确测量。
- 信道稀疏性简化处理：毫米波信道在波束域是稀疏的，即能量集中在少数几个方向上。这不仅降低了MIMO信道估计和波束管理的复杂度，也使得区分LoS路径和主要的NLoS路径变得更加容易，有利于排除多径干扰对定位的影响。
一个常见的误解：有人认为多径是定位的敌人。在传统基于RSSI（接收信号强度）的定位中确实如此，因为多径会导致信号强度剧烈波动。但在基于CSI的毫米波定位中，多径反而可能成为“朋友”。通过解析多条可分辨的多径分量，我们可以利用几何关系进行多边定位，甚至在LoS被遮挡时，利用NLoS路径实现定位，这就是“化敌为友”。
3. 核心使能技术：从理论走向现实的三大支柱
仅有原理不够，还需要具体的技术手段来实现一体化。当前的研究和实践主要围绕三大使能技术展开。
3.1 极大规模天线阵列：从远场到近场的范式转变
当天线阵列的物理尺寸变得非常大时，用户设备可能不再位于天线的“远场”区域，而是进入“近场”区域。远场和近场的分界由瑞利距离R = 2D²/λ决定，其中D是阵列最大尺寸。对于工作在30GHz、长度1米的均匀线性阵列（ULA），其瑞利距离约为200米。这意味着在这个距离内的用户，其信号波前不能再被近似为平面波，而必须被视为球面波。
球面波模型带来的新机遇： 传统的平面波模型下，阵列响应向量仅与角度有关。而在球面波模型下，阵列响应向量同时是角度和距离的函数，如公式所示：a_s(φ, θ, d0) = [ sqrt(d0/d1)*exp(-j*2π/λ*(d1-d0)), ... ]^T其中，d0是信源到参考点的距离，di是到第i个天线的距离。
这意味着什么？在近场区域，单个大规模阵列本身就能同时估计信源的角度和距离，无需多个基站进行三角定位。这为单站定位、简化系统同步需求开辟了新道路。然而，这也对信道建模和参数估计算法提出了全新挑战，传统的基于平面波假设的算法需要重构。
3.2 智能反射面：重塑无线传播环境
智能反射面（RIS）是一个由大量可编程超表面单元组成的平面。通过智能地控制每个单元的反射系数（幅度和相位），RIS可以像“软件定义的镜子”一样，按需塑造电磁波的传播环境。
在一体化中的双重作用：
- 对通信的增强：在NLoS场景中，RIS可以主动构建一条强反射路径，弥补信号遮挡，保障通信链路可靠性。
- 对定位的赋能：RIS可以作为一个已知位置和姿态的“虚拟锚点”。通过编程控制其反射模式，可以主动为定位系统创造有利的多径条件，或者其本身就可以作为一个可调谐的接收阵列来辅助定位���更重要的是，RIS提供了一种低功耗、低成本扩展定位覆盖和精度的方式。
注意事项：RIS的引入也增加了系统的复杂性。其相位配置需要与通信和定位的目标联合优化。此外，RIS的精确位置和朝向校准是发挥其作用的前提，这在部署中是一个工程挑战。
3.3 人工智能与模型驱动神经网络：破解复杂环境建模难题
无线环境极其复杂，特别是室内和城市峡谷场景，充斥着动态的遮挡和复杂的反射。纯几何模型（Model-based）难以精确刻画所有细节，而纯数据驱动（Data-based）的方法（如深度学习指纹定位）又需要海量标注数据，且缺乏可解释性。
模型驱动神经网络是一条折中且前景广阔的路径。其核心思想是：将领域知识（物理模型）嵌入到神经网络的结构中。
- 测量模型层：利用经典的定位几何关系（如公式(4)(5)）构建网络的第一层或作为约束。例如，将ToA测量值与距离之间的关系作为网络的一个模块。
- 算法展开层：将传统的迭代定位算法（如加权最小二乘WLS）的每次迭代展开为神经网络的一层。这样，网络中的每个操作（如矩阵求逆、非线性变换）都有了明确的物理意义。
- 可学习参数：在模型框架内，引入可学习的参数来补偿模型的不准确性。例如，路径损耗模型中的环境衰减因子、硬件引入的系统误差等，可以让网络从数据中自动学习。
这种方法的好处是显而易见的：它既保留了模型的可解释性和理论保障，又利用了神经网络强大的非线性拟合能力来应对模型失配和噪声，同时所需训练数据量远小于纯数据驱动方法。
4. 定位增强通信：位置信息如何反哺链路性能
通信定位一体化的价值是双向的。高精度定位获取的位置（及速度、朝向）信息，对毫米波通信本身是一个巨大的“增益”。毫米波通信的痛点在于其脆弱性：路径损耗大、易受遮挡、波束需要精确对准。位置信息恰好是解决这些痛点的良药。
4.1 波束管理与跟踪：从“盲搜”到“指哪打哪”
传统的毫米波波束训练是一个“搜索”过程：基站和用户设备在预先定义的码本中遍历一系列波束对，寻找信号质量最好的那一对。这个过程开销大、耗时长，对移动用户极不友好。
位置辅助的波束管理：
- 初始接入加速：已知用户的大致位置（例如，从上一时刻的定位结果或从低频频段获得），基站可以直接计算出指向该用户的波束方向，省去大部分搜索步骤，实现“一次对准”或极窄范围内的搜索，将接入时延从几十毫秒降低到几毫秒。
- 波束跟踪与预测：对于移动用户，结合其历史位置、速度甚至加速度信息，可以预测其在下一时刻的位置和朝向。基站和用户设备可以据此提前调整波束方向，实现平滑、无缝的波束跟踪，避免因波束失准导致的链路中断。
4.2 信道估计与反馈：从“全量估计”到“差分补偿”
信道估计是通信的基石。在高速移动场景下，信道变化快，需要频繁进行估计，开销巨大。
位置辅助的信道估计： 信道的大尺度特性（如路径损耗、阴影衰落）与位置强相关，变化缓慢；小尺度衰落（多径快衰落）变化快但与位置关系较弱。利用位置信息，我们可以：
- 预测大尺度分量：根据已知的环境地图和用户位置，预测出路径损耗和主要遮挡情况，得到一个“预测CSI”。
- 仅估计小尺度分量：实际通信时，只需估计快速变化的小尺度分量，并与预测的大尺度分量结合，得到完整的信道信息。这可以大幅降低导频开销和计算复杂度。
- 智能CSI反馈：用户端无需反馈完整的CSI矩阵，只需反馈与预测值之间的“残差”或关键参数（如主导路径的偏移），从而极大压缩反馈开销。
4.3 资源分配与干扰协调：从“被动响应”到“主动规划”
位置信息为网络提供了全局的“上帝视角”。
- 预测性资源分配：网络可以预测用户的移动轨迹和未来的信道质量（例如，用户即将进入信号遮挡区）。可以提前为其预留资源，或触发切换流程，保证业务连续性。
- 空间干扰协调：当基站知道所有活跃用户的精确位置后，可以更精准地计算用户间的空间隔离度。对于位置相距较远、波束方向背离的用户，即使使用相同的时频资源，干扰也可能很小。这使得更激进的空分复用成为可能，提升频谱效率。
- 用户选择与关联：在多连接网络中，用户可以根据自身位置和周围基站的分布，智能地选择最佳的服务基站集合，避免停留在信号“死区”。
5. 系统设计与实现挑战：从实验室到商用的鸿沟
尽管前景美好，但将通信定位一体化推向实用，仍面临一系列严峻挑战。
5.1 硬件损伤与校准问题
毫米波频段对硬件异常敏感。相位噪声、功放非线性、I/Q不平衡、天线互耦、通道间不一致性等硬件损伤，在毫米波频段会被放大。这些损伤不仅影响通信的误码率，更会直接污染CSI的相位信息——而相位信息正是高精度定位（特别是测角）的生命线。
应对策略：
- 联合估计与补偿：在算法设计中，必须将硬件损伤参数（如相位偏移、增益误差）作为待估计状态的一部分，与信道参数、位置参数进行联合估计。
- 深度学习辅助：利用神经网络学习硬件损伤的复杂模式，并在信号处理链中进行补偿。模型驱动神经网络在这里同样有用武之地。
- 系统级校准：设计高效的在线/离线校准流程，定期对阵列的每个通道进行校准，建立损伤模型。
5.2 通信与定位的资源博弈
通信和定位本质上共享同一套时间、频率、功率和天线资源。但在具体需求上存在矛盾：
- 波形设计：通信追求高频谱效率和高数据速率，常采用OFDM等波形；而定位追求高时延/多普勒分辨率，可能需要特定的脉冲或序列。需要设计一种融合波形，既能高效承载数据，又具有良好的自相关和互相关特性，便于参数估计。
- 资源分配：网络需要在通信吞吐量和定位精度/更新率之间进行动态权衡。例如，是分配更多资源用于发送定位参考信号，还是用于传输用户数据？这需要根据上层应用（如自动驾驶要求高精度高频率定位，视频流要求高吞吐量）进行智能调度。
- 协议栈设计：现有的通信协议栈（如LTE/NR）并非为高精度定位设计。需要重新设计帧结构，定义新的参考信号、信令流程和测量报告机制，以支持一体化的功能。
5.3 异构网络融合与数据融合
单一技术难以包打天下。未来的6G网络将是毫米波、Sub-6GHz、Wi-Fi、传感器网络甚至低轨卫星的异构融合体。
跨技术定位融合：
- 优势互补：Sub-6GHz信号穿透性好，覆盖广，可提供粗粒度定位和初始波束指示；毫米波提供厘米级精定位；惯性传感器（IMU）提供短时高精度相对位移。融合这些异质信息，能实现���场景、全时段的高可靠定位。
- 数据融合挑战：不同技术的测量值（角度、距离、指纹）精度、坐标系、更新率各不相同。需要设计鲁棒的融合算法（如卡尔曼滤波、粒子滤波的变种）来处理异步、异质、可能冲突的数据流。
- 统一时空基准：所有参与定位的节点（基站、RIS、用户设备）必须保持高精度的时间同步和统一的坐标框架，这是实现融合定位的前提，也是工程上的难点。
6. 未来展望与研发方向
通信定位一体化是6G使能“通感算一体”愿景的核心组成部分。未来的研究将向更深处和更广处拓展。
算法层面：基于语义通信的理念，未来的定位可能不再是简单地输出一组坐标，而是直接输出对物理环境的理解，例如“用户位于A会议室中央，面前有一张桌子，正在向门口移动”。这将需要通信、感知与人工智能更深的融合。
硬件层面：太赫兹通信将把载波频率推向更高，带来更宽的带宽和更极致的精度，但同时路径损耗和硬件挑战也呈指数级增长。可重构全息表面等新型天线技术，可能提供比RIS更灵活的环境塑造能力。
应用层面：超越传统的导航和位置服务，一体化技术将催生交互式环境。例如，工厂中的机器人不仅能知道自己在哪里，还能通过通信信号“感知”到周围其他机器人和障碍物的精确位置与运动状态，实现真正的自主协同。
标准化与产业化：目前大多数研究仍停留在学术论文和原型验证阶段。推动技术进入3GPP等国际标准，并解决芯片、模组、测试仪表等产业链环节的成本和成熟度问题，是技术真正落地的最后一步，也是最关键的一步。
从我过去在原型系统开发中的经验来看，最大的教训是仿真与现实的差距。在纯净的仿真环境中，基于理想CSI的定位算法可以达到毫米级精度。但一旦上真实的硬件平台，时钟抖动、非线性失真、温度漂移、多径干扰等现实因素会使得性能急剧下降。因此，“仿真-原型-迭代”的快速闭环至关重要。必须尽早搭建软件无线电（SDR）或FPGA原型平台，在真实射频信号和复杂环境中验证和打磨算法。同时，建立一个包含丰富场景（办公室、走廊、广场、街道）的标准化测试数据集，对于客观评估和比较不同算法的性能，推动整个领域前进，具有不可估量的价值。这条路虽然漫长，但通信与定位的深度融合，无疑将为我们打开一扇通向真正智能无线世界的大门。
