非相干MIMO通信：三大技术路线深度解析与工程实践

1. 项目概述

在无线通信领域，我们这些一线工程师和研究者每天都在和信道这个“黑盒子”打交道。传统通信系统的基石是信道状态信息（CSI），无论是通过导频估计还是反馈获取，其核心逻辑都是“先摸清路况，再开车”。然而，随着我们迈向5G-Advanced和6G，这个经典范式正面临前所未有的挑战。想象一下，在时速300公里的高铁上，信道瞬息万变，导频还没发完，信道已经“面目全非”；在部署了上千根天线的巨型MIMO基站下，为每个天线对进行信道估计带来的开销足以吞噬掉大部分频谱资源；在数以亿计的物联网设备中，许多节点能量捉襟见肘，发送导频信号本身就可能成为“不可承受之重”。

正是在这样的背景下，非相干通信重新回到了我们的视野中心。它的核心理念非常“叛逆”：既然精确的CSI获取成本高昂甚至不可能，那我们能不能干脆不要它？答案是肯定的。非相干通信通过精心设计信号，使其携带信息的“特征”在经历未知信道衰落时保持不变或变化规律已知，从而让接收机在无需知道具体信道系数的情况下，依然能可靠地解码。这就像我们不关心从A点到B点的具体路况有多颠簸，只关心包裹（信号）上的条形码（信息特征）是否清晰可辨。

这篇综述文章，正是对非相干MIMO通信这一领域的一次系统性梳理。它没有停留在“非相干通信能省导频”这样浅显的结论上，而是深入肌理，将主流技术路线拆解为三大流派：基于子空间检测的Grassmannian信令、基于差分检测的方案以及基于能量检测的方法。每一种方法都对应着不同的信道假设和应用场景，其背后的数学原理、设计准则和工程实现考量也大相径庭。对于像我这样在MIMO系统设计一线摸爬滚打多年的人来说，这篇文章的价值在于它提供了一个清晰的“技术地图”，不仅告诉你每条路怎么走，还分析了每条路的适用地形、潜在坑洼和性能极限。接下来，我将结合自己的理解和实践经验，对这篇文章的核心内容进行一次深度解读和扩展，希望能为同行们提供一个更立体、更接地气的参考。

2. 非相干通信的核心思想与三大技术路线解析

2.1 为何要“抛弃”CSI？——非相干通信的立身之本

在深入技术细节之前，我们必须先回答一个根本问题：为什么要在MIMO这种本就依赖CSI来解锁空间复用和波束成形增益的技术中，放弃对CSI的追求？这并非倒退，而是在特定约束下的最优进化。文章开篇就点明了几个关键场景：

1. 高移动性与快变信道：车联网、高速铁路通信中，信道相干时间极短。如果按照传统方法，为了跟踪信道，导频的发送频率必须非常高，导致用于传输有效数据的资源比例大幅下降，系统吞吐量不升反降。我曾参与过一个车路协同项目，在高速场景下，相干时间可能只有几个毫秒，传统的基于导频的信道估计方案几乎失效，非相干或部分相干方案成为了唯一可行的选择。
2. 大规模/分布式天线阵列：在大规模MIMO中，信道估计的开销与天线数量成正比。下行信道估计尤其棘手，因为需要用户向基站反馈CSI。即使利用信道互易性，基站侧成百上千根天线之间的相位同步校准本身就是一个巨大的开销。非相干方案可以避免这个“维度灾难”。
3. 海量连接：在大规模机器类通信（mMTC）中，海量设备随机接入，为每个设备分配正交导频序列是不现实的。导频污染问题会严重恶化信道估计质量，进而影响所有用户的性能。非相干通信天然适合这种“免授权”或“轻授权”的接入模式。
4. 能量受限设备：对于依靠能量收集或电池供电的物联网设备，每一次发射都极其珍贵。将宝贵的能量用于发送不承载信息的导频符号，从能效角度看是极大的浪费。非相干通信可以设计成完全不需要导频，实现了极致的能效。

更重要的是，文章引用了一个关键结论：当把导频开销考虑在内时，非相干检测在遍历容量、有限码长可达速率和错误指数上可以超越相干检测。这意味着，在快变或开销敏感的场景下，放弃对“完美CSI”的幻想，拥抱非相干，反而能在系统层面获得更优的性能。这是一个非常重要的观念转变。

2.2 三大技术路线：原理与适用场景对比

非相干通信的核心，是寻找并利用信号中那些对信道衰落“免疫”或“鲁棒”的特征。文章清晰地归纳了三条主流技术路径，它们分别对应着不同的不变性原理和信道模型假设。

2.2.1 Grassmannian 信令：子空间是永恒的“指纹”

这是我最欣赏的一种具有数学美感的方案。它的核心思想可以这样通俗理解：假设发射机发送一个由T个时隙、M根天线发出的信号矩阵X（尺寸 T×M）。经过一个未知的MIMO信道矩阵H后，接收信号变为Y = XH + N（忽略系数）。这里的关键在于，信道矩阵H作为一个线性变换，作用在X上，并不会改变X的列张成的子空间（即列空间）。就像一束光（X）穿过一个未知的棱镜（H），光的颜色（子空间）可能看起来变了，但其光谱的本质结构（列空间）是不变的。

因此，我们可以将信息比特映射到不同的子空间上。这些子空间是复空间 C^T 中所有M维子空间的集合，数学上称为Grassmann流形 G(M, C^T)。接收机的工作，就是从被噪声污染的观测Y中，识别出它来自于哪个子空间。在高信噪比下，这被证明是接近容量的最优策略。

适用场景：

• 块衰落信道：信道在一个相干块（T个符号时间内）保持不变，块间独立变化。这是Grassmannian信令的理想模型。
• 中小规模MIMO：通常适用于收发天线数在16根以下的系统。因为其检测复杂度与天线数和子空间维度紧密相关。
• 中高信噪比：其性能优势在信噪比大于10dB后开始凸显。

实操心得：

• “维度”是关键：参数T（相干时间）和M（发射天线数）的选择至关重要。理论要求 T ≥ 2M 才能保证每个子空间可区分。在实际设计中，T通常需要比2M大不少，以容纳足够多的子空间（对应高数据速率），但这又会受限于信道的相干时间。
• “球形包装”问题：设计Grassmannian星座图，本质上是在一个高维球面（流形）上尽可能均匀地放置尽可能多的点（子空间），使得任意两点间的“弦距离”最大化。这是一个经典的但计算复杂的问题。

2.2.2 能量检测：大道至简，依赖“硬化”的信道

这条路线最为直观。它的前提是信道硬化效应：当接收天线数量N非常大时（即大规模SIMO或MIMO上行），尽管每个天线上的瞬时信道是随机的，但所有天线接收信号的能量平均值会收敛到一个确定值（即发射信号能量乘以路径损耗）。因此，信息可以简单地调制在发射信号的幅度（能量）上。接收机只需计算所有接收天线上的信号能量之和，然后与一个一维的幅度星座图进行比对即可解码。

适用场景：

• 大规模SIMO上行链路：成百上千根接收天线是产生信道硬化效应的前提。
• 低复杂度、低功耗物联网：接收机只需要做平方和运算，复杂度极低，非常适合能量和计算能力都受限的��端。
• 信道统计特性已知且稳定：发射机需要知道信道的二阶统计信息（平均增益）来设计最优的幅度星座图。如果信道统计特性变化，性能会严重下降。

实操心得：

• 对功率控制极其敏感：由于检测完全依赖于接收信号的能量，任何用户间的发射功率不平衡都会直接导致多用户检测失败。在实际系统中，严格的功率控制机制是必须的。
• 惧怕空间相关性：信道硬化效应要求各接收天线间的信道是独立同分布的。如果天线间距不够或存在强相关，硬化效应减弱，能量检测的性能会急剧恶化。
• 频谱效率瓶颈：信息只能承载在一维（能量）上，限制了高阶调制和高速率传输。这是其最根本的局限性。

2.2.3 差分检测：利用时间的“相对性”

这是从单天线DPSK（差分相移键控）自然扩展到多天线领域的方法。其核心假设是：信道在连续的两个符号（或符号块）时间内变化非常缓慢。信息被编码在相邻符号之间的相对变化（如相位差或酉矩阵的乘法关系）中，而不是符号的绝对值上。

对于单天线系统，就是经典的DPSK：当前符号 = 前一个符号 × （承载信息的相位旋转）。接收机将当前接收符号与前一符号的共轭相乘，就能抵消掉共同的信道相位，解出信息。 对于MIMO系统，则演变为差分酉空时调制（DUSTM）：当前发送的空时矩阵 = 前一个空时矩阵 × （承载信息的酉矩阵）。接收机通过比较相邻两个接收块，可以检测出信息酉矩阵。

适用场景：

• 连续缓变信道：信道相干时间远大于两个符号周期。适合室内、低速移动或固定无线接入场景。
• 对相位噪声不敏感：因为差分操作可以抵消掉共同的相位旋转，所以对振荡器相位噪声有一定的鲁棒性。这一点在毫米波等高频段系统中是个优势。
• 可与OFDM天然结合：差分可以在频域相邻子载波间进行，非常适合OFDM系统，且能对抗频域的公共相位误差。

实操心得：

• 3 dB的“天赋税”：由于差分检测本质上是用前一个符号作为当前符号的“参考”，而参考符号本身也带有噪声，这导致了相对于理想相干检测有大约3 dB的性能损失。这是差分技术无法避免的代价。
• 误差传播：如果一个符号判决错误，这个错误会影响到后续符号的差分解码，造成错误传播。需要通过信道编码或交织来对抗。
• 多用户扩展困难：和能量检测类似，多用户差分检测也需要设计复杂的“联合星座图”，对用户间的功率和相位关系非常敏感，可扩展性差。

提示：选择哪种非相干技术，首要判断依据是信道模型。块衰落、短突发用 Grassmannian；大规模天线、低复杂度用能量检测；连续缓变、对抗相位噪声用差分检测。没有一种技术是万能的，必须对症下药。

3. Grassmannian 信令：从理论到实践的深度拆解

3.1 理论基础：为什么是酉空时调制（USTM）？

文章指出，对于点对点MIMO块衰落信道，在高信噪比下，各向同性分布的截断酉矩阵（即X满足 X^H X = I_M）构成的输入信号，是接近容量最优的分布。这被称为酉空时调制（USTM）。

为什么是“酉”矩阵？这背后有深刻的几何和信息论解释。信道矩阵H对发送矩阵X的右乘，可以看作是对X列空间的一组基进行了一次旋转和缩放。如果X本身是列正交的（酉矩阵的列是正交的），那么这种旋转缩放不会改变列向量之间的正交关系，从而最大限度地保留了子空间的结构信息。噪声会扰动这个子空间，但在高信噪比下，接收机仍然可以高概率地识别出原始的子空间。

设计准则：如何评价一个Grassmannian星座的好坏？既然我们要在Grassmann流形上“撒点”（构造星座），就需要一个衡量点与点之间“距离”的度量，并最大化最小距离。文章提到了几种基于成对错误概率（PEP）推导出的设计准则：

1. 最大化最小弦距离：这是最直观和常用的准则。弦距离定义为 d_c(X_i, X_j) = sqrt[M - tr(X_i^H X_j X_j^H X_i)]。最大化这个最小距离，意味着让所有星座点代表的子空间在几何上尽可能“远离”，从而降低被噪声混淆的概率。
2. 最小化渐近PEP：在高信噪比下，PEP近似与 det(I - X_i^H X_j X_j^H X_i)^{-N} 成比例。因此，可以最小化所有符号对之间的这个量之和（union bound准则）或最大化其最小值。
3. 最大化KL散度：从假设检验的角度，将两个假设（发送X_i或X_j）下的接收信号分布之间的KL散度最大化，这直接关联到错误概率的指数衰减率。

在实际的星座设计中，最大化最小弦距离因其良好的几何解释和相对易处理性，成为了最主流的方法。

3.2 单用户星座设计：结构化与非结构化的权衡

这是工程实现中的核心矛盾：性能最优 vs. 复杂度可控。

非结构化星座：通过数值优化（如交替投影法）直接在Grassmann流形上寻找最优的“球填充”。这种方法能得到理论上性能最好的星座点集。

• 优点：性能逼近理论极限。
• 致命缺点：
  • 存储开销大：发射机和接收机需要预先存储整个星座图（所有酉矩阵），对于高阶调制（星座点数量L=2^{RT}很大），存储成本高昂。
  • 检测复杂度高：最优的最大似然（ML）检测器需要计算接收信号到每一个星座点的“距离”，复杂度是 O(L * N * T^2)，随速率R指数增长。这使得它仅适用于低速率传输（如R < 1.5比特/天线/信道使用）。

结构化星座：通过引入代数结构（如基于傅里叶变换、有限群表示、或从低维空间到高维Grassmann流形的保测度映射）来系统性地生成星座点。

• 优点：
  • 无需存储：星座点可以按需实时生成。
  • 低复杂度检测：可以利用结构设计贪婪检测、球形解码或基于查找表的次优检测器，复杂度可降至 O(N * T * min{N, T})。
• 缺点：由于结构约束，其最小弦距离通常小于同等大小的非结构化最优星座，因此会有一定的性能损失（通常在1-2 dB左右）。

文章重点介绍了几种有前景的结构化方案：

• Cube-Split (立方体分割)：针对SIMO信道（M=1），将复球面（Grassmann流形在M=1时的特例）分割成弯曲的超立方体，并将欧氏空间中的均匀网格点映射上去。它实现了近似均匀的符号分布，并支持简单的贪婪检测。
• Grass-Lattice (格映射)：Cube-Split的推广，为任意 T ≥ 2 提供了从单位超立方体到Grassmann流形的保测度映射。这意味着在超立方体中均匀采样，映射后在流形上也是均匀的，极大简化了星座设计和比特映射。
• Exp-Map (指数映射)：利用李群理论，将相干空时码通过指数映射“投影”到酉矩阵群上，从而构造非相干星座。

实测性能对比：文中图3展示了在 T=2, M=1, N=2，频谱效率为2和3比特/秒/赫兹时，几种方案的误符号率（SER）。可以看到：

1. 非结构化的UB-Opt（采���ML检测）性能最好。
2. 结构化的Grass-Lattice和Cube-Split性能略有损失，但非常接近。
3. 所有Grassmannian方案在中等以上信噪比时，性能均优于或持平于传统的相干导频方案（第一个符号发导频，第二个符号发QAM数据）。这直观地证���了，在快衰落场景下，把用于发导频的资源用来发数据（非相干），整体效率更高。

3.3 多用户扩展：从单点到多维空间的挑战

将Grassmannian信令扩展到多用户场景（多址接入MAC或广播信道BC）是当前的研究前沿，也是难点。

核心挑战：在单用户场景下，最优输入是各向同性的截断酉矩阵。但在多用户场景下，最优的联合输入分布至今未知。每个用户独立使用自己的Grassmannian星座不再是最优的，因为用户间的信号会在接收端相互干扰。

现有设计思路：

1. 联合星座设计：将K个用户的发送矩阵拼接成一个大的矩阵X = [X_1, ..., X_K]，然后直接在更高维的流形（Grassmann流形、斜流形或迹流形）上优化这个联合星座，以最小化联合错误概率。这种方法性能潜力大，但优化和检测复杂度随用户数急剧上升。
2. 基于预编码的设计：为每个用户设计一个预编码矩阵，使得经过预编码后，多用户检测问题可以解耦成K个独立的单用户检测问题。这简化了接收机设计，但可能损失一部分性能。
3. 速率分割与乘积叠加：这是从相干通信借鉴来的思想。例如，在广播信道中，发射信号可以设计为X = X_1V_1 + X_2V_2 + X_0V_0，其中X_0是发给所有用户的公共信息，X_1和X_2是私有信息，V是预编码矩阵。通过利用发射相关性分集，可以设计预编码使得用户1只能“看到”X_1和X_0。另一种思路是Grassmannian叠加，将信息承载在嵌套的子空间（称为旗流形）中，实现分层广播。

实操中的困境：目前大多数多用户Grassmannian方案的研究还停留在理论或小规模（如2用户）仿真验证阶段。如何设计出可扩展（支持数十上百用户）、检测复杂度可接受的多用户方案，是走向实际应用必须跨越的鸿沟。

4. 能量检测与差分检测：原理、设计与局限

4.1 能量检测：极简主义的得与失

能量检测的原理极其简单，但其成功完全依赖于大规模天线带来的信道硬化。当接收天线数N很大时，根据大数定律，接收信号的平均能量 1/N * ||y||^2 会收敛到 |x|^2 * (1/N * ||h||^2) + 噪声功率。而 1/N * ||h||^2 会趋近于信道增益的期望值（对于瑞利衰落，是1）。因此，只要路径损耗已知或可被补偿，接收机就能通过测量能量来判决发送的是哪个幅度电平。

星座设计：这是一个一维问题，即在一条射线上选择一组能量电平 {s1, s2, ..., sL}。设计目标是最大化相邻电平间的距离，同时考虑信道统计特性的不确定性（如空间相关性）。文章指出，这本身是一个NP难问题，需要迭代优化算法。

多用户困境：能量检测最棘手的问题在于多用户复用。由于所有用户的信号在接收端叠加成一个总能量，系统必须在一维的能量轴上，为所有可能的用户符号组合分配不同的判决区域。如图4所示，两个用户各有两个幅度电平（0和A），那么联合星座就有4种可能的叠加结果（0, A, A, 2A）。接收机需要设置多个门限来区分这四种状态。随着用户数K和每个用户的调制阶数L增加，联合星座的状态数呈指数增长（L^K），门限设计变得异常复杂，且对用户间的功率差异极度敏感。这严重限制了其支持多用户的能力。

适用场景再思考：因此，能量检测的真正用武之地是上行链路海量物联网接入。每个设备以极低的速率、在特定的时频资源上随机发送一个能量符号。基站利用其海量天线进行能量检测，实现低复杂度、免调度的随机接入。它不适合需要高数据速率或密集多用户复用的场景。

4.2 差分检测：在时间维度上做文章

差分检测巧妙地利用了信道在短时间内的连续性。其核心操作——用当前接收信号乘以前一时刻接收信号的共轭——可以抵消掉共同的信道相位。

从DPSK到DUSTM：

• SIMO场景：直接使用M阶DPSK即可。接收机对每个天线进行差分运算，然后对所有天线的结果进行平均，利用信道硬化来抑制噪声。这是对传统DPSK在大规模天线下的直接增强。
• MIMO场景：需要差分酉空时调制（DUSTM）。信息被映射为一个酉矩阵S，发送序列满足X[τ] = S[τ] X[τ-1]。接收机通过比较相邻的两个接收块Y[τ-1]和Y[τ]来检测S[τ]。DUSTM能获取全空间分集，但其星座设计（酉矩阵群）和检测复杂度随天线数M增长较快。

性能与复杂度：图6的仿真结果很有说服力。在相同频谱效率下，经过蒙特卡洛优化的多用户差分星座（MCO）性能甚至优于采用最大比合并的相干检测。而能量检测方案则性能落后。这显示了差分检测在性能上的潜力。复杂度方面，能量检测的检测复杂度是O(N)，非常低。差分检测的复杂度稍高，但仍在可接受范围。然而，两者的星座设计过程（尤其是多用户联合星座）都可能非常耗时。

与OFDM的结合：这是差分检测一个非常实用的优势。可以在OFDM的频域相邻子载波之间进行差分编码，而不是在时域相邻符号间。这样做有两个好处：一是降低了时延，因为不需要等待下一个时域符号；二是对相位噪声和载波频偏更具鲁棒性，因为相邻子载波经历的公共相位误差可以被差分操作消除。

5. 工程实践中的挑战与应对策略

理论很美好，但落地到实际芯片和系统中，会面临一系列“骨感”的现实问题。文章第六部分对此进行了非常有价值的梳理。

5.1 硬件损伤：非相干系统的“阿喀琉斯之踵”

所有通信系统都受硬件损伤（HWI）影响，但非相干系统可能更为脆弱。

• I/Q不平衡：会导致发送信号的星座图在复平面上发生旋转和椭圆畸变。对于依赖子空间结构的Grassmannian信令和依赖相位关系的差分检测，这种畸变会直接破坏其赖以检测的不变性。
• 功率放大器非线性：会产生带内失真和频谱再生。对于能量检测，这会直接扭曲发射信号的幅度，导致判决错误。对于差分检测，非线性会引入额外的互调干扰。
• 相位噪声：有趣的是，文章指出相位噪声对差分检测的影响反而小于对相干检测的影响。因为差分操作本身能抵消掉慢变的公共相位误差。这是差分技术的一个意外优势。
• 量化噪声：低分辨率ADC在能量检测中会引入严重的量化误差，恶化检测性能。

应对策略：

1. 鲁棒性星座设计：在星座设计阶段就考虑硬件损伤的边界。例如，文献[134]提出了一种设计方法，在给定I/Q不平衡和载波频偏的可能变化区间内，优化星座点使其对这些损伤不敏感。
2. 数字预失真与校准：在发射链路采用数字预失真来补偿功放非线性。在接收链路进行定期的I/Q校准。虽然这会增加复杂度和成本，但对于高性能系统是必要的。
3. 算法增强：在检测算法中考虑硬件损伤的统计模型。例如，对于能量检测，可以设计包含损伤模型的改进能量检测器[135]。

5.2 与现有框架的融合：OFDM与波束成形

• OFDM融合：差分检测与OFDM的融合最为成熟，已有很多研究。Grassmannian信令也可以融入OFDM框架，将每个子载波或子载波组上的符号视为一个Grassmannian星座点。关键在于处理频域选择性衰落带来的子载波间干扰。已有原型系统验证了其可行性[132]。
• 波束成形：在缺乏瞬时CSI的情况下进行波束成形是一个挑战。一种思路是利用长期统计CSI（如信道空间协方差矩阵）进��统计波束成形。虽然无法实现针对瞬时信道的最优波束增益，但也能获得一定的阵列增益和干扰抑制效果。另一种思路是与智能反射面（RIS）结合，通过随机配置RIS相位或基于接收信号功率的迭代优化，实现“盲波束成形”[137]。

5.3 数据速率与可扩展性：无法回避的权衡

• 数据速率：能量检测受限于一维调制，频谱效率天花板最低。差分检测使用二维复平面调制（如DPSK），频谱效率中等。Grassmannian信令在高维子空间操作，每个“符号”（一个矩阵）可以携带大量信息，在相同带宽下能实现最高的频谱效率，尤其在中高信噪比下。
• 用户可扩展性：这是非相干通信共同的痛点。能量检测和差分检测由于需要在低维空间（能量轴或复平面）区分多用户叠加信号，用户数严重受限。Grassmannian信令虽然工作在高维空间，但多用户联合检测的复杂度是指数增长的。目前的研究大多集中在2-3个用户，如何设计支持海量用户的低复杂度多址接入方案，是一个亟待突破的方向。稀疏码分多址（SCMA）、速率分割等多址技术与非相干检测的结合，可能是一个有前景的研究路径。

6. 前沿展望与未来挑战

文章最后一部分勾勒了非相干通信在6G及未来网络中的潜在角色和研究方向，我结合自己的观察补充几点：

6.1 与人工智能/机器学习的深度融合

这是最值得关注的方向。传统非相干检测器（尤其是Grassmannian的ML检测）复杂度太高。深度学习提供了新的工具。

• 端到端学习：将发射机的星座图设计和接收机的检测器用一个深度神经网络代替，通过梯度下降直接优化系统误码率。这有可能发现超出传统数学框架的高性能星座和检测算法[145]。
• 复杂度降低：用深度神经网络来近似最优的Grassmannian检测器，在保持大部分性能的同时大幅降低计算量[148]。
• 鲁棒性增强：训练数据中可以包含各种硬件损伤和信道模型失配的情况，让学习到的系统对这些非理想因素具有更强的鲁棒性。

关键挑战：如何保证学习模型的泛化能力？在训练集之外的信道条件下或损伤模型下，性能是否会急剧下降？可解释性和可靠性如何保障？

6.2 新兴应用场景的使能者

1. 海量随机接入：非相干通信是免调度、免授权海量接入的天然候选。设备无需申请导频，直接发送非相干信号（如特定的能量脉冲或Grassmannian序列），基站通过活跃用户检测技术来识别并发用户。这可以极大降低信令开销和接入时延。
2. 集成感知与通信：非相干波形（如各向同性的酉矩阵）被发现也适用于雷达感知。因为它们在自相关函数上具有良好的性质。可以探索使用统一的非相干波形同时完成通信和感知任务，实现硬件和频谱资源的深度共享。
3. 低检测概率通信：在军事或隐私保护场景下，不希望通信信号被第三方检测到。非相干通信由于没有周期性的导频，信号特征更类似于噪声，结合适当的波形设计（如类高斯信号），可以降低被截获的概率。
4. 无CSI的物理层安全：传统物理层安全技术（如人工噪声）依赖CSI。在非相干框架下，需要发展新的安全机制，例如利用Grassmannian流形上的“人工子空间干扰”，或者利用信道统计特性的差异来区分合法用户和窃听者。

6.3 标准化之路

非相干技术要走向大规模商用，标准化是关键一步。可能的路径是：

1. 作为补充模式：在6G标准中，非相干传输不会完全取代相干传输，而是作为特定场景（如高速移动、海量物联网接入）下的可选物理层模式。它可能复用现有的OFDM波形和帧结构，只是在参考信号和数据处理流程上有所不同。
2. 动态切换：基站和终端可以根据信道相干时间、移动速度、业务需求等指标，动态地在相干模式和非相干模式之间切换。这需要设计相应的信令来指示模式的改变。
3. 从专有网络开始：更可能率先在工业物联网、车联网等垂直行业的专有网络中应用，积累实践经验，再逐步融入公共移动网络标准。

回顾非相干MIMO通信这二十多年的发展，从最初的理论奇思，到如今应对实际挑战的务实方案，其价值正在被重新认识。它或许不会成为所有场景的默认选择，但在那些CSI成为“奢侈品”的边缘场景——高速移动的列车、连接万物的传感器海洋、深空通信的漫长延时中——非相干通信将是确保连接不断、数据可达的关键技术。对于我们研发人员而言，理解其原理的深邃，掌握其设计的精妙，看清其局限的所在，才能在未来无线系统设计的工具箱中，多一件应对复杂环境的利器。这条路依然充满挑战，从高效的多用户设计，到硬件的鲁棒性实现，再到与AI的融合，每一个问题都值得深入钻研。但可以确定的是，在追求“万物智联”的6G时代，非相干通信必将占据一席之地。