新刊推荐 | npj Wireless Technology 二月论文解读

OneWeb Ku波段下行链路的信号参数估计与解调

Signal parameter estimation and demodulation of the OneWeb Ku-band downlink

图 1：OneWeb 信号捕获过程框图。Ku 波段天线配备有低噪声模块，该模块将信号馈送到捕获系统，从而可以进行 250 Msps 或更低的窄带捕获，或 500 Msps 的宽带捕获。

本文提出了一系列技术，用于估计OneWeb Ku波段下行链路信号（10.7–12.7 GHz）的关键参数。研究显示，该信号采用单载波QPSK调制，符号率为230.4 MHz，同时还能估计信号的滚降系数和中心频率。此外，本文首次公开了OneWeb信号的解调过程，揭示了其下行链路的基本帧结构，其中包含一个每毫秒重复一次、在所有波束、信道和卫星上通用的同步序列。通过识别该序列，可实现对信号到达时间的测量。这些发现有望为低地球轨道卫星通信在定位、导航和授时等领域的应用提供有益参考。

面向通信-感知-计算生态系统的自主数字群体

Toward autonomous digital populations for communication-sensing-computation ecosystem

图2：逐步构建数字生态系统：从物理网络到三层数字终端系统，该系统能够反映设备状态、融合边缘级信息并进行云级优化，从而形成近乎实时且可演进的数字生态系统。

未来的通信网络有望实现通信、感知和计算的深度融合，形成紧密耦合且自主运行的基础设施系统。然而，目前对集中式控制、静态设计和人为干预的依赖，仍制约着网络功能与应用的多维度演化，也限制了其在大规模、分层复杂环境中的适应性和韧性。为应对这些挑战，本文提出了一种受自然启发的架构框架，利用数字孪生技术将边缘基础设施中的互联设备组织成具有功能性的数字群体，并通过云端的多个群体集成，实现可演化数字生态系统的涌现。该框架结合工程方法与社会技术洞见，为构建具备动态协调、分布式决策、持续适应和演化能力的下一代通信网络提供了理论基础。

通过无线网络驱动的LLM演进实现普适智能

Ubiquitous intelligence via wireless network-driven LLMs evolution

图3：传统云中心方法与普适智能方法的比较。在传统方法中，所有数据和计算都通过集中式云基础设施进行路由，导致延迟、隐私风险和个性化程度有限。普适智能框架利用基站、接入点和边缘设备作为主动智能节点，实现本地推理、协同学习和设备到设备 (D2D) 知识共享。这种分布式结构支持低延迟部署，并增强了动态无线环境中的弹性和个性化程度。

本文引入普适智能这一范式，让大语言模型（LLM）在无线网络驱动的生态系统中持续演进。与传统的静态模型部署不同，这种方法通过网络与LLM之间的协同，实现可扩展且持续的智能提升。无线网络支持系统的终身学习，而LLM则助力打造更具适应性和响应性的下一代网络。这种协同演进体现了系统向自我改进型方向的转变，从而能够在多样化且资源受限的环境中不断增强能力。

面向 6G 的可移动和可重构天线：解锁电磁域设计和优化

Movable and reconfigurable antennas for 6G: unlocking electromagnetic-domain design and optimization

图4：可移动天线和可重构天线在 6G 时代下的典型应用场景。

6G移动通信网络日益增长的需求，对先进天线技术提出了迫切要求。可移动天线（MA）和可重构天线（RA）能够动态调整天线的位置、方向、辐射特性、极化和频率响应，从而为无线系统设计和性能优化引入了丰富的电磁域自由度。本文概述了这些天线的典型应用场景、硬件架构和设计方法。现场测试与仿真结果显示，与传统固定或不可重构天线相比，它们展现出显著的性能优势。