【综述】A Tutorial on Terahertz-Band Localization for 6G Communication Systems

A Tutorial on Terahertz-Band Localization for 6G Communication Systems

6G通信系统中太赫兹频段定位导论

cite：H. Chen, H. Sarieddeen, T. Ballal, H. Wymeersch, M. -S. Alouini and T. Y. Al-Naffouri, "A Tutorial on Terahertz-Band Localization for 6G Communication Systems," in IEEE Communications Surveys & Tutorials, vol. 24, no. 3, pp. 1780-1815, thirdquarter 2022, doi: 10.1109/COMST.2022.3178209.

摘要

太赫兹（THz）通信被认为是未来第六代（6G）无线通信系统及以后融合定位和传感的关键使能因素。6G中的定位不是通信系统的附加功能，而是位置感知通信中不可或缺的存在。为此，我们旨在确定太赫兹定位技术的前景、挑战和要求。我们首先回顾了本地化方法的历史和趋势，并讨论了它们的目标、限制和在当代通信系统中的应用。然后，我们详细介绍了太赫兹通信的最新进展，并介绍了特定于太赫兹的信道和系统模型。之后，我们将太赫兹波段定位公式化为3D位置/方向估计问题，详细描述了基于几何的定位技术，并描述了潜在的太赫兹定位和感测扩展。我们进一步阐述了THz定位系统的离线设计和在线优化，提供了数值模拟结果，并通过提供经验教训和未来的研究方向得出结论。初步结果表明，在相同的发射功率和阵列覆盖面积下，基于THz的定位优于基于毫米波的定位。换句话说，在THz频段可以用更少的发射功率或更小的占地面积实现相同水平的定位性能。

引言

定位是估计目标位置和方向的过程，这对于各种应用至关重要，包括位置感知通信【Location-aware communications for 5G networks: How location information can improve scalability latency and robustness of 5G】、自动驾驶、工业物联网（IoT）【Benefits of positioning-aided communication technology in high-frequency Industrial IoT】和触觉互联网【Toward haptic communications over the 5G tactile Internet】。多年来，已经提出了大量的定位技术。这些技术利用不同的信号或测量类型，包括超声波、可见光、射频（RF）、惯性测量和混合信号【A survey of enabling technologies for network localization tracking and navigation】。在这些模态中，RF信号被广泛使用，因为它们在当前的无线通信系统中无处不在，其中丰富的蜂窝和无线局域网（WLAN）基础设施为面向用户的服务和网络管理提供了附加值【Survey of cellular mobile radio localization methods: From 1G to 5G】。

A.位置信息：从附加信息到关键因素

自第一代无线移动技术以来，通信系统内的位置估计问题一直在研究中。然而，在美国联邦通信委员会增强型911（FCC-E911）规则被采纳后，更多的注意力被吸引到精确定位上。此外，随着全球定位系统（GPS）的引入和蜂窝通信系统的标准化，现在的室外定位精度在农村地区约10厘米和室外城市环境约1米。

在室内环境中，从蜂窝网络和GPS获得精确的位置信息是具有挑战性的。因此，研究了基于WiFi和蓝牙的定位方法来处理复杂的室内环境，其中多径信号分量和信号阻塞降低了定位精度。通过采用超宽带宽，多径信号变得可分辨，从而提高了性能【Ultra wideband indoor positioning technologies: Analysis and recent advances】。然而，短程覆盖的主要缺点仍然需要解决【An overview on integrated localization and communication towards 6G】。此外，移动到电磁波谱的400-790 THz范围，可见光定位（VLP）已经被用于可见光通信（VLC）系统中的定位。已经开发了相应的系统和算法分类【9】、【10】。然而，阻塞、有限的功率控制和对环境的敏感性等问题使得VLP系统部署具有挑战性。

上述定位方法被视为通信系统中数据传输的副产品。然而，在第五代（5G）无线通信系统中，定位从基于位置的服务升级为位置感知通信。通过位置信息可以减少延迟，增强5G通信系统的可扩展性和鲁棒性。这种趋势将继续发展到未来的第六代（6G）系统，其中需要集成定位和通信，以实现三维（3D）网络覆盖上的无处不在的连接性、高数据速率和低延迟。

B.太赫兹波段定位和通信相互促进的重要性

随着对更高数据速率的需求不断增长（2030年将达到每秒1Tb/s），太赫兹（THz）频段（0.1-10THz）作为涉及高速传输的应用的理想使能器正受到研究界的显著关注。IEEE 802.15.3d已经提出了亚THz频率的第一个标准，其中信号频率/带宽从73 GHz/2 GHz（5G新无线电）推高到300 sGHz/69 GHz【14】。然而，在高频（如THz频段）下工作的缺点是，传播损耗随载波频率呈二次增长。主要由水蒸气引起的分子吸收损失也会影响信号传播。克服这种损失的潜在解决方案是距离感知资源分配、通过超被动MIMO（UM-MIMO）结构的波束形成和可重构智能表面（RIS）。对于距离/角度感知资源分配和波束形成优化，位置信息至关重要。至于RIS，RIS系数的优化还需要位置信息，以允许无源器件1控制入射信号的幅度和相位【17】，从而以低复杂度、高能效的方式重塑信道【21】。因此，定位是高效THz通信的前提。

相反，所提到的方法（例如，UM-MIMO、RIS）也有助于定位精度。通过UM-MIMO波束形成的窄波束宽度提供了高角度分辨率，而宽带宽产生了精确的延迟估计。此外，RISs不仅增加了接收信号的强度，而且还作为被动锚提供了几何分集。未来通信系统中的丰富资源可用于本地化。从信息共享的角度来看，在支持设备到设备（D2D）通信的网络内，可以通过协作定位【Cooperative localization with constraint satisfaction problem in 5G vehicular networks】、【Cooperative localization in wireless networks】实现高精度定位。此外，保持不同相邻设备的相对位置有利于有效的跟踪和链路重建【24】。因此，通过定位和通信之间的相互促进，特别是在THz频带中，可以满足当前通信系统无法支持的要求高数据速率和高定位精度的各种应用。

C.这项工作的动机和结构

随着对6G无线通信研究的兴起【27】，【46】，一些关于6G系统的教程已经出版【Convergent communication sensing and localization in 6G systems: An overview of technologies opportunities and challenges】，【6G and beyond: The future of wireless communications systems】。6G文献涵盖的主题包括机器学习方法在通信中的作用【48】、宽带连接【49】以及集成定位和传感【An overview on integrated localization and communication towards 6G】。太赫兹系统是6G通信最重要的使能因素之一，考虑了关键技术【25】、【30】、信号处理技术【27】、信道模型【28】、纳米通信【29】、定义功能【31】和MAC协议【26】的调查可用。

在定位方面，有许多调查共享定位基础知识和性能指标。然而，他们的目标完全不同，他们的主要关注点可以根据环境（室内【32】、【35】、【39】、【41】、室外【2】、【33】、【44】或两者）、技术（SLAM【2】、多维缩放（MDS）【36】、机器学习（ML）【38】-【40】等进行分类。），以及信号类型（无线电信号【A survey of enabling technologies for network localization tracking and navigation】、【6】、可见光【9】、射频识别（RFID）【41】等。）。从应用的角度，对自动驾驶【2】、【33】、【44】、应急响应【32】、网络跟踪【5】、无设备定位【Ubiquitous localization (UbiLoc): A survey and taxonomy on device free localization for smart world】和行人定位【40】的定位系统进行了调查。最近的工作展望了B5G和6G系统中的潜在使能因素【42】，展示了基于地图的技术的定位潜力【43】，描述了6G系统的基本定位算法【An overview on integrated localization and communication towards 6G】，并探索了ISAC的基本限制。表一总结了最近与太赫兹系统相关和定位相关的调查。然而，仍然缺乏关于基于OFDM的MIMO系统中高频信号定位的全面教程，这预计将是主要场景之一。

解决问题：

• 当前通信系统（包括5G）在定位方面有哪些局限性？6G的定位关键绩效指标（KPI）是什么，以及相应的挑战是什么？
• 太赫兹信号和系统的关键属性是什么？如何将它们用于定位？
• 如何在不同的系统假设下公式化RIS辅助定位和传感问题？
• 在特定性能约束（如能耗）下，定位系统的离线设计和在线优化如何实现预期目标（如定位精度≤1cm）？
• 太赫兹定位的关键应用有哪些？未来的主要方向是什么？

通信系统中的定位

在本节中，简要回顾定位系统并描述定位技术，重点是基于几何的方法。我们讨论了定位性能指标和当前基于电磁波的定位系统。此外，比较了太赫兹定位和毫米波定位，并讨论了它们在不同方面的优点和挑战。

A.定位的定义和系统分类

定位问题可以定义为借助一个或多个锚定基站（BS）（具有已知的位置和方位信息）来估计用户设备（UE）的位置和方位（具有天线阵列）。更具体地，UE可以向BS发送（上行链路）或从BS接收（下行链路）已知导频信号。接收到的信号被传播信道失真，传播信道由BS/UE状态（位置和方向）和环境（信号可以被墙、RIS或物体反射）决定。基于导频信号的知识和适当的信号模型，可以估计信道，提取信号传播的每条路径的信道参数（到达角(AOA)、离开角(AOD)和延迟）。最后，可以利用其与已知参考锚（例如，BS和RIS）的相对几何关系来估计UE位置和方向。在这项工作中，我们关注上行链路场景，其中扩展到其他场景是简单的。

已经在各种应用环境中开发了各种定位系统，例如蜂窝网络【5】、【6】、室内场景【35】、5G大规模MIMO系统【37】和可见光系统【9】、【50】。这些系统可以根据应用场景、无线技术、定位技术、处理信号类型、功能、系统结构、位置信息、信息共享等进行分类。表二列出了系统分类摘要。接下来，我们比较了基于几何和基于学习的定位技术，并详细介绍了基于几何的位置/方向估计。

B.定位技术

1. 基于几何和基于学习的定位：

   基于几何的定位在当前的通信系统中得到了广泛的应用。诸如到达时间（TOA）、到达时间差（TDOA）和AOA的技术基于测量UE相对于具有已知位置的多个BSs的距离或角度【43】、【51】-【53】。通过采用三边测量或三角测量算法，可以根据这些测量来计算UE的位置。此外，当在UE处实现天线阵列时，也可以获得AOD估计。AOD信息可用于辅助基于角度偏离差（ADOD）的定位和估计方位以及估计位置。其他几何信息，如到达相位（POA）【54】和到达相位差（PDOA）【55】，可以被视为具有模糊性的TOA/TDOA，我们在此不再讨论。估计位置通常包括制定包含几何信息的目标函数和解决具有几何约束的优化问题。基于几何的定位技术无需训练，易于理论分析，并且可扩展到不同的环境。

   对于具有许多不可解析NLOS路径的更复杂的场景，几何信息不能显式建模【43】，基于学习的方法是首选。机器学习是对通过经验自动改进的计算机算法的研究【56】。与为基于几何的定位设计的实际算法相反，基于ML的方法需要离线训练。这样的离线过程可以充分减少在线计算。然而，需要从宽带多输入多输出（MIMO）系统收集大量数据用于训练目的，并且必须更新训练的模型以适应环境变化。典型的ML算法和技术，如随机森林【57】、强化学习【58】和深度神经网络【59】是保持良好KPI网络服务水平的潜在解决方案【48】。

   考虑到THz信道的稀疏性，我们专注于基于几何的位置/方向估计。此外，直接扩展跟踪和SLAM也是可能的。

2. 位置估计

   位置估计问题可以分为2D和3D。为了更好地可视化，我们在图2中示出了在不同上行链路场景中根据几何信息对2D位置的估计；用于定位的四种基本几何信息包括：

   • TOA：可以根据接收信号强度（RSS）的已知信道信息来估计信号传播距离，这可以用于基于TOA的方法。然而，来自RSS的估计通常是不准确的。或者，通过对信号的发射和接收时间进行冲压的往返时间（RTT）估计给出TOA信息。如果系统同步良好，则可以从具有带宽相关分辨率的信号中直接推断出TOA。
   • TDOA：如果只有BS同步，估计的TOA不再准确，其中包含时钟偏移。在这种情况下，可以利用参考BS来获得信号在其它BS处的TDOA。
   • AOA：如果基站有天线阵列，可以获得额外的角度信息。AOA（1D方位角或2D方位角和仰角，取决于维度定位场景）可用于通过获取直线的交点来定位目标。
   • AOD：当UE配备有天线阵列时，可以估计到特定BS的信号AOD。然而，由于UE的未知方向，ADOD信息更有用。UE处的AOD在方位估计中也很重要。

   四个几何测量中的每一个提供潜在UE位置的候选区域，如图2（a）-（d）所示。总结了每次测量所需的BSs数量、每次测量产生的几何约束以及位置/方位估计所需的测量数量。

3. 方位估计

   在一些应用场景中，UE的方位也是非常令人感兴趣的，并且如果天线阵列在UE处可用，则可以获得该方位。利用估计的位置，可以使用UE处的AOD来估计方位。我们将方向估计分为1D、2D和3D，分别表示欧拉角向量的 α 、 [α,β] 和 [α,β,γ] 的估计。

   • 1D方位：1D方位的估计通常发生在使用均匀线性阵列（ULAs）的2D定位场景中【60】。例如，在2D区域导航的机器人需要知道它的方向，这可以直接从估计的AOD及其位置信息中获得。
   • 2D定向：当UE的3D位置和至少一个AOD角度对（方位角和仰角）可用时，可以获得2D定向【61】。
   • 3D定向：如果3D位置和至少两个AOD对可用，则可以通过求解流形优化问题【62】、【63】来估计3D定向。【63】中提出了最小二乘估计（LSE）和最大似然估计（MLE）；Manopt【64】等工具箱可用于解决这类优化问题。

C.定位性能指标

在设计定位系统时，提高定位和定向精度是首要目标。覆盖和稳定性等其他目标对于确保系统的整体性能也很重要。以下是若干与定位有关的目标：

1. 精度：精度反映了系统能够达到的定位性能（位置和方位估计精度）。这通常根据误差小于阈值的测量值的RMSE或累积分布函数（CDF）进行量化。在给定信号和噪声模型的情况下，精度可以通过Cramér-Rao界限(CRB)下限。虽然CRB不限制实际性能，除非估计器是有效的，但我们使用它作为设计和优化定位系统的指标。
2. 覆盖范围：高频信号急剧衰减，所以相应的定位覆盖范围可以定义为UE的定位满足特定性能度量的通信链路的范围。对于2D和3D场景，覆盖范围也可以根据区域（而不是范围）来定义。
3. 延迟：延迟被定义为UE请求位置和获得结果之间的持续时间。这由用于定位的PRS的持续时间和所采用的定位算法的处理时间决定。
4. 更新率：更新率是更新本地化度量所需的时间（通常在跟踪场景中）。这是由延迟决定的（每个延迟最多一次），并且可以根据应用程序场景进行选择。
5. 稳定性：定位精度在一定时期内的变化，尤其是在移动场景中，可以定义为系统稳定性。
6. 可扩展性：可扩展性是系统适应大量UE的能力（UE密度函数的性能）
7. 移动性：移动性是指定位系统中UE支持的速度，其中应考虑多普勒效应。
8. 系统复杂性：系统复杂性包括硬件和算法方面。根据应用程序场景，应该考虑这两种复杂性中的任何一种，或者两者都考虑。硬件复杂性涉及基础设施部署和硬件实现，这也决定了优化、通信和定位算法的复杂性。然而，在这项工作中，我们侧重于算法层面的计算复杂性。

D.目前使用电磁信号的定位系统

基于电磁信号的定位系统，强调在THz频段可以实现的目标。根据信号频带，我们将这些系统分为四组：传统射频（CRF）系统（低于30 GHz）、毫米波系统（30-100GHz）、基于LED的可见光定位（VLP）系统（400-790THz）和THz系统（0.1-10THz）。在本节中，我们将简要描述使用CRF、毫米波和VLP系统的定位，THz定位将在II-E节中讨论。

1. 常规射频系统（CRF，30GHz以下）

   在载波频率低于30 GHz的CRF通信系统中可以获得位置信息。全球导航卫星系统（GNSS）最广泛地用于室外定位，在室外定位中，借助来自长期演进（LTE）通信系统的信号，可以实现米级精度。然而，由于相应的复杂环境和视线（LOS）通道堵塞，这种方法不适用于室内场景。或者，报告了基于超宽带（UWB）【7】、WiFi【66】、WLAN【67】和LoRA【68】的定位系统；不同室内定位技术之间的比较可以在【A survey of indoor localization systems and technologies】中找到。使用CRF系统，我们受益于基于位置的服务，如导航和查找周围的服务。

2. 毫米波系统（30-100GHz）

   为了满足数据速率需求和克服带宽稀缺，毫米波信号结合混合MIMO结构和相应的信号处理方法，在5G系统中发挥着基础作用。扩展的带宽实现了更高速率的通信，具有更低的延迟和更好的定位性能。在UE处配备天线阵列，方位估计成为可能【60】、【63】、【69】。此外，通过利用NLOS路径【61】和RISs【70】、【71】，可以使用单个BS来完成定位任务。这些优势使得毫米波系统在通信网络【1】和车辆网络【72】中极具吸引力。

3. 可见光定位系统（400-700THz）

   由于高频频谱内的带宽非常大，VLC系统提供了高数据传输速率。为了实现VLC，激光二极管（LD）和led已经成为两种广泛使用的光源【73】。LDs为长距离传输提供大带宽和集中能量。然而，需要精确的校准来建立基于LD的通信链路。尽管光探测和测距（LIDAR）系统利用LD阵列来实现高测距和定位精度；它们通常作为独立的传感器工作，而不是作为通信系统的一部分；我们在这项工作中不考虑激光雷达。当前照明系统中使用的led提供了广泛的覆盖范围；然而，一些问题使得它们的实现具有挑战性，例如阻塞、有限的功率控制、空间复用的灵活性以及对环境的敏感性。关于通过可见光系统定位的调查可在【9】、【50】中找到。

E.太赫兹定位

1. 5G毫米波 VS. 6G太赫兹定位

   太赫兹系统很可能被用作异构环境中毫米波系统的扩展【74】。因此，我们从定位的角度讨论了太赫兹和毫米波系统的优点和挑战，从而比较了它们。从CRF到5G，再到6G系统，我们期待更高的频率、更大的带宽、更小的占地面积和更大的阵列尺寸。高频增加路径损耗并减少多径分量，而大带宽提供高延迟估计分辨率。利用较小的波长，小型化的天线阵列尺寸或具有相同物理阵列尺寸的大阵列尺寸成为可能。

   信号特性的这种变化会影响几个系统特征。例如，硬件缺陷和同步问题在THz频率下变得具有挑战性。此外，由于高峰均功率比（PAPR）问题，正交频分复用（OFDM）波形可能不再适用于宽带系统，DFT-s-OFDM是一种有前途的替代方案【75】，【76】。当设计定位算法时，基于几何MIMO的信道模型应该考虑由此产生的THz BSE和近场条件。此外，由于高路径损耗，THz信号需要精心设计，以满足不同性能要求的用户的节能需求。5G毫米波和6G太赫兹之间的比较在表四中突出显示。简而言之，我们期望在6G THz系统中有更好的定位性能。然而，应该解决硬件设计、覆盖范围、开销和计算复杂性方面的新挑战。

2. RIS在定位中的作用

   与RIS提供高信噪比以获得高数据速率的通信场景不同，RIS的作用是在两个方面实现或增强定位：作为被动锚节点提供几何分集，以及提供近场场景以利用到达曲率（COA）信息。定位需要几何多样性以获得令人满意的估计性能，这可以通过多个BS来实现，通常在它们的凸壳中为UE提供覆盖。最近出现的技术也利用多径分量（MPC）【High-accuracy localization for assisted living: 5G systems will turn multipath channels from foe to friend】，【5G SLAM using the clustering and assignment approach with diffuse multipath】进行高频信号定位。通常被认为是破坏性信号的MPC可以在5G/6G系统中解析，从而实现定位和映射【79】以及SLAM【78】，甚至只需一个BS。考虑到MPC是不可控的以及多个BS部署的挑战（例如，高硬件成本、同步和校准误差），RIS可能是一个潜在的替代方案。RIS作为一种被动的、可定制的低能耗基站工作，提供额外的位置参考和可分辨的多径测量【71】，这可以增强或实现定位【SISO RIS-enabled joint 3D downlink localization and synchronization】，【Reconfigurable intelligent and sustainable wireless environments for 6G smart connectivity】。此外，不需要RIS之间的精细同步，这简化了在环境的大平面上的部署，因此可以创建近场场景。

3. 应用及关键绩效指标

   正如欧洲6G项目Hexa-X所报告的那样，为6G设想的代表性用例分为五组：可持续发展、大规模结对、远程呈现、机器人到cobots和本地信任区【65】。从THz定位的角度来看，它不仅通过位置信息辅助波束成形来提高通信性能，而且通过窄波束宽度、距离相关衰减【15】、多径利用【84】和新的对抗技术【85】来增强物理层安全性。当缩小到位置感知服务时，需要高精度定位信息的潜在应用，如远程手术、XR和全息术、联网车辆、数字孪生等。

4. THz定位的研究现状

   研究人员已经开始通过解决系统结构、定位算法和模拟平台来研究太赫兹定位。在【86】中，通过测量和开发不同的人体运动模型，为动态室内THz信道开发了一种基于前向-后向算法的AOA估计方法。此外，通过使用扩展卡尔曼滤波，为室内太赫兹通信中的时变信道建模开发了一种跟踪方法【87】。还提出了合作辅助定位方法，以提供高估计精度并缓解2D场景中的稳定性问题【88】。在【89】中，提出了延迟相位预编码结构，并采用波束缩放机制进行THz波束跟踪，证明了通过一个射频链（RFC）跟踪多个用户的能力，并大大减少了波束训练开销。在【90】中，考虑了具有大型天线阵列的近场模型，以利用COA作为推断源位置的额外自由度。除了基于几何的方法，在【91】中提出了使用递归神经网络（RNN）进行3D THz室内定位的基于深度学习的方法。在NLOS环境中达到了0.27米（平均距离误差）的定位精度，证明了比SOTA技术提高了60%。

   上述定位工作侧重于不同的THz定位挑战，如未对准、跟踪、合作、BSE、近场效应和要处理的大量数据。然而，太赫兹本地化相关的研究仍处于起步阶段，尽管做出了所有这些努力，关键问题仍需要确定和解决。太赫兹波段信号如何提高定位性能的问题仍然没有答案。在接下来的章节中，我们将描述THz系统模型，阐述定位和系统优化问题，并通过仿真评估THz定位的潜力。