人工智能驅動的手機直連低軌衛星通信

中圖分類號：TN927+.2；TN929.53；TP18

文獻標志碼：A 文章編碼：1672-7274（2025）07-0059-03

Artificial IntelligenceDriven MobilePhoneDirectly Connected to LowOrbit Satellite Communication

（BeijingUniversityofPostsand Telecommunications，Beijing1oo876，China）

Abstract：Inorder to meet the demand for full-timeand global communication，direct connectionof mobile phones to satelitecommunication is expected to become one of the important features of 6G，which has great driving force for the innovative development of the information industry. The article first introduces the main technicalindicatorsand technicalrouteofdirectconnectionofmobilephones tosatelites.Secondlyanalyzethekey technologies fordirectconnectionof mobile phones to lowEarthorbit satelites，including video synchronization technology，satelite beam planningandscheduling technology，random access technology，and link state prediction technology.Finally，explore thespecificappicationsolutions ofartificial intellgence inmobilephone directsatellite communication.Through the above elaboration and analysis，the purpose is to provide a theoretical reference for the evolution of China's satellite Internet technology system to intelligence.

Keywords：artificial intelligence; mobile phone directly connected to satelite; leo satelltecommunication

衛星通信具有廣域覆蓋、高容量、高可靠性等優勢，在通信網絡中占有重要地位，成為未來6G無線通信網絡的潛在業務增長點，目前典型項目有Starlink、OneWeb以及“虹云工程”等。自2022年以來，學術界、運營商等各方都積極在手機直連衛星賽道的技術和資源方面加大投入。目前，該技術已取得了一定的進展，但仍面臨一些挑戰，如手機終端上行傳輸速率低、隨機接入和多址接入的前導和用戶數據檢測難度大、信號非線性失真明顯等問題，為解決此類問題，許多專家學者提出應用智能化技術來提升信號處理能力、優化頻譜分配、增強數據傳輸效率等。

1 手機直連衛星主要技術指標和技術路線

1.1主要技術指標分析

（1）峰值速率。手機直連衛星系統的峰值速率受多種因素的影響，主要包括天線增益、通信鏈路的質量、發射功率、頻段選等，與傳統的VSAT終端或地面網絡相比，手機直連衛星系統的上下行速率較低，主要由于衛星通信系統中頻率帶寬有限，且衛星中繼站的處理能力通常低于地面基站。

（2）頻段帶寬。手機直連衛星系統的工作頻段通常位于低頻區，如L、S或C頻段。根據國際電信聯盟（ITU）的規劃，低頻段用于衛星移動通信的帶寬通常不超過20MHz，與傳統衛星通信的帶寬相比大大降低。

（3）頻譜效率。由于系統的功率受到限制，低信噪比使得高階調制方案難以使用，從而影響了數據傳輸的效率。同時，衛星與地面之間的較大距離也限制了信號傳輸質量，而傳統的MIMO技術在單顆衛星的容量擴展中也難以發揮作用，這些因素共同導致了手機直連衛星系統的頻譜效率較低[1]。

（4）多普勒頻偏。低軌衛星運動速度較快，具有明顯的動態特性，這導致在與地面站或移動終端之間的通信過程中出現較大的多普勒頻偏，就算是在較低的頻段（L、S波段），由于衛星的高速運動，頻偏也可能達到數十千赫茲，從而影響了頻率同步。

1.2 技術路線

（1）應用專用終端模塊的手機直連衛星。使用專用終端模塊的手機直連衛星主要以話音為基本業務，終端實現方式類似傳統衛星電話，通過專用通信協議和頻段進行通信，典型的衛星星座和運營公司有Iridium、Globalstar、Inmarsat等。該技術路線主要難點是手機需要進行定制化設計，并且使用的私有協議限制了生態鏈的快速擴展。

（2）應用3GPPNTN協議的手機直連衛星。使用3GPPNTN協議的手機直連衛星終端實現方式依賴3GPP等標準化組織制定的協議，終端的實現方式隨著相關標準的進展而發展。典型的衛星星座和運營公司為Omnispace，該技術路線的主要難點在于需要解決網絡協同組網、協議優化、設備兼容性等一系列技術難題。

（3）基于存量手機的手機直連衛星。現階段，由于R15版本的手機終端還不能夠支持3GPPNTN技術，因此無法直接修改終端的技術特性來適應衛星通信。為了克服這一限制，研究人員提出了通過對網絡側進行適應性改造的方案，使其能夠應對衛星通信中的常見問題，如大延時、深衰落等。典型的衛星星座和公司包括ASTSpaceMobile、Lynk等。該技術路線的主要難點在于對衛星軌道、天線設計和通信頻率等方面提出了更高的要求。

2 手機直連低軌衛星關鍵技術

2.1時頻同步技術

在低軌衛星通信中，由于衛星快速移動與地面站之間的相對運動，導致時頻的漂移和延遲，若未采用有效的頻偏補償機制，手機會產生數十千赫茲甚至兆赫茲級別的多普勒頻移，這對時頻同步帶來了巨大挑戰[2]。因此，需要采取有效的補償方案，常見的補償方法包括頻率補償和定時補償。

（1）頻率補償方案。

① 下行信號：基站基于波束的中心點進行頻率補償，而終端根據接收到的下行信號進行頻率跟蹤。

② 上行信號：終端不進行頻率補償，由基站進行上行信號的檢測與補償。

（2）定時補償方案。基站負責補償超過存量手機定時補償范圍的延遲，而手機終端則只需補償終端到參考點之間的時延（如圖1所示）。為了應對由超大傳輸時延引發的定時同步問題，物理層采用定時補償策略，分別對上行和下行信號進行處理。具體思路如下：

① 下行信號：基站根據某一參考點對傳輸時延進行補償，終端持續跟蹤下行信號，動態調整其接收時序，修正殘留的補償誤差。

② 上行信號：終端通過閉環時間對齊（TA）機制進行補償，基站負責補償上行信號中的公共部分（如傳輸鏈路中的固定時延）以及動態變化部分（如由多路徑效應、網絡負載等因素引起的時延波動）。

圖1定時補償示意圖

2.2衛星波束規劃和調度技術

低軌衛星一般生成兩類波束：控制波束和業務波束。控制波束則用于衛星與地面站之間的控制信號傳輸，業務波束則負責為終端用戶提供通信服務，包括數據傳輸和網絡接入等。在這兩類波束的協同工作下，用戶可以通過檢測SSB來實現與目標波束的下行同步，確保下行信號的穩定接收，并獲取到相應的接入資源信息。當用戶通過SSB同步到目標波束后，如果用戶未能成功接入上行信道，系統會通過上行隨機接入信道反饋波束切換失敗的信息，網絡接收到該反饋后，會根據當前網絡負載情況及用戶位置等因素，重新進行接入資源的分配[3]。

2.3隨機接入技術

當手機終端具備自主定位功能時，可通過對上行前導信號進行時頻偏的預補償，繼續使用地面移動通信系統的前導序列進行接入。但在導航信號不可用或被屏蔽的情況下，手機直接接入衛星時，如果沿用現有的前導序列，會導致定時估計失敗。因此，需在現有隨機接入方案的基礎上進行改進，增強其適應性。例如，對于現有的5G手機而言，按照R15協議開啟RAR窗口時，無法在正確的時間接收到PDCCH，導致RAR接收失敗。為解決此問題，可以考慮在網絡側為終端配置更長周期的隨機接入機會。在終端發送第一個前導碼信號后，網絡不僅反饋相應的RAR消息，還會反饋多個RAR消息，這些RAR消息經過傳輸時延后，會準確到達終端的有效RAR窗口，從而確保能被正確解調。

2.4鏈路狀態預測技術

由于星地鏈路傳輸存在較大延遲，會使得CQI反饋/控制信令下發明顯滯后于鏈路狀態變化，因此，研究人員提出可通過在接收端應用鏈路狀態預測技術，提出預知未來信道CQI，來盡可能彌補反饋滯后所產生的影響。現階段常用的技術方案有：

（1）基于時間序列的預測算法。基于時間序列的預測算法主要用于處理和分析具有時間依賴性的動態數據，該方法優點是計算復雜度低、實時性強，但不足之處在于高動態性的星地鏈路易使得時間序列數據穩定性差。

（2）基于機器學習的預測算法。通過分析大量的歷史數據，學習通信鏈路的變化規律，從而實現對未來鏈路狀態的精準預測，該方法預測準確性更高，但還處于研究階段，技術方面還需進一步深化研究。

3 人工智能在手機直連衛星通信中的應用

3.1基于人工智能的多域資源高效分配與調度

為了實現多域資源在不同衛星、波位和資源配置場景中的高效分配與調度，茲提出一種基于人工智能的智能調度方法，該方法的技術框架為：

（1）利用圖神經網絡（GNN）對多星多域系統的網絡拓撲特征進行建模與學習，GNN模型幫助系統理解網絡中的節點關系、鏈路容量和資源分布，為資源調度提供準確的全局視圖。

（2）基于圖神經網絡學習到的網絡拓撲特征，通過深度Q網絡（DQN）作為決策主體，針對每個調度周期，優化業務波束的波位跳躍規劃、波束頻譜資源分配以及波束功率控制的聯合問題。相較于傳統的調度方法，這種基于人工智能的調度方法具有更強的適應性、靈活性和優化能力，能夠有效應對不同場景下的資源分配挑戰。

3.2基于人工智能的衛星協同上行接入優化

由于不同衛星之間對不同用戶的接收波束成形向量通過用戶間干擾耦合，導致直接求解變得復雜，因此難以利用最優化方法生成大量的監督數據集。為解決這一問題，可采用基于無監督學習框架的解決方案。具體方案為：信道協方差矩陣和用戶上行發射功率作為長期信道特征被輸入到信道特征提取網絡和乘子網絡，乘子網絡輸出預測的拉格朗日乘子，以幫助波束成形網絡學習到最佳波束權值，信道特征提取網絡負責提取并輸出長期信道特征，這些特征與瞬時信道狀態信息一起，作為波束成形網絡的輸入。該神經網絡的訓練過程分為離線訓練階段和在線執行階段：

在離線訓練階段，神經網絡使用偶隨機梯度法來更新權值；在線執行階段，經過訓練的波束成形網絡被部署到各輔衛星。主衛星收集各衛星的長期信道統計信息，并為輔衛星提供波束成形控制向量，輔衛星基于本地瞬時信道狀態信息和主衛星提供的控制信息，進行波束成形優化。

3.3基于人工智能的隨機接入前導信號檢測

由于低軌衛星的高速運動，會產生顯著的多普勒頻移，導致功率延遲譜（PDP）出現偽峰，并降低實際峰值，影響定時位置的準確檢測。

有研究提出了一種結合聚類算法與神經網絡的CFO估計方法，該方法結合了聚類與神經網絡的優勢，如圖2所示。由于PDP在不同CFO影響下具有稀疏性和規律性，可以利用聚類算法對接收到的PDP數據進行分類，從而確定整數倍的CFO，而神經網絡則通過學習訓練數據集中的特征，進一步挖掘PDP數據與CFO之間的關系，估算出小數倍的CFO。

圖2基于人工智能的CFO估計方法

4 結束語

手機直連衛星已成為業界的熱門話題。本文探討了手機直連低軌衛星的關鍵技術指標、技術路線等，并結合人工智能技術，提出了一種創新的智能通信解決方案。通過人工智能的深度學習和優化算法，能夠有效解決低軌衛星通信中的信號傳輸、網絡優化以及資源管理等問題，提高通信效率和穩定性。人工智能驅動的手機直連低軌衛星通信將在推動全球通信技術創新與發展中發揮重要作用，值得深入研究與推廣應用。

參考文獻

[1]孫曉南，周世東，侯利明，等.存量5G手機直連低軌衛星通信技術研究[J].信息通信技術，2023，17（5）：22-31.

[2]孫耀華，彭木根.面向手機直連的低軌衛星通信：關鍵技術、發展現狀與未來展望[J].電信科學，2023，39（2）：25-36.

[3]孫耀華，江述澤涵，彭木根.人工智能驅動的手機直連低軌衛星通信[J]無線電通信技術，2024，50（6）：1075-1086.